yuanzonghao
7dac77e200
- Restructure overview with scannable bullet lists for capabilities
- Move screenshots up (after overview), reduce from 14 to 6
- Extract configuration guide to docs/configuration{,.en,.ja}.md
- Update Vercel deploy button envLink to point to new config docs
Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
7.3 KiB
設定ガイド
InfiPlot は 4 種類のモデルプロバイダと通信します。テキスト（Text）・ビジョン（Vision）は、任意の OpenAI 互換エンドポイントを使用でき、自由に組み合わせられます —— Google Gemini を使う場合は、*_BASE_URL をその OpenAI 互換エンドポイント（https://generativelanguage.googleapis.com/v1beta/openai）に向けるだけです。Anthropic Claude を使う場合は、互換ゲートウェイ（LiteLLM など）の経由を推奨します —— Anthropic の公式エンドポイントは OpenAI 互換レイヤーを提供していますがキャッシュ非対応のため、コストとレイテンシが上昇します。**画像（Image）**は Runware（独自の task-array プロトコル）と OpenAI（gpt-image）に対応します。**音声（TTS）**は Xiaomi MiMo（独自の音声デザイン/クローンプロトコル —— キャラクターごとの音声デザイン、クローン、行ごとの抑揚指示に対応、無料）と StepFun（32 種のプリセット音声を AI が自動マッチング、有料ですがより高品質）に対応します。
1. プロバイダを選ぶ
| プロバイダ | 環境変数 | 必須？ | 推奨 |
|---|---|---|---|
| Text · ストーリー監督 | TEXT_BASE_URL TEXT_API_KEY TEXT_MODEL |
✅ | DeepSeek の deepseek-v4-flash |
| Image · シーン描画 | IMAGE_BASE_URL IMAGE_API_KEY IMAGE_MODEL |
✅ | Runware の runware:400@6（FLUX.2 [klein] 9B KV） |
| Vision · クリック解釈 | VISION_BASE_URL VISION_API_KEY VISION_MODEL |
✅ | Google の gemini-3.5-flash |
| TTS · キャラクター音声 | TTS_BASE_URL TTS_API_KEY TTS_SPEECH_MODEL |
任意 —— 空欄なら無音で動作 | Xiaomi MiMo の mimo-v2.5-tts（無料）；有料の選択肢：StepFun の step-tts-2 |
オプション · プロトコルの明示的指定：各プロバイダスロットには
*_PROVIDER変数（TEXT_PROVIDER/VISION_PROVIDER/IMAGE_PROVIDER）を追加して、使用するプロトコルを明示的に指定できます。未設定なら後方互換のデフォルトを維持します —— テキスト/ビジョンは OpenAI 互換がデフォルト、画像は*_BASE_URLから自動判定（runware.ai→ Runware、それ以外は OpenAI 互換。runware.ai上で OpenAI プロトコルで提供されるモデル ——image-2-vipなど —— は OpenAI 互換として処理されます。必要に応じてIMAGE_PROVIDERで上書きしてください）。
値 対象 説明 openai_compatible（デフォルト）Text · Vision · Image OpenAI Chat Completions / /images/generationsopenaiImage OpenAI gpt-image、参照画像編集に対応runwareImage Runware task-array プロトコル テキストとビジョンは
openai_compatibleのみ対応。Gemini を使う場合は*_BASE_URLをその OpenAI 互換エンドポイント（https://generativelanguage.googleapis.com/v1beta/openai）に向けてください。Claude を使う場合は互換ゲートウェイ（LiteLLM など）の経由を推奨 —— Anthropic の公式エンドポイントは OpenAI 互換レイヤーを提供していますが、キャッシュ非対応のためコストとレイテンシが上昇します。
*_BASE_URLは末尾に/v1があってもなくても（/chat/completionsまで付いていても）正常に動作します —— エンジンが自動で正規化します。
2. 環境変数を設定する
9 つの変数が必須で、TTS は任意です（空欄なら無音で動作）。低コストなテスト用のフラグもあります。
| 変数 | 効果 |
|---|---|
MOCK_IMAGE=true |
画像生成をスキップし、レンダラが静的なプレースホルダを返します。ストーリー・音声・選択肢は通常どおり動作します。Runware のクレジットを消費せずに TTS を調整するのに最適です。 |
設定場所（正確なフォーマットは .env.example を参照）：
- ローカル開発 ——
.env.local - Vercel —— Project Settings → Environment Variables
- Cloudflare Workers —— リポジトリのルートから各変数について
wrangler secret put <NAME>を実行するか、ダッシュボード（Workers → infiplot → Settings → Variables and Secrets）で設定します。ステージング環境にアクセス制限を掛けたい場合は、Worker の前に Cloudflare Access を挟むと、ゼロコードでメール許可リスト方式の認証が利用できます。
3. コストに注意
推奨の 3 点セットでは、各シーンのコストは主に画像生成モデルによるものです。FLUX.2 [klein] 9B KV の画像は 1 シーンあたり概ね $0.00078（1792×1024、4 ステップ、サブ秒）。テキストモデルは deepseek-v4-flash を使用するため、テキストコストは比較になりません。シーン内のビートをタップしていくのは無料です。切り替えを一瞬に保つため、エンジンは選ぶ可能性はあるが最終的に選ばないシーンも先行生成します —— そのため実際の支出は、あなたが実際に見るシーン数よりやや高くなります。
4. 画像プロキシ（オプション）
デフォルトではブラウザが画像プロバイダーに直接アクセスするため、設定は不要です —— NEXT_PUBLIC_IMAGE_PROXY_URL を空欄のままにすれば、まったく影響ありません。画像が「上から順に」表示される現象（一部のネットワークで Chrome の ERR_QUIC_PROTOCOL_ERROR により PNG が行ごとに描画される）に遭遇した場合のみ必要です。小さな Cloudflare Worker をデプロイすると、画像をサーバー側で再取得し HTTP/2 で一括返却します。ワンクリックデプロイは infiplot-image-proxy を参照し、出力された workers.dev の URL を NEXT_PUBLIC_IMAGE_PROXY_URL に設定してください。
5. プレイヤー自身の音声 Key（任意・推奨）
Xiaomi は TTS モデルに RPM/TPM 制限を設けています。公開デプロイで多数のプレイヤーが単一の TTS_API_KEY を共有して同時にプレイすると、この制限に達しやすく、ストーリーも画像も正常なのに音声だけ出ないという症状になります。対策として、プレイヤーはトップページで自分の Xiaomi MiMo Key（無料で取得可）を任意で入力できます。合成はブラウザから Xiaomi へ直接行われ、Key はプレイヤーのブラウザ内にのみ保存され、あなたのサーバーを一切経由しません。これにより安定した音声と低遅延が得られます。完全な追加機能であり、未入力ならこれまで通りサーバー側の Key にフォールバックします。
取得・入力の手順は 音声 Key 持ち込みガイド を参照してください。