【Python】openaiライブラリとは？使い方や主要メソッド、具体的な活用シーンをわかりやすく解説！

2025年9月11日 2025年9月11日

PythonでAIを活用したアプリケーションを開発する際に特に把握しておきたいライブラリのひとつが openai です。

OpenAIが公式に提供しているこのライブラリを使うことで、ChatGPTや画像生成AIなどの強力なAI機能をPythonプログラムから簡単に呼び出すことができます。

この記事では openai ライブラリの基本的な概念から、インストール方法、主要メソッドの使い方、具体的な活用シーン、注意点までを初心者にもわかりやすく丁寧に解説します。

openaiライブラリとは？

openai ライブラリは、OpenAI社が公式に提供するPython用SDKライブラリです。

このライブラリを使うことで、OpenAIのAPI経由で以下のようなAIサービスにアクセスできます：

GPTモデル（ChatGPT、GPT-4など）を使った文章生成・対話
DALL-Eによる画像生成
Whisperによる音声認識・文字起こし
テキスト埋め込み（embeddings）生成
ファインチューニングによるモデル学習

OpenAIのAPIを呼び出すためのHTTPリクエストを、シンプルなPythonコードで実行できるのが最大の特徴です。

インストール方法

openai ライブラリは pip を使って簡単にインストールできます：

pip install openai

1 2	pip install openai

また、APIキーの準備も必要です：

OpenAI公式サイトでアカウント作成
APIキーを発行（有料プランの登録が必要）
環境変数に設定するか、コード内で指定

環境変数での設定例：

export OPENAI_API_KEY="your-api-key-here"

1 2	export OPENAI_API_KEY="your-api-key-here"

基本的な使い方（チャット機能）

まずは基本的な使い方を把握しましょう！

GPTモデルとシンプルに会話する基本例です。

from openai import OpenAI

# APIキーを設定（環境変数からの自動読み込みが推奨）
client = OpenAI(api_key="your-api-key-here")

# ChatGPTに質問を送信
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[
        {"role": "user", "content": "Pythonでリストの要素を逆順にする方法を教えて"}
    ]
)

# 回答を表示
print(response.choices[0].message.content)

from openai import OpenAI

# APIキーを設定（環境変数からの自動読み込みが推奨）

client = OpenAI(api_key="your-api-key-here")

# ChatGPTに質問を送信

response = client.chat.completions.create(

model="gpt-3.5-turbo",

messages=[

{"role": "user", "content": "Pythonでリストの要素を逆順にする方法を教えて"}

]

)

# 回答を表示

print(response.choices[0].message.content)

コードの解説

OpenAIクライアントの初期化

client = OpenAI(api_key="your-api-key-here")

1
2

client = OpenAI(api_key="your-api-key-here")

→まず OpenAIのサーバーにアクセスするための「窓口」を作ります。ここでAPIキーを渡すことで、認証された状態で利用できます。
chat.completions.create() でモデルに質問

client.chat.completions.create(...)

1
2

client.chat.completions.create(...)

→ 「Chat APIを呼び出して、返答を作ってください」というリクエストを送っています。
model にモデル名を指定

model="gpt-3.5-turbo"

1
2

model="gpt-3.5-turbo"

→ どのAIにお願いするかを決めます。
messages にチャット履歴を指定

messages=[{"role": "user", "content": "質問内容"}]

1
2

messages=[{"role": "user", "content": "質問内容"}]

→ messages は 会話の履歴をまとめて渡すためのリスト です。

1つ1つの要素が「誰が何を言ったか」を表す辞書（{}）になっています。
- - role : 発言者の種類を指定します

- - - "user" → ユーザー（あなた）の発言
    - "assistant" → AIの返答
    - "system" → AIに与える指示（性格や役割を設定）

- - content : 実際の発言内容（テキスト）を指定します
レスポンスから回答を取得して表示

response.choices[0].message.content

1
2

response.choices[0].message.content

→ AIの返答は「リストの中の最初の答え」に格納されます。それを取り出して表示しています。

具体例：会話履歴を保持した対話システム

次に「続けて会話する」例です。

連続的な対話を行う場合は、会話履歴を保持する必要があります。

from openai import OpenAI

client = OpenAI()

# 会話履歴を保存するリスト
conversation_history = [
    {"role": "system", "content": "あなたは親切なPythonプログラミングのアシスタントです。"}
]

def chat_with_gpt(user_input):
    # ユーザーの入力を履歴に追加
    conversation_history.append({"role": "user", "content": user_input})
    
    # GPTに送信
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=conversation_history,
        temperature=0.7,  # 回答の多様性を調整
        max_tokens=1000   # 回答の長さを制限
    )
    
    # AIの回答を履歴に追加
    ai_response = response.choices[0].message.content
    conversation_history.append({"role": "assistant", "content": ai_response})
    
    return ai_response

# 使用例
print(chat_with_gpt("Pythonでファイルを読み込む方法は？"))
print(chat_with_gpt("エラーハンドリングも含めて書いてください"))

from openai import OpenAI

client = OpenAI()

# 会話履歴を保存するリスト

conversation_history = [

{"role": "system", "content": "あなたは親切なPythonプログラミングのアシスタントです。"}

]

def chat_with_gpt(user_input):

# ユーザーの入力を履歴に追加

conversation_history.append({"role": "user", "content": user_input})

# GPTに送信

response = client.chat.completions.create(

model="gpt-3.5-turbo",

messages=conversation_history,

temperature=0.7, # 回答の多様性を調整

max_tokens=1000 # 回答の長さを制限

)

# AIの回答を履歴に追加

ai_response = response.choices[0].message.content

conversation_history.append({"role": "assistant", "content": ai_response})

return ai_response

# 使用例

print(chat_with_gpt("Pythonでファイルを読み込む方法は？"))

print(chat_with_gpt("エラーハンドリングも含めて書いてください"))

コードの解説

system ロールでAIの性格・役割を設定

{"role": "system", "content": "あなたは親切なPythonプログラミングのアシスタントです。"}

1
2

{"role": "system", "content": "あなたは親切なPythonプログラミングのアシスタントです。"}

→ 最初に「AIはどんなキャラで答えるか」を決めます。
例：
- 「厳しい教師」
- 「フレンドリーな友達」
- 「Pythonの専門家」
  こうした設定をすることで、AIの回答スタイルを調整することができます。
conversation_history で会話履歴を管理

conversation_history.append(...)

1
2

conversation_history.append(...)

→ 今までの会話をリストに順番に入れておきます。AIはこの履歴を参考にして返答を考えます。

これをすることで、「前の話の続き」ができるようになります。
temperature で回答の創造性を調整

temperature=0.7

1
2

temperature=0.7
- 0 に近い → 固定的で正確な答え（同じ質問にほぼ同じ回答）
- 1 以上 → 表現が多様になり、クリエイティブな答えが出やすい
  まず 0.7 くらいで試すのがおすすめです。
max_tokens で回答の長さを制御

max_tokens=1000

1
2

max_tokens=1000

→ 出力できる最大の文字数のようなもの。
- 短くしたいなら 200 程度
- 長めに解説してほしいなら 1000 など大きめに設定
  → 無制限にすると料金も時間も増えるので注意です。

具体例③：画像生成機能を使う

DALL-Eによる画像生成の例：

from openai import OpenAI

client = OpenAI()

# 画像を生成
response = client.images.generate(
    model="dall-e-3",
    prompt="夕焼けの海辺で遊ぶ猫のイラスト、水彩画風",
    size="1024x1024",
    quality="standard",
    n=1  # 生成する画像数
)

# 生成された画像のURLを取得
image_url = response.data[0].url
print(f"生成された画像URL: {image_url}")

# 画像をダウンロードして保存
import requests
from PIL import Image
from io import BytesIO

image_response = requests.get(image_url)
image = Image.open(BytesIO(image_response.content))
image.save("generated_image.png")

from openai import OpenAI

client = OpenAI()

# 画像を生成

response = client.images.generate(

model="dall-e-3",

prompt="夕焼けの海辺で遊ぶ猫のイラスト、水彩画風",

size="1024x1024",

quality="standard",

n=1 # 生成する画像数

)

# 生成された画像のURLを取得

image_url = response.data[0].url

print(f"生成された画像URL: {image_url}")

# 画像をダウンロードして保存

import requests

from PIL import Image

from io import BytesIO

image_response = requests.get(image_url)

image = Image.open(BytesIO(image_response.content))

image.save("generated_image.png")

コードの解説

prompt に生成したい画像の内容を指定
→ ここで入力するテキストが画像のテーマになります。
例："夕焼けの海辺で遊ぶ猫のイラスト、水彩画風" のように、できるだけ具体的に書くとイメージ通りの画像になりやすいです。
size で画像サイズを指定
→ "1024x1024" のようにピクセル単位で指定します。大きいほど綺麗ですが処理が重くなります。
n で生成する枚数を指定
→ 一度に複数の候補画像を作ることも可能です。
response.data[0].url で画像URLを取得
→ 生成された画像はサーバー上に保存され、URLとして返されます。
画像を保存する処理
→ requests でURLからダウンロードし、PIL.Image で開いて保存しています。

具体例④：音声ファイルの文字起こし

Whisperによる音声認識の例も紹介します。

from openai import OpenAI

client = OpenAI()

# 音声ファイルを文字起こし
with open("audio_file.mp3", "rb") as audio_file:
    transcript = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        language="ja"  # 日本語を指定
    )

print(f"文字起こし結果: {transcript.text}")

from openai import OpenAI

client = OpenAI()

# 音声ファイルを文字起こし

with open("audio_file.mp3", "rb") as audio_file:

transcript = client.audio.transcriptions.create(

model="whisper-1",

file=audio_file,

language="ja" # 日本語を指定

)

print(f"文字起こし結果: {transcript.text}")

コードの解説

音声ファイルを読み込む

with open("audio_file.mp3", "rb") as audio_file:

1
2

with open("audio_file.mp3", "rb") as audio_file:

→ 解析したい音声ファイルを開きます。rb はバイナリモード（音声データ扱い）で読み込む指定です。
model="whisper-1" を指定
→ OpenAIが提供する音声認識モデル「Whisper」を利用します。
language="ja" で言語を指定
→ 日本語を使うなら "ja"、英語なら "en" のように対象言語を設定します。これを指定しないと自動検出になります。
transcript.text で文字起こし結果を取得
→ 解析後のテキストデータが返ってきます。そのまま画面表示したり、ファイルに保存したりできます。

主要メソッド・パラメータ一覧

openai ライブラリでよく使用される主要な機能を整理しました。

機能	メソッド	主な用途	説明
チャット・文章生成	`client.chat.completions.create()`	GPTとの対話、文章作成	ChatGPTと会話したり文章を生成するためのメソッド。最もよく使います。
画像生成	`client.images.generate()`	DALL·Eによる画像作成	テキストから画像を作ります。プロンプトに画像の内容を具体的に書くと精度が上がります。
音声認識	`client.audio.transcriptions.create()`	音声ファイルの文字起こし	mp3などの音声ファイルをテキストに変換します。会議録や字幕作成に便利です。
埋め込み生成	`client.embeddings.create()`	テキストのベクトル化	文章を数値ベクトルに変換し、検索・分類・推薦システムに活用できます。
ファインチューニング	`client.fine_tuning.jobs.create()`	モデルのカスタム学習	独自データでモデルを調整し、特定用途に最適化できます。

活用シーン別の実装例

ここまでで基本的な使い方を学んだので、次は実際のアプリケーションにどう活かせるかを見ていきましょう。

チャットボットや翻訳、コードレビューなど、よくある活用シーンを簡単なコード例で紹介します。

1. チャットボット・カスタマーサポート

def create_support_bot():
    system_prompt = """
    あなたは製品サポートの専門家です。
    丁寧で親切な対応を心がけ、技術的な問題を解決します。
    """
    
    messages = [{"role": "system", "content": system_prompt}]
    
    while True:
        user_input = input("お困りのことをお聞かせください: ")
        if user_input.lower() in ['exit', '終了']:
            break
            
        messages.append({"role": "user", "content": user_input})
        
        response = client.chat.completions.create(
            model="gpt-3.5-turbo",
            messages=messages,
            temperature=0.3  # 一貫性を重視
        )
        
        ai_response = response.choices[0].message.content
        print(f"サポート: {ai_response}\n")
        messages.append({"role": "assistant", "content": ai_response})

create_support_bot()

def create_support_bot():

system_prompt = """

あなたは製品サポートの専門家です。

丁寧で親切な対応を心がけ、技術的な問題を解決します。

"""

messages = [{"role": "system", "content": system_prompt}]

while True:

user_input = input("お困りのことをお聞かせください: ")

if user_input.lower() in ['exit', '終了']:

break

messages.append({"role": "user", "content": user_input})

response = client.chat.completions.create(

model="gpt-3.5-turbo",

messages=messages,

temperature=0.3 # 一貫性を重視

)

ai_response = response.choices[0].message.content

print(f"サポート: {ai_response}\n")

messages.append({"role": "assistant", "content": ai_response})

create_support_bot()

ユーザーの入力に対してAIがリアルタイムで返答するサポートチャットです。

system でAIを「サポート専門家」と設定し、丁寧な対応を実現しています。

2. 文書要約・翻訳システム

def summarize_and_translate(text, target_language="英語"):
    prompt = f"""
    以下のテキストを要約し、{target_language}に翻訳してください：
    
    {text}
    
    形式：
    【要約】
    【{target_language}翻訳】
    """
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.2
    )
    
    return response.choices[0].message.content

# 使用例
long_text = "長い日本語の文書..."
result = summarize_and_translate(long_text, "英語")
print(result)

def summarize_and_translate(text, target_language="英語"):

prompt = f"""

以下のテキストを要約し、{target_language}に翻訳してください：

{text}

形式：

【要約】

【{target_language}翻訳】

"""

response = client.chat.completions.create(

model="gpt-3.5-turbo",

messages=[{"role": "user", "content": prompt}],

temperature=0.2

)

return response.choices[0].message.content

# 使用例

long_text = "長い日本語の文書..."

result = summarize_and_translate(long_text, "英語")

print(result)

入力された長文をAIが要約し、さらに指定した言語に翻訳します。

ドキュメント整理や多言語対応のアプリに役立ちます。

3. プログラミング学習支援

def code_reviewer(code, language="Python"):
    prompt = f"""
    以下の{language}コードをレビューしてください：

    ```{language.lower()}
    {code}
    ```

    以下の観点でフィードバックをお願いします：
    1. バグや問題点
    2. 改善提案
    3. ベストプラクティス
    4. 修正版コード（必要な場合）
    """
    
    response = client.chat.completions.create(
        model="gpt-4",  # コードレビューには高性能モデルを使用
        messages=[{"role": "user", "content": prompt}],
        temperature=0.1
    )
    
    return response.choices[0].message.content

# 使用例
student_code = """
def calculate_average(numbers):
    total = 0
    for i in numbers:
        total += i
    return total / len(numbers)
"""

feedback = code_reviewer(student_code)
print(feedback)

def code_reviewer(code, language="Python"):

prompt = f"""

以下の{language}コードをレビューしてください：

```{language.lower()}

{code}

```

以下の観点でフィードバックをお願いします：

1. バグや問題点

2. 改善提案

3. ベストプラクティス

4. 修正版コード（必要な場合）

"""

response = client.chat.completions.create(

model="gpt-4", # コードレビューには高性能モデルを使用

messages=[{"role": "user", "content": prompt}],

temperature=0.1

)

return response.choices[0].message.content

# 使用例

student_code = """

def calculate_average(numbers):

total = 0

for i in numbers:

total += i

return total / len(numbers)

"""

feedback = code_reviewer(student_code)

print(feedback)

プログラミング学習者向けに、提出されたコードをレビューする例です。

バグ検出や改善提案を行い、理解を深めながらスキルアップできます。

openaiライブラリを使うときの注意点

便利な openai ライブラリですが、実際にアプリやサービスに組み込むときにはいくつかの注意点があります。

ここを理解しておかないと、セキュリティやコストの面で思わぬトラブルに繋がることもありますので、必ず確認しておきましょう。

APIキーの管理に注意

APIキーは 利用者ごとに発行される秘密の鍵 です。

これが流出すると他人に不正利用されて高額請求が発生する恐れがあります。

コード内に直書きするのではなく、環境変数や.envファイル を使うのが基本です。

料金は従量課金制

OpenAI APIは 従量課金制 です。

モデルによって料金が異なり、トークン数に応じて課金されます。

短い文章でも会話を繰り返すと積み重なってコストが増えるため、不要な長文リクエストを避ける工夫 が必要です。

レスポンス時間を考慮

GPTの応答は内容やモデルによって処理時間が変わります。

数秒で返る場合もあれば、長文生成では待ち時間が長くなることもあります。

UIを工夫して「応答中であることを示す」など、ユーザー体験を損なわない設計が重要です。

会話履歴の保持に注意

messages に履歴を渡すことで会話の流れを理解できますが、履歴が長くなるとトークン数が増え、料金も応答時間も増加 します。

そのため、すべてを保持するのではなく「必要な部分だけ残す」「古い履歴を要約する」などの工夫が実用的です。

まとめ

今回はPythonのopenaiライブラリについて詳しく紹介しました。

openaiライブラリはOpenAI公式のPython用SDKで、GPTやDALL-Eなどの強力なAI機能にアクセスできる
基本的な使い方は client.chat.completions.create() でモデルとメッセージを指定するだけ
会話履歴の管理により連続的な対話システムを構築可能
画像生成・音声認識・埋め込み生成など多彩な機能を提供
エラーハンドリング・料金管理・セキュリティに十分注意が必要
適切なモデル選択・プロンプト最適化でコストパフォーマンスを向上

openaiライブラリをマスターすれば、チャットボット、文書要約、コード生成など、AIを活用した様々なアプリケーションを開発できるようになります。

まずは簡単なチャット機能から始めて、段階的に機能を拡張していくことをお勧めします。

AIの可能性を最大限に活用して、革新的なアプリケーション開発にチャレンジしてみてくださいね！

【Python】openaiライブラリとは？使い方や主要メソッド、具体的な活用シーンをわかりやすく解説！

openaiライブラリとは？

インストール方法

基本的な使い方（チャット機能）

コードの解説

具体例：会話履歴を保持した対話システム

コードの解説

具体例③：画像生成機能を使う

コードの解説

具体例④：音声ファイルの文字起こし

コードの解説

主要メソッド・パラメータ一覧

活用シーン別の実装例

1. チャットボット・カスタマーサポート

2. 文書要約・翻訳システム

3. プログラミング学習支援

openaiライブラリを使うときの注意点

APIキーの管理に注意

料金は従量課金制

レスポンス時間を考慮

会話履歴の保持に注意

まとめ

最近の投稿

最近のコメント

アーカイブ

カテゴリー