最終更新:

OpenAI API入門 — Pythonから質問して、返答を受け取ろう


🎚 難易度 ★☆☆ 初心者向け
⏱ 学習時間の目安 読むだけ10分程度。準備と実習時間は利用環境で変わります。
📚 前提知識 Pythonの基礎知識とAPIを利用できるOpenAIアカウント
✅ このガイドで学べること
  • APIキーをコードに埋め込まず管理する
  • Responses APIで質問と応答を扱う
  • トークン・料金・利用制限を区別する

最初の返答と使用量を見る

ひよこ ひよこ
Pythonから「APIって何?」と質問してみたい!
ペンギン先生 ペンギン先生
OpenAI APIを使うと、プログラムからモデルへ質問を送り、返答を受け取れるよ。まずは自分のPCで「APIとは何ですか?」と送り、文章と使ったトークン数を見よう。ChatGPTの画面や契約とは別なので、APIの利用条件と課金を確認してから始めるよ。
ひよこ ひよこ
最初に何を用意するの?
ペンギン先生 ペンギン先生
OpenAIの開発者プラットフォームでプロジェクト、課金設定、利用できるモデルを確認し、APIキーを作るよ。キーはパスワードと同じように扱い、ブラウザへ配信するJavaScriptや公開リポジトリには含めないでね。まずは自分のPCで小さなPythonプログラムを動かそう。

キーとAPIの準備

ひよこ ひよこ
.envに書けば安全なの?
ペンギン先生 ペンギン先生
これは設定を保存するファイルで、暗号化されるわけではないよ。先に.gitignoreへ.envを追加し、プログラムがpython-dotenvで読み込む形にするんだ。すでにGitで追跡したファイルは.gitignoreだけでは除外できないし、漏えいしたキーはファイルを消すだけでなく失効させる必要があるよ。
ひよこ ひよこ
どのAPIから覚えればいい?
ペンギン先生 ペンギン先生
新しいプロジェクトにはResponses APIが推奨されているよ。この記事ではinputに質問、instructionsに回答の方針を渡し、output_textで文章を取り出すんだ。Chat Completionsもサポートされているけれど、引数や応答の形式を混ぜないようにしよう。

Pythonから、短い質問を送る

🐥 PythonのプログラムAPIとは何ですか?Responses API → モデル✓ 返答を読む使用したトークン数も確認
本文の1回の呼び出しの例。APIキーは公開せず管理し、実行前にAPIの利用料金と条件を確認します。

指示・使用量・費用の違い

ひよこ ひよこ
指示を書けば、必ずそのとおりに答える?
ペンギン先生 ペンギン先生
指示は回答を導くものだけれど、正しさや形式を保証しないよ。誰向けに、何を、どの長さで答えてほしいかを具体的に伝えて、結果を確認しよう。今回は一往復の例なので、次の呼び出しに会話履歴が自動で引き継がれるわけではないんだ。
ひよこ ひよこ
トークンと料金はどう考えるの?
ペンギン先生 ペンギン先生
トークンはモデルが文章を扱う単位で、文字数や単語数と一対一ではないよ。入力と出力の単価はモデルで異なり、推論トークンやツール利用などの条件もあるんだ。固定の文字数換算や古い料金表で判断せず、公式の料金表と実際のusageを確認しよう。

使いすぎと失敗時の確認

ひよこ ひよこ
使いすぎを防ぐには?
ペンギン先生 ペンギン先生
少数のリクエストで始めて、Usageで使用量を見よう。支出通知は通知のための設定で、到達時に止める支出上限とは区別するんだ。アプリ側でも入力長、出力上限、呼び出し回数、再試行回数を制限しよう。出力トークンの上限だけでは、全体の料金上限にはならないよ。
ひよこ ひよこ
最初はどう覚えればいいかな?
ペンギン先生 ペンギン先生
「OpenAI API」って出てきたら「自分のプログラムからOpenAIのモデルを呼ぶ窓口」と思えばだいたいOK!まずは少数の呼び出しで、返答と使用量を確かめよう。失敗したらエラーの種類を確認し、無条件に連打しないでね。

最初のゴール:質問の返答と使用量を見る

準備するのはPythonの練習用フォルダー、APIを利用できるアカウント、APIキーです。モデルへ短い質問を送り、日本語の説明とトークン数が表示されるところまで進みます。実際のキーで実行するとAPI料金が発生します。 回答の内容や数字は固定されません。

Pythonで最初の応答を受け取る

2026年10月16日に主要な呼び出しとモデルの対応APIを公式資料で再確認しました。Python 3.10以降と、APIを利用できるOpenAIアカウントが前提です。この例を実際のキーで実行するとAPI利用料金が発生します。

1. 作業用フォルダーと仮想環境を用意する

WindowsのPowerShellでは次を実行します。環境の有効化は不要です。

mkdir openai-demo
cd openai-demo
py -m venv .venv
.\.venv\Scripts\python.exe -m pip install openai python-dotenv

macOS/Linuxでは、最後の2行を次に置き換えます。

python3 -m venv .venv
.venv/bin/python -m pip install openai python-dotenv

2. キーとモデルを設定する

開発者プラットフォームで、プロジェクトのAPIキー・課金・モデルへのアクセスを確認します。まず作業フォルダーに .gitignore を作り、次の行を書きます。既存のファイルがある場合は追記してください。

.env
.venv/
__pycache__/

次にエディターで .env を作成します。ここに取得したキー は自分のキーに置き換えてください。キーをシェルのコマンドへ直接書くと履歴に残るため、ここではエディターで設定します。

OPENAI_API_KEY=ここに取得したキー
OPENAI_MODEL=gpt-6-luna

gpt-6-lunaはこの短いテキスト生成例のモデルです。公式の廃止予定では、以前の例のGPT-4.1 miniは2027年1月14日にAPI提供終了予定で、後継としてGPT-6 Lunaが案内されています。公式の廃止予定とモデルページを確認し、利用できるアカウントで試してください。すべてのアカウントでの利用や回答の正しさを保証する指定ではありません。

3. プログラムを実行する

同じフォルダーに hello.py を作成します。

import os
from pathlib import Path

from dotenv import load_dotenv
from openai import OpenAI

load_dotenv(Path(__file__).with_name(".env"))
if not os.getenv("OPENAI_API_KEY") or not os.getenv("OPENAI_MODEL"):
    raise SystemExit(".envにOPENAI_API_KEYとOPENAI_MODELを設定してください")

client = OpenAI(timeout=30.0, max_retries=0)
response = client.responses.create(
    model=os.environ["OPENAI_MODEL"],
    instructions="ITの初心者向けに、日本語で2文以内で説明してください。",
    input="APIとは何ですか?",
    reasoning={"effort": "none"},
    max_output_tokens=512,
    store=False,
)
if response.status != "completed" or not response.output_text.strip():
    raise SystemExit(f"回答を確認できませんでした: status={response.status}")
print(response.output_text)
if response.usage:
    print(f"入力: {response.usage.input_tokens} tokens")
    print(f"出力: {response.usage.output_tokens} tokens")

Windowsでは .\.venv\Scripts\python.exe hello.py、macOS/Linuxでは .venv/bin/python hello.py を実行します。APIの説明と入力・出力トークン数が表示されれば成功です。文章やトークン数は実行ごとに変わります。

この例のreasoningはGPT-6 Lunaで対応するnoneを指定し、短い説明から始めます。モデルを変える場合は、reasoningの対応値も公式仕様へ合わせてください。

max_output_tokens は出力の上限です。推論モデルでは見えない推論トークンも枠を使うため、モデルを変えると上限不足で完了しないことがあります。使用量を確認して調整してください。store=False はResponsesの保存に関する指定で、送信データの保持が一切なくなるという意味ではありません。業務データを扱う前にデータ管理の条件を確認しましょう。

4. 失敗時に確認すること

症状確認すること
設定不足のメッセージ.envの名前・保存先・変数名。既存の環境変数はload_dotenvの既定動作では上書きされません
401などの認証エラーキーが有効か、対象プロジェクトと権限が正しいか
モデルが見つからない・アクセスできないモデルID、提供状況、アカウントのアクセス権
429エラー詳細でレート制限・残高不足・支出上限などを区別。連打で解決しようとしない
タイムアウト・通信エラー接続やサービス状況を確認。タイムアウトでもサーバー側で処理が進んでいる場合があります
応答が未完了・空statusやエラー情報、出力上限を確認。無条件に繰り返さない

キーを公開した場合は、プラットフォームで失効・再発行し、利用履歴を確認してください。Gitの履歴や共有先に残る可能性もあるため、現在のファイルの削除だけで対応を終えないようにします。

次の挑戦:成功と、内容の正しさを分ける

最初の例で、何を確認できたかを整理します。

確認できたことまだ別に確認すること
statusがcompleted回答の事実が正しいか
空でない文章を受け取れた日本語・2文以内など依頼した条件を満たすか
usageを読めた採用モデルと利用方式の単価でいくらか

通信と形式が成功しても、回答の内容まで自動で正解になるわけではありません。まず説明の中の事実を資料へ照合し、質問を1つ変えたときも同じ観点で確認します。キーや実データを回答の例として公開しないようにしましょう。

次に試すこと

質問を1つだけ変更して再実行し、回答とトークン数の変化を見ます。料金は公式料金表で確認し、使用量・支出通知・停止を伴う支出上限を別々に把握してください。APIキーを配布せず、自分のサーバーから呼ぶ構成にしてからWebアプリへ組み込みます。

会話を継続する場合は履歴の渡し方を別途設計します。手元の文書を参照して答える仕組みは、RAGの始め方で学べます。

参考資料

確認日:2026年10月16日。

次に学ぶなら