Meta Muse Spark 1.1の料金:請求額を決める4つのメーター

Meta Muse Spark 1.1の料金、フルレートカード

Metaはこれを2箇所で公表しており、両者は一致している。これは必ずしも当たり前のことではない。Meta for Developersブログには、従量課金は100万トークンあたり入力$1.25、出力$4.25から始まると記載されている。キャッシュレートと検索の項目はMeta自身の料金とレート制限ドキュメントに由来する。そしてOpenRouterのプロバイダー表も、Metaを唯一のプロバイダーとして同じ3つの数字を掲載している。

数字の話に入る前に、構造的なポイントを3つ挙げておく。これらがレートカードの意味を左右する。

リクエストごとの料金も座席ごとの料金もない。当たり前に思えるかもしれないが、ヘルプデスクベンダーがAIをどう計測しているかと並べてみると、そうでもないとわかる。GorgiasのAI料金はインタラクションごとに課金され、HubSpotのAI料金は意味を理解する前に頭の中で換算する必要のあるクレジット単位で課金される。

長文コンテキストの追加料金もない。Metaのドキュメントはこの点について明確で、コンテキストが埋まってもレートは変わらないとしている。これは実質的な差別化要因であり、比較表でOpenAIとGoogleがどうしているかを示した後、改めて触れる。

そしてバッチティアはまったく存在しない。MetaのAPIリファレンスをひと通り確認したが、見当たらなかった。最も近いのはチームごとに1分あたり600件のバックグラウンド送信という上限で、これは割引ではなくスループットの上限にすぎない。

4つのメーター、予算を組んだはずのメーターが実は一番小さい

新しいモデルAPIが出るたびにエンジニアが犯す間違いはいつも同じだ。ページに載っている2つの数字だけを読み取り、そのままスプレッドシート全体を組み立ててしまう。Muse Spark 1.1は同時に4つのメーターを動かしている。それぞれの挙動は大きく異なり、入力レートと出力レートだけでは請求額を予測できない。

自分の数字を4つすべてに当てはめて、実際に支出を左右しているのはどれかを確認してみてほしい:

動くのはメーター3

Muse Spark 1.1は答える前に「考える」。Metaの開発者ブログもそのことをはっきり述べており、その思考に費やされたトークンはレスポンスのusage.completion_tokens_details.reasoning_tokensとして返ってくる。これらは出力レートで課金される。

つまり$4.25という表示価格は、あなたが目にすることのないトークンにも適用されているということだ。その量がどれだけ膨らむかはreasoning_effortで決まり、minimalからxhighまでの範囲で設定できる。パラメータ1つで、どのモデルを呼び出すかという選択よりも請求額に対する影響力が大きい。

これは、Meta自身のベンチマークスコアに対してコストを見積もりにくい理由も説明している。Metaの評価レポートに載っているMuse Spark 1.1の結果はすべて、APIが提供する中で最も高価な設定であるxhighの推論エフォートで実行されたものだ。つまり、公表されている性能と安価なレートカードは、同じ設定について語っているわけではない。

Artificial Analysisはこの冗長さに数字を当てはめている。Artificial Analysisによれば、Intelligence Indexの全実行を通じてMuse Spark 1.1は9,400万の出力トークンを生成しており、同クラスの中央値である6,300万を上回っている。AAはこれを「やや冗長」と評しており、そのティアの中央値よりおよそ49%多い。タスクあたりに換算すると、約22,000の出力トークンとなる。

キャッシュ入力は、すでに適用されている割引

$0.15というキャッシュレートは、新規入力よりも8.3倍安い。だがそれ以上に重要なのは、これがオプトインではないという点だ。Metaの料金ドキュメントには、安定したプレフィックスは自動的にキャッシュされると記載されており、設定すべきフラグもなければ、誰かが管理すべきキャッシュキーもない。

Hacker Newsの実務者たちは、見出しのレートよりもこちらこそが本当のニュースだと見抜いていた:

「そう、これはxAIのGrok 4.5と最も直接的に比較できる。どちらの場合も、方向性としては『haiku並みの価格でopus並みの知能』ということで、こうしたモデルを自分のアプリケーションに組み込みたい開発者にとっては本当に大きな意味を持つ。私はhaikuとsonnetをGrok 4.5に置き換えるテストをしていて、これも試してみるかもしれない（特にキャッシュ利用時にはかなり安くなる）。」

mchusma, Hacker News

同じスレッドの別の人物は、キャッシュ比較を声に出すように計算していた:

「Grok 4.5は100万キャッシュ入力トークンあたり$0.50と比較的高いレートだが、このモデルは$0.15だ。」

Aurornis, Hacker News

OpenRouterは自身のモデルページで、プロンプトキャッシュが働くと、コンテキストの繰り返し具合によっては実効価格がプロバイダーの定価より60〜80%下がりうると述べている。そして固定のシステムプロンプトの末尾にユーザーのターンだけが入れ替わる形で運用しているなら、まさにその状況に当てはまる。

Web検索グラウンディングは別枠で課金される

4つ目のメーターは見落とされがちだが、それはこれがそもそもトークンレートではないからだ。リクエストをWeb検索でグラウンディングすると、そのリクエストが消費するトークンに加えて、1,000クエリあたり$2.50がかかる。出力と比べれば、クエリ数が多くても金額は小さく収まる。ただし小さいことはゼロであることを意味しない。そしてこれは、あなたが送る呼び出しの回数ではなく、モデルが「調べる必要がある」と判断する頻度に比例して増える。

テキスト以外の入力は逆のパターンをたどる。画像、動画、音声、PDFはすべてモデルのドキュメントに入力モダリティとして記載されているが、そのどれにも独自の公表レートはない。これらは入力トークンに変換され、$1.25で課金される。多くのベンダーより単純ではある。だがその一方で、まずトークン化を測定してみるまでは、マルチモーダルなワークロードの見積もりができないということでもある。

実際に請求額を予測する数字

3つのトークンメーターを、繰り返される実際のワークロードに近い比率——キャッシュ読み込み7、新規入力2、出力1——で加重すると、Muse Spark 1.1は100万トークンあたり$0.78に着地する。これこそが私なら予算に入れる数字だ。$1.25でも、$4.25でもない。

さらに良いのは、タスク単位で丸ごと測ることだ。AAはまさにそれを行っており、このモデルが最も強く見えるのはそこだ:

本当に説得力のある比較は、ボードの最上位との比較ではない。1つ下の行だ。Muse Spark 1.1はAAのインデックスで51というスコアを、タスクあたり約$0.29で叩き出している。Gemini 3.6 Flashは50というスコアを約$0.56で出している。インデックスで1ポイント高いのに、タスクあたりのコストはおよそ半分——これがこのモデルの主張のすべてであり、独立した計測の下でもそれが成り立っているのは、たいていのローンチ時の主張以上の裏付けだ。

Meta自身のローンチ時のチャートも同じ主張を視覚的に示しており、上限について正直に描いている点は評価できる。

Muse Spark 1.1の料金を他と比較する

以下の数字はすべて、各ベンダー自身が公表している100万トークンあたりの定価（標準ティア）で、2026年8月5日時点で確認済み。

この表には2つの注記があり、それらは並び順以上に多くを決めている。

Sonnet 5の$2/$10は導入価格だ。Anthropic自身の注記によれば、これは2026年8月31日までで、その後$3/$15に上がる。つまり9月1日以降、Sonnet 5の出力コストはMuse Spark 1.1の出力コストの3.5倍になる。

GPT-5.6はプロンプトサイズによってティアが変わる。短文コンテキストの閾値を超えると、Solは入力$10・出力$45に跳ね上がり、Terraは$4・$18になる。Gemini 3.1 Proも200kトークンを超えると同じことをする。

Muse Spark 1.1は100万トークンに至るまでずっと単一のフラットレートを公表している。長文コンテキストのエージェントワークロードにとって、これは基本レートの多少の違いよりもはるかに価値がある。並べて比較したいなら、OpenAIの全モデル一覧にラインナップがまとまっている。

Hacker Newsの誰もが感心していたわけではない。目を通しておく価値のある2つのコメントがある:

「これは補助金なんかじゃない。無名モデルにしては高すぎる。」

ycui7, Hacker News

「GLM 5.2の盛り上がりはこれよりずっと前から起きていた。xAIもMetaも、実質的に違うことをしているわけではない——結果も価格も（GLM 5.2と）似たようなものだ。」

re-thc, Hacker News

どちらも妥当な指摘だ。Muse Spark 1.1は、すでに存在するコホートの中で競争力のある価格設定になってはいるが、そのコホートを大きく下回っているわけではない。

誰も読まないコストの上限、それがレート制限

レートカードはトークン1つのコストを教えてくれる。レート制限はそれをいくつ買うことを許されているかを教えてくれる。そしてエージェントのワークロードにとっては、後者の方が厳しい制約になる。

Metaの料金とレート制限ドキュメントによると、これに加えてチームごとに1分あたり600件のバックグラウンド送信が可能。この表の下には、表そのものより重要な詳細がある:

• 無料ティアの形が特殊だ。 トークンの上限は有料ティアの半分なのに対し、リクエストの上限は50分の1しかない。1分あたり60リクエストで200万トークンという構成は、無料ティアが少数の非常に大きな呼び出し向けに作られていることを意味する。1分間に何百回もAPIを叩くようなおしゃべりなエージェントループ向けではない。
• 制限はキーごとではなくチームごと。 Metaのドキュメントには、1つのチーム内の複数のキーはすべて同じクォータを共有すると明記されている。つまり、キーを複数に分散させるというよくある手法は、ここでは何も得られない。
• クォータは可視化されている。 成功したすべてのレスポンスにx-ratelimit-remaining-tokensとx-ratelimit-remaining-requestsが含まれており、推測ではなく実際の数字に基づいてバックオフできる。

Metaが公表していないこと

空白を推測で埋めるより、正直に「わからない」と言う方がいい。ここでは、Meta自身のページのどこにも見つけられなかったことを挙げる。

バッチ割引なし。 Metaの2大競合はどちらも50%のバッチティアを掲載している。Metaは何も掲載しておらず、そもそもAPIリファレンスに割引対象となるバッチエンドポイント自体が存在しない。

モダリティ別のレートなし。 画像、動画、音声、PDFはすべて対応する入力形式だが、いずれも単位あたりの価格は公表されていない。これらは入力トークンとして課金され、動画のワークロードを見積もる必要が出てくるまでは問題にならない。

$20クレジットの有効期限なし。 Metaの開発者ブログは、この無料クレジットがアカウントごとに一度限りであることを確認しているが、いつ失効するかを述べているページはどこにもない。

データ保持について確認するにはスレッド1本を要した。 Hacker News上でまず不満として持ち上がり、そこから実際の発見へとつながった。これはある意味最も有用な種類の情報源だ:

「有料APIのトークン課金利用に関するデータ保持ポリシーの情報はどこにあるのか?他のプロバイダーはみなポリシーを用意していて、データの扱い方を明確にしている。ざっと見た限り、この新サービスにはそれが見当たらない。」

bradfa, Hacker News

「有料プロンプトは学習に使われない。データ保持については完全には明確ではなく、規約違反だと判断すれば保持されるが、違反していないと判断した場合にどれくらいの期間保持されるのかははっきりしない。」

bradfa, Hacker News

Meta Oneのコンシューマー価格なし。 Metaのヘルプページは、有料のコンシューマーサブスクリプションが限定テストとして存在することを確認しており、Meta OneのティアとしてPlus、Premium、Advanced、Expert、Maxという名前を挙げている。だがどのティアにも金額はどこにも記載されていない。だから、他所で見かけるコンシューマー価格は、未確認の情報として扱ってほしい。コンシューマー向けのMeta AI自体は引き続き無料で、Muse Spark 1.1はすでにThinkingモードでそこに無料公開されている。モデルを評価する目的だけでAPIアクセスに課金する前に知っておく価値がある。

請求の前に立ちはだかるゲート

この料金体系は現時点では米国外からはまだ利用できない。Meta自身のローンチ記事は、Meta Model APIを米国の開発者向けパブリックプレビューと位置付けており、OpenRouterも自身のモデルページで同じ国別制限を設けている。回避する方法はない。

開発者たちはこれにまともにぶつかった:

「APIへのアクセスを試みたが、どうやらこのモデルAPIは自分の地域では利用できないようだ……」

minraws, Hacker News

「試すためにどこでサインアップすればいいのかわからない。料金は?APIなのかサブスクリプションなのか、一体何なのか?」

whinvik, Hacker News

ここには順番待ちリストもなければ、承認のステップもない。Metaのクイックスタートは、ダッシュボード、APIキー、キー作成だけだ。APIはOpenAI SDK互換なので、ベースURLを差し替えるだけでインテグレーション作業の大半が済む。利用資格の制限はドキュメントではなくマーケティングページに書かれているため、多くの人がサインアップして初めてそれに気づく。

サポートチームにとって、100万トークンあたりのコストは間違った単位

ここで、このレートカードが誰向けのものかについて率直に言っておくべきだろう。コーディングエージェントやリサーチツールを作っているなら、ブレンドレート$0.78は良い取引で、性能があなたの基準を満たすかどうかはMuse Spark 1.1のレビューを見てほしい。

だが、AIが顧客対応にいくらかかるのかを知りたいなら、トークンはそもそも間違った分母だ。単位は解決済みチケットであり、その単位でのばらつきは非常に大きい。実際の数字を持っているあるEコマースアカウントは、週に約700件のチケットを1件あたりおよそ$1.07で処理していた。eesel自身の従量課金レートはプラットフォーム料金なしで1件あたり$0.40であり、eeselの料金ページですぐに確認できる。土台となっているモデルのクラスは同じだ。それでも2倍以上の差があり、それはすべてモデルの周りにあるものによって生まれている。

そして、モデルが「正しい」ことと「そのまま使える」ことの間のギャップは、どんな価格差よりも大きい。ZendeskとShopifyで月に約1,000件のチケットを処理しているドイツの宝飾品小売業者が、実トラフィックに対してeeselのクロスバリデーション付きトライアルを行った。結果は、受信箱の22%を占めていたスパムに対してトリアージ精度93%、スパム検出100%で誤検知ゼロ、ドラフトの方向性の正確度88%、そしてそのまま送信されたドラフトはわずか12%、事実誤認率は7%だった。

この最後の2つの数字を合わせて読んでほしい。方向性が正しいのは88%、そのまま使えるのは12%。エージェントがなぜドラフトを書き直していたのかを分解してみると、約65%は長さとトーンの問題、約20%はERPや物流など、まだ接続されていないデータが必要なケース、そしてeeselが事実として誤っていたのはわずか約5%だった。モデルの品質は問題全体のうち5%にすぎなかった。残りはコンテキスト、声のトーン、インテグレーションの深さであり、これはまさに安いトークンレートでは何も解決しない部分だ。この議論はRAG対LLMと誤った回答をする理由で扱っており、その解決策はモデルのアップグレードよりもエージェントのコーチングに近いところにある。

レートカードが値段をつけられないもう一つのものは、「いつ何も言わないべきか」を知っていることだ。月に約7,000件のGorgiasチケットを処理しているDTCサプリメントブランドのCXリードが、私より上手くそれを言い表していた:

「AIが100%の質問に答えられるようになることは絶対にない。でも、もしAIが無理に答えようとして『すみません、わかりません』とだけ返すなら、私は7,000件のチケットすべてをチェックしてAIが本当に良い回答をしたか確認することはできないし、そうなるとやる意味が少し薄れてしまう。私が必要としているのは、自信を持って対応できるチケットだけを扱い、それ以外はそのままにしておいてくれるAIだ。」

これは信頼度の閾値とエスカレーションパスの組み合わせだ。モデルの問題ではない。プロダクトの作り込みの問題であり、だからこそAIのハンドオフや人間への引き継ぎに、モデル選定よりもずっと多くの時間を費やしている。

Meta Model APIの上に自前で構築するのも現実的な選択肢であり、そうではないふりをするつもりはない。実際、eeselを離れてフロンティアAPIの上に直接構築したチームもあり、それがうまくいったケースもある。ただ、そのトレードオフについて正直なところを語ってくれたのは、300記事のConfluenceとTelegramのナレッジベースを持つビットコインATM企業のエンジニアリングリードで、彼らは逆の道を選んだ:

「自前のLLMアプリケーションを書くこともできたが、そこに時間を投資したくなかった。私たちが欲しかったのは、メンテナンスしなくていいものだった。」

モデルは一度たりとも難しい部分ではなかった。難しかったのはメンテナンスだ。この分岐点をきちんと整理して知りたいなら、AnthropicとOpenAIのAPI比較とAgentKitの料金のどちらも、トークン以外の部分を数え入れたときに構築という道が実際いくらかかるのかを扱っている。

自分のチケットでeeselを試す

APIの実験ではなく、サポートAIの予算を考えてここにたどり着いたのなら、トークンの計算は飛ばしていい。eeselのAIヘルプデスクエージェントは、すでに持っているヘルプセンターと過去のチケットを読み込み、プラットフォーム料金なしで1チケットあたり$0.40を課金する。

すでに使っているヘルプデスクにそのまま接続できる。Zendesk、Freshdesk、Gorgiasを含め、チームの誰も新しいツールを覚える必要なく価値を得られる。

ナレッジソースも同じように接続できる。Confluence上にあるヘルプセンターは、移行プロジェクトを経ることなく初日からソースになる。

誰かに実際に答える前に、あなた自身の過去のチケットに対してシミュレーションを行うので、解決率とコストはまず実際のトラフィックに対して確認できる。この工程こそが、88%と12%というトライアルを「出荷する価値のあるもの」に変えた。Zendeskを使うギグエコノミーのドライバーアプリが7日間のトライアルを実施し、Gridwiseは最初の1か月でtier-1リクエストの73%を解決した。

無料で試すことができ、何かにコミットする前に数字が自分自身のキューに反映される。まずツールを比較したいなら、出発点として最高のAIヘルプデスクソフトウェアと最高のAIエージェントのまとめ記事があり、AIカスタマーサービスのコストでは解決あたりのコスト計算をきちんと扱っている。

Muse Spark 1.1の料金についての結論

$1.25と$4.25は本物で、確認済みの数字だが、実際の請求額を決める数字ではない。ブレンドレート$0.78とタスクあたり$0.29を基準に計画するべきだ。キャッシュによる割引はすでに自分のために働いていると想定し、reasoning_effortは実質的な価格調整ダイヤルとして扱うべきだ。100万トークンにわたるフラットレートはOpenAIやGoogleに対する実質的な優位性であり、バッチティアの欠如は実質的なギャップであり、米国限定というゲートは、他のすべてが意味を持つ前にまず突き当たる制約だ。

サポート業務のワークロードについては、フレームを見誤らないでほしい。トークン価格は解決済みチケットあたりのコストを構成する一つの要素にすぎない。最大の要素ではない。

それがあなたの本当の疑問なら、それぞれの要素についてさらに深く扱った記事がある。成果についてはサポートチケットの自動化、仕組みについてはチケットトリアージ、そしてそれが実際に機能したかを測るには解決率。

そして経理担当から支出の説明を求められたときに、彼らが本当に見たいと思う比較はAI対人間のコストだ。