テキストをPNG画像化してAPI費用を最大70％削減、オープンソースツール「pxpipe」登場

大規模なコードベースでAIエージェントを動かしていると、コンテキストが肥大化してAPI利用料が跳ね上がる現実に頭を悩ませることになります。プロンプトの圧縮やキャッシュ機能の活用が定番ですが、開発者のSteven Chong氏は全く異なる抜け道を見つけました。テキストを送る代わりに、スクリーンショットを読ませるという方法です。

テキストをPNG画像に変換してClaude Codeのトークン消費を抑えるオープンソースツール「pxpipe」が話題となりました。最新のClaude Fable 5において、トークン費用を最大70％削減できるとしています。

2万5000トークンをわずか2700に圧縮

この裏技が成立する理由は、AI各社の画像に対する課金体系にあります。

通常のテキスト入力は文字数やトークン数に応じて費用が発生し、おおよそ1文字で1トークンを消費します。一方、画像入力は文字量に関係なく、解像度（ピクセル数）だけで固定のトークン数が決まる仕様になっています。

そのため、ソースコードやJSONのような高密度テキストを画像としてレンダリングすると、画像1トークンあたり約3.1文字を詰め込むことが可能になります。

pxpipeはローカルプロキシとして動作します。Claude Codeへのリクエストを途中で受け、システムプロンプトやツール仕様書、過去のチャット履歴といった重く変化の少ないデータを高密度のPNG画像にまとめます。直近のやり取りやモデルの出力は通常のテキストのまま送信されます。

公開されたデモでは、約4万8000文字に及ぶプロンプト類が1枚の詰まったPNG画像に変換されました。テキスト送信なら約2万5000トークンを消費するところ、画像化により約2700トークンで済んでいます。

Chong氏によると、トークン消費の削減率は平均59〜70％に達します。Claude Fable 5を用いたデモでは、1回のセッション費用が42.21ドルから6.06ドルへと急減しました。

トレードオフは処理速度とハッシュ値の誤読

しかし、この手法には実用上の代償も伴います。

最大の課題は情報の欠損です。画像認識は非可逆処理であるため、ハッシュ値のようなランダムで正確性が求められる文字列は、画像から読み取る際に文字化けを起こすリスクがあります。また、テキストを直接読む代わりにビジョンエンコーダーを通過させる必要があるため、応答速度も低下します。

さらに、モデル側の高度な視覚認識能力が前提となります。pxpipeで標準対応しているのはClaude Fable 5とGPT 5.6のみです。Fable 5はランダムな数値を使った数学テストにおいて正解率100％を記録しました。

一方、過去のモデルでは読み取りエラーが目立ちます。Chong氏の検証によると、Opus 4.7や4.8は約7％の確率で画像内のテキストを読み違え、GPT 5.5も精度が落ちるため、これらは標準で無効化されています。

テキストを画像化して圧縮する発想自体は前例があります。Deepseekも文書を画像として処理するOCRシステムを開発しており、論文では97％の情報を保持したまま最大10倍の圧縮を達成したと報告されています。

なぜ重要か

pxpipeは、APIの課金ルールを逆手に取った極めてハッカーらしいコスト削減ハックです。

開発者にとって、Claude Fable 5のような高度な視覚認識を持つモデルで長大なツール文書を読み込ませる用途なら、試す価値は十分にあります。セッションあたり数十ドルの節約は魅力的です。ただし、ハッシュや鍵情報の厳密な一致が求められるタスクや、レイテンシを重視する環境では使うべきではありません。

プラットフォーム企業側にとっては、課金体系の歪みを突かれた形となります。ユーザーが高解像度画像に微細な文字を埋め込んでコストを回避し始めれば、プロバイダーは画像の課金基準を引き上げるか、あるいはテキストのコンテキストキャッシュ費用をさらに引き下げるなどの対抗策を迫られる可能性があります。