Qwen-Image 3.0 API を実測：$0.03 で 9 シーン

Qwen-Image 3.0 の生成画像 1 枚あたりの料金は $0.03 で、前世代の $0.035 より安い。prompt は無料だ。検証では、およそ 5,000 token の prompt でも、11 語の prompt と料金はまったく同じだった。この一点だけでも、token 従量課金の競合とは大きく異なる。さらに、目玉機能にも実際のコストメリットがある。3x3 のグリッドに異なる 9 シーンを指定すると、9 シーンすべてが 1 枚の画像として生成され、課金も 1 枚分で済む。qwen-image-3.0 が商用 API で提供された初日に検証した。リリース時点では料金表、benchmark、weight、technical report が一切公開されていなかったためだ。課金方式、9-in-1 という主張、10 pixel の文字を描画できるという主張、日本語の小さな文字をめぐる評価、4,500 token の prompt window、前世代モデル やほかの画像生成モデルとの位置付けを調べた。

TL;DR

• qwen-image-3.0 は生成画像 1 枚あたり $0.03 で、前世代の $0.035 より安い。検証した範囲では、prompt の長さにかかわらず課金されなかった。
• 「一度に 9 枚」という主張は、1 枚のグリッド画像としてなら本当だった。指定した 9 シーンすべてが生成され、課金は 1 枚分だった。API の batch 上限は n=4。
• 指定した小さな文字は弱点だ。英語の脚注は 3 回中 3 回でスペルを間違えた。一方、モデルが自分で考えた文字はきれいに描画された。
• 生成は遅い。標準的な生成で 58〜85 秒かかり、qwen-image-2.0 の 10 秒を大きく上回る。長い prompt では 241 秒まで伸びた。

Qwen-Image 3.0 の課金方式

料金は解像度 tier ごとの画像単位で、prompt は無料だ。各 response の usage には token フィールドではなく、画像数と tier が記録される。1024x1024 またはアスペクト比を変えた同等サイズの request は 1K tier の画像 1 枚として課金される。2048x2048 の request は 2K tier になる。prompt は usage に一切反映されない。同じシーンについて、11 語の prompt と、推定 1,000、4,200、5,000 token の filler を加えた prompt を送ったが、料金はすべて同じだった。リリース週の後に DashScope が公開した料金表 も、この課金方式と完全に一致する。qwen-image-3.0 はどちらの tier でも生成画像 1 枚あたり $0.03。画像編集 workflow では入力画像 1 枚あたり $0.003 で、tier の境界は出力面積 2,250,000 pixel に設定されている。tier ごとに料金が変わるのは pro SKU だけで、1K クラスの出力は $0.04、2K は $0.075 だ。注目すべきは価格の方向性だ。誰もが premium 価格を予想していたリリースで、機能を強化しながら qwen-image-2.0 の $0.035 を下回る $0.03 に値下げした。

token 従量課金の画像 API とは、課金構造そのものが違う。gpt-image-2 は prompt token と出力画像 token の両方を課金するうえ、出力 token 数も安定しない。同じ 11 語の prompt でも、ある実行では 215 output token、別の実行では 744 output token となり、同一 request の従量料金に 3.5 倍の差が出た。画像単位の固定料金には、このばらつきがない。予測した金額がそのまま請求額になる。5 モデルのコストを検証した 以前の調査でも同じ違いが出た。画像単位の課金は単調だが、予算管理ではそれが利点になる。

「一度に 9 枚」は本当か

本当だ。ただし言葉から想像する形とは異なり、料金面では実際の方式のほうが有利だ。API の batch parameter は 4 を超える値を拒否する（n must be between 1 and 4）。そのため、1 回の call で 9 個の別ファイルを受け取ることはできない。リリース時の demo が示しているのは、1 枚の画像内での構図生成だ。異なる 9 シーンを 3x3 のグリッドに配置するよう指定すると、そのとおり生成される。検証では、夕暮れの灯台、チェスの対局、ラーメンの丼、折り鶴、地下鉄のホーム、雨の中のサボテン、バイオリン、雪のキツネ、熱気球を指定した。

9 シーンすべてが破綻なく生成され、課金は画像 1 枚分だった。シート全体で $0.03、使える cell 1 個あたり $0.0033 だ。Alibaba の demo では、この仕組みをさらに高度に使い、文字や数式を含む 9 枚の本格的な infographic を 1 つのグリッドに収めている。9 個の独立ファイルではなく、thumbnail、mood board、option sheet が必要な workflow なら、実用的なコスト削減になる。固定料金の生成 1 回で 9 回分を置き換えられ、グリッドの切り出しも 1 行の crop 処理で済む。

10 pixel の文字は拡大しても読めるか

半分は読める。ただし失敗するのは、そのまま公開する文字列だ。このモデルは 10 pixel までの文字を描画できるとされている。layout に関しては、検証結果がその主張を上回った。仕様書を生成させると、モデルが独自に sidebar、port diagram、同梱物の行、security badge を追加し、数十個の小さな label もすべて読みやすく、スペルも正しかった。失敗したのは、一字一句そのまま描画するよう指定した文字列だけだ。脚注として「All measurements at 25 degrees Celsius」と指定したところ、3 回の生成で「Celkaus」「Celuse」「Celsue」になった。正しく描画できたのは 3 回中 0 回で、誤りは毎回、ページ内で最も小さい文字に発生した。

日本語でも同じ傾向だった。これでリリース週の評価をめぐる議論にも答えが出る。公式 demo と比べ、日本語の小さな文字が「やや不自然」に見えるという 独立検証の報告 があり、今回の検証でも再現した。2 行の保管上の注意を指定して日本語 label を 3 回生成したところ、完全に正しかったのは 1 回だけだった。1 回は 1 文字が崩れ、もう 1 回は 2 文字が別の文字になった（読が認に、保管が保宜になった）。それ以外は非の打ち所がない minimalist な label だった。

傾向は一貫しており、失敗箇所もはっきりしている。モデルが自分で考えた文字は正確だが、指定した文字列をそのまま転記させると glyph が崩れる。中国語の prompt では逆方向からも確認できた。モデルは指示されていない 3 つの bin label（加急、普通、存档）を独自に作り、すべて正しい漢字で描画した。

試したすべての言語で、モデルが自分で作った文字は正確だった。mockup、storyboard、layout comp なら、文字描画は十分に production 品質だ。指定どおりの文字列が不可欠な用途、たとえば compliance notice、仕様値、法的文言では、すべての glyph を校正するか、生成後に正しい文字を合成する必要がある。

4,500 token の prompt window で何ができるか

追加料金なしで多くの指示を入れられるが、待ち時間は増える。このリリースの中心的な強化点は、指示量の上限だ。前世代より 4.5 倍長い prompt を扱える。受理上限を段階的に検証したが、明確な壁は見つからなかった。推定 4,200 token、さらに 5,000 token の filler prompt もエラーなく受理された。少なくとも検証できた境界では、document に記載された上限を超えてもエラーにならなかった。画像単位の課金なので、長くしても追加料金は発生しない。一方、latency は不安定ながら増加した。標準的な短い prompt は 58〜85 秒。1,000 token の 2 回は 85 秒と 120 秒、4,200 token は 241 秒、5,000 token は 88 秒だった。全体としては長くなる傾向があるが、ばらつきも大きい。この window を使うなら、費用ではなく処理時間に余裕を持たせる必要がある。

画像生成モデルの中での位置付け

catalog 内では大差をつけて最も遅い。これは 「見栄えではなく実用性」を重視した設計 の代償といえる。同日、同じ prompt で各モデルの処理時間を測定した。

位置付けについて 2 点ある。まず、前世代が不要になったわけではない。qwen-image-2.0 は 6 分の 1 の時間で生成できるため、大量の単純な asset を処理するなら throughput で優位だ。3.0 は、2.0 では指示に従えない複雑な layout、文字量の多い画像、指示密度の高い作業に時間をかけるモデルだ。次に、Alibaba は現在、Qwen-Image と Tongyi Wanxiang 系の wan2.7-image という 2 つの画像生成 line を並行して提供している。後者は 3 倍高速だ。Alibaba ecosystem 内で document よりも見た目を重視するなら、こちらも比較対象になる。

capacity はまだ beta 相当で少ないため、rollout plan に織り込む必要がある。検証の途中、約 12 回生成した時点で upstream の rate quota に達した。無料 tier の報告 でも、連続 call で同じ 429 が発生している。通常の benchmark 表を掲載できない理由も記しておく。このリリースでは benchmark、weight、technical report が公開されず、料金表もリリース週の後に公開された。そのため、大半の主張には照合できる公式情報がない。ここまでの内容はすべて、独自の計測と検証に基づく。provider によって画像単価が異なる可能性もある。第三者の推測ではなく、最初の invoice で確認すべきだ。

FAQ

Qwen-Image 3.0 の画像 1 枚あたりの料金はいくらか

DashScope の公開料金 では、どちらの解像度 tier でも生成画像 1 枚あたり $0.03 だ。入力画像は画像編集 workflow で $0.003、text prompt は長さに関係なく無料となる。qwen-image-2.0 の $0.035 より安い。pro SKU は tier ごとに料金が異なり、1K クラスの出力は $0.04、2K は $0.075 だ。

Qwen-Image 3.0 は本当に一度に 9 枚の画像を生成できるか

1 枚の画像としてなら可能だ。3x3 のグリッドを指定する prompt で、要求した 9 シーンがすべて明確に描き分けられ、1K tier の画像 1 枚として課金された。API batch としては不可能だ。n の上限は 4 で、batch 内の各画像には個別に料金がかかる。独立したファイルではなく contact sheet が必要なら、グリッド形式が最もコスト効率に優れる。

Qwen-Image 3.0 の小さな文字は production で使えるか

モデルが自分で作る文字なら使える。検証では、モデルが独自に生成した label や copy は、英語、中国語、日本語のすべてで正しく描画された。指定した文字列をそのまま描画させる用途には向かない。指定した英語の脚注は 3 回中 3 回でスペルを間違え、日本語も 3 回中 2 回で少なくとも 1 文字が変わった。指定した小さな文字は校正するか、正しい書体で後から合成する必要がある。

Qwen-Image 2.0 から upgrade すべきか

2.0 では対応できない作業に限れば upgrade する価値がある。複雑な layout、document 形式のページ、長く複数要素を含む指示、画像内の文字が該当する。同じ画像単位の課金方式で、2.0 は標準的なシーンを約 10 秒で生成できるのに対し、3.0 は 58〜85 秒かかる。throughput を重視する workload は 2.0 のままでよい。3.0 はそのまま置き換えるモデルではなく、指示量の多い生成に特化したモデルとして扱うべきだ。

2026-08-05 から 2026-08-06 にかけて、qwen-image-3.0 が商用 route で利用可能になった当日に Synthorai gateway 経由で測定した（-pro tier は未提供）。課金方式と size tier、batch 上限とグリッド構成、長い prompt の受理上限（word 数から filler の長さを 1,000 / 4,200 / 5,000 token と推定。images API は prompt token 数を返さない）、中国語と日本語の prompt、小さな文字を複数回生成する検証、catalog 内の 6 モデルを対象とした同日同一 prompt の処理時間を調べた。掲載した生成画像は検証時の未編集出力。金額はリリース週の後に公開された DashScope の料金表に基づき、実測した usage の構造とも一致する。gpt-image-2 の画像単価の範囲は、以前の画像生成調査で確認した料金を実測 token 数に適用したもの。beta の成熟に伴い、挙動が変わる可能性がある。

← ブログに戻る