2026年のSillyTavernの外部メディア：本音のレビュー

SillyTavernの外部メディアとは、AIキャラクターに送るメッセージに画像、音声ファイル、そのほかのメディアを添付できる機能のことです。有効にすると、キャラクターのコンテキストにメディアのメタデータや説明が含まれ、AIがそれに気づいて反応できるようになります。この機能は、KoboldAI、OpenAI（GPT-4Vなどのビジョンモデル）、Claudeを含むいくつかのAPIバックエンドで対応しています。メディアはAPIに応じて、通常はテキストの説明かbase64でエンコードされた入力に変換されます。たとえば夕日の画像なら、AIが「穏やかな海の上に広がる暖かいオレンジ色の空」と描写し、キャラクターがそれをロールプレイに取り入れられます。外部メディアはデフォルトでは無効で、拡張機能の設定で手動で構成する必要があります。創作、ビジュアルでの物語づくり、インタラクティブな冒険を豊かにする強力なツールですが、トークンの使用量と応答時間も増えます。

SillyTavernの外部メディアを有効にするには、まず対応するAPIを使っていることを確認します。OpenAIならGPT-4V以降、KoboldAIならLLaVAのようなビジョン対応モデルを使います。SillyTavernの画面を開き、Extensionsメニュー（パズルのピースのアイコン）に移動します。「External Media」または「Media Upload」拡張機能を見つけてオンにします。最大ファイルサイズ（例：5 MB）と許可するファイル形式（png、jpg、mp3）の設定が必要な場合もあります。次に、APIのエンドポイントを構成します。OpenAIを使う場合はモデルを「gpt-4-vision-preview」に設定し、APIキーにアクセス権があることを確認します。KoboldAIの場合は、ビジョン対応モデルを動かしているローカルインスタンスを指定します。有効にすると、チャット入力欄にメディアのアップロードボタン（カメラまたはクリップのアイコン）が表示されます。画像や音声ファイルをアップロードして、メッセージを送信します。AIはメディアを処理し、それに触れた応答を生成します。一部のAPIは画像処理にトークン単位で課金するので、使用量に注意しましょう。

SillyTavernの外部メディア拡張機能は、画像（JPEG、PNG、GIF、WebP）、音声（MP3、WAV、OGG）、そして構成によっては動画やPDFにも対応しています。ファイルサイズの上限はAPIの提供元によって異なります。OpenAI GPT-4Vでは画像1枚あたり最大20 MBですが、大きな画像は縮小されます。KoboldAIのローカルモデルは上限が低めで、通常1ファイルあたり5〜10 MBです。音声ファイルは、OpenAIのWhisper連携では通常25 MBまでです。SillyTavern自体は厳密な上限を設けていませんが、拡張機能の設定で最大アップロードサイズ（デフォルト5 MB）を決めたり、特定のMIMEタイプをブロックしたりできます。ロールプレイでは、素早く処理できる2 MB未満の画像が最適です。アニメーションGIFにも対応していますが、一部のAPIでは静止フレームとして扱われることがあります。音声の文字起こしにはWhisperが使われ、30秒のクリップを処理できます。動画のアップロードは試験的な機能で、フレームへの変換が必要です。

外部メディアの動作はAPIバックエンドによって異なります。OpenAI GPT-4Vでは画像がネイティブに処理され、モデルは画像を見て正確に描写できます。キャラクターの肖像を共有するなど、ビジュアルでの物語づくりに最適です。LLaVAなどのマルチモーダルモデルを使うKoboldAIも画像に対応していますが、品質はモデルのサイズ（7Bか13Bのパラメーター）によります。音声については、OpenAIのWhisperが話し言葉を文字起こしし、それがチャットのコンテキストに入るので、キャラクターが聞いて応えられます。プロキシ経由のClaude（Anthropic）も画像入力に対応しています。ただし、すべてのモデルがマルチモーダルなわけではありません。テキスト専用のモデルを使うと、メディアは無視されるか、テキストのリンクとして付け加えられます。最良の結果を得るには、ビジョンや音声向けに設計されたモデルを選びましょう。SillyTavernのwikiにはバックエンドごとの対応モデルが載っています。メディアの処理には余分なトークンがかかることも覚えておきましょう。画像1枚で1,000トークン以上かかることもあるので、予算を考えておきましょう。

SillyTavernへの外部メディアのアップロードには、プライバシー上の影響があります。OpenAIのようなクラウドAPIを使うと、画像や音声は相手のサーバーに送られ、そのプライバシーポリシーに従って処理されます。機密性の高いコンテンツには、マルチモーダルモデルを使ったKoboldAIやllama.cppのようなローカルAPIを検討し、すべてのデータを自分のマシンに置いておきましょう。SillyTavernはメディアを永続的には保存しません。チャットのコンテキストの一部として送信され、チャットログを保存すればそこに残る場合があります。拡張機能の設定でメディアのログ記録を無効にできます。また、一部のAPI（OpenAIなど）は、オプトアウトしない限りアップロードされた画像をモデルの学習に使うことがある点にも注意しましょう。APIの提供元のデータの取り扱い方針を必ず確認してください。プライバシーを最大限に守るなら、LLaVA 13Bのようなモデルを使ってすべてをローカルで動かしましょう。外部に送信せずにGPUで画像を処理できます。

外部メディアが送信できない場合は、まずAPIキーにビジョンや音声のエンドポイントへの権限があるか確認しましょう。SillyTavernのコンソール（F12）でエラーメッセージを確認します。「400 Bad Request」は、ファイルが大きすぎるか形式に対応していないことが多いです。画像の解像度を1024x1024ピクセルに下げるか、JPEGに変換しましょう。音声は25 MB未満で、正しくエンコードされている（Whisperならモノラル、16kHz）ことを確認します。モデルがメディアを無視する場合は、おそらくマルチモーダルに対応していないので、GPT-4VかLLaVAに切り替えましょう。よくあるもうひとつの問題は、「External Media」拡張機能が無効になっているか、「Character Expressions」などのほかの拡張機能と競合していることです。ほかの拡張機能を1つずつ無効にして、競合を特定しましょう。ロールプレイのシナリオでは、キャラクターカードにメディアに反応する指示が含まれていないと、AIがメディアに応えないことがあります。キャラクターの説明に「ユーザーが送った画像を見ることができる」という一文を加えましょう。設定を変えたらSillyTavernを再起動してください。