画像トークン (Image Token)
読み: がぞうとーくん
最終更新: 2026-07-29・AI PICKS編集部
定義
画像トークンとは、マルチモーダルAIが画像データを解析する際に内部で分割する最小処理単位のことで、課金やコンテキスト消費量の算定基準として使われる。
画像トークン (Image Token)とは — 詳しく解説
画像トークンとは、GPT-4oやGeminiなどのマルチモーダルLLMが画像を入力として処理する際、画像を格子状のパッチに分割し、それぞれをテキストのトークンと同じ単位に変換したものを指す。画像1枚あたりの消費トークン数は解像度やタイル分割方式によって数百から数千に及ぶとされ、モデルごとに算出方式が異なる。実運用でよく起きる落とし穴は、高解像度画像を大量に扱うワークフローでコンテキストウィンドウを画像だけで使い切ってしまい、肝心のテキスト指示や会話履歴が入らなくなるケースだ。2026年時点ではAPI料金もテキストトークンと同一の単価で画像分を換算して課金するモデルが主流となっており、バッチ処理や動画フレーム解析ではコストが想定以上に膨らみやすい。現場での選び方としては、低解像度モードやサムネイル縮小で事前にトークン数を圧縮できるAPIかどうか、料金体系が透明かどうかを比較検討するのが実務上の相場感に合った判断とされる。
画像トークン (Image Token)の使用例
- 高解像度のスクリーンショットをそのままLLMに大量投入すると、画像トークンだけでコンテキストの大半を消費してしまう。
- 動画をフレームごとに静止画として渡すマルチモーダル処理では、フレーム数に比例して画像トークンが積み上がる。
画像トークン (Image Token)に関連するAIツール
関連用語
「LLM / 言語モデル」の他の用語
Artificial Intelligence の略。人間の知能をコンピュータで再現する技術全般を指す。
Large Language Model の略。 膨大なテキストで学習した文章生成 AI。 ChatGPT / Claude / Gemini が代表例。
AI がそれっぽい嘘をつく現象。 学習データに無い情報を推測で生成してしまう。
AI が一度に扱える文章の長さ。 トークン数で表現される (例: Claude Opus 4.7 は 1M トークン)。
AI が扱う文字のかたまり。 日本語は 1 文字 ≒ 1 トークン、 英語は単語 ≒ 1 トークン。 料金計算の単位でもある。
文章・画像・音声・動画 を新規に作り出す AI 技術。 ChatGPT 以降の AI ブームの主役。
AI用語辞典をすべて見てみませんか
12カテゴリ・1163語以上を体系的に整理しています
辞典トップへ