本資料はPC閲覧推奨

PDF生成中...

Internal — Comparison Note
カロミルAPI 代替調査
食事画像解析API の候補をコスト・精度・採用実績で横並び比較した内部メモ
作成
2026-05-19
担当
Gonmura 吉田
用途
社内検討 / 引き継ぎ
状態
PoC未実施 / 数値は仮定ベース
01 サマリー:候補5つを「画像認識AI × 栄養素DB」で比較 3,000ユーザー想定 / カロミルAPI の ①AI + ②DB の2層構造を軸に置換可能性を評価
カロミルAPI 現行 あすけん API 国内代表 汎用LLM + 文科省成分表 第一候補 Edamam Vision Plus 専用API
構成タイプ 独自AI × 独自DB 独自AI × 独自DB 汎用LLM × 公的DB 独自AI × 独自DB
① 画像認識AI 独自自社開発DL20万画像学習 / 識別率82% / 日本食特化 独自自社ホスト 生成AISageMaker + Gemma-3-4b-it(tech blog 言及)/2025/5刷新で精度+25% 汎用マルチモーダルLLMGoogle/OpenAI の既製モデルを呼び出すだけ。下記から選択
推奨Gemini 2.5 Flash≈23,000円/月
最安Gemini Flash-Lite≈4,700円/月
代替GPT-4o mini (Azure可)≈40,500円/月
独自Edamam Vision食品特化 Vision API(2025/9 リリース)
② 栄養素DB 独自自社食事DB30万件(自社整備)/日本食特化 独自自社栄養素DB規模非公開/会員1,300万人の利用データ蓄積/日本食特化 公的文部科学省 食品標準成分表 八訂2,478食品 × 54項目/無料・商用可 独自Edamam 食品DB90万食品(米国中心・日本食やや弱め)
月額(3,000U想定) 500,000円画像解析API: 約400,000円
栄養成分表示API: 約100,000円
≈150,000〜400,000円推測公式は要問合せ。個人プレミアム月480円×法人割と類似SaaS相場から類推 ≈4,700〜40,500円 ≈224,850円
初期費用 800,000円画像解析API: 500,000円
栄養成分表示API: 300,000円
要問合せ推測根拠なし 0円 0円
年間合計(初年度) 6,800,000円 ≈1,800,000〜4,800,000円推測月額のみ×12(初期費用は不明) ≈56,000〜480,000円 ≈2,640,000円
日本食 認識精度 ★★★ 最高自社DL + 日本食30万件DB/識別率82%/国内最適化 ★★★ 高会員1,300万人の利用データで学習/2025/5刷新で +25%(asken公式) ★★ 中〜高 (要PoC)汎用LLM のため日本食での実測値は未取得。CalCam事例で満足度+20%実証あり ★★ 中米国食データ中心。日本食はやや弱い(公式言及)
採用実績 / 信頼性 LINE AIアシスタント/国立長寿医療研究センター/京都大学/獨協医科大/電通「SCAN DA CAN」30社以上採用(大学・医療機関・研究系中心) asken(会員1,300万人超)/国内シェアトップAPI は asken/ウィット社提供(B2B 実例は非公開が多い) CalCam (Polyverse, Google公式事例) / Mercedes-Benz MBUX / Snap "My AI" / Sky株式会社 (Enterprise全社) / イオンリテール (Extract System)食事領域は CalCam が同方式で本番運用。BMW は工場AI(SORDI.ai)、Toyota は AI基盤運用中・Gemini活用は検討段階 Edamam 全体では Nestlé / Samsung / Microsoft / Amazon 等Vision API は 2025/9 リリースの新製品。Vision Plus 固有の公開採用事例はまだなし
比較の本質:「独自AI × 独自DB」vs「汎用LLM × 公的DB」。カロミル/あすけん/Edamam は 自社開発のAI と 自社整備のDB の組み合わせで高精度を実現する代わりに高コスト。第一候補は 既製の汎用LLM と 文部科学省の公的成分表 を組み合わせるアプローチで、月額コストを ▲95% 圧縮できる代わりに日本食認識精度は PoC 実測待ち。栄養素値は LLM ではなく公的DBから引き当てるため、LLM の誤差は栄養素値に乗らない設計。

※ 文科省成分表 = 文部科学省「日本食品標準成分表 2020年版(八訂)」(2,478食品×54項目、無料・商用可)。
※ 他に調査した候補(Passio / FatSecret / Spike / Calorie Mama / LogMeal / Foodvisor / あすけん / カロママ / ソニーX.SINCE / FoodLog)はいずれも価格・採用実績の面で上記5候補に劣後、または価格非公開のため除外(詳細は estimate/gemini-cost-comparison.md 参照)。

02 食事管理アプリでの汎用LLM採用事例 第一候補と同方式(汎用LLM + 自社/公的DB のハイブリッド)の公開事例
サービス 提供元・規模 用途 採用モデル 効果
CalCam完全同方式 Polyverse食事トラッキングアプリ 食事写真→料理識別+分量推定。LLM が画像認識を担当し、別途の栄養素DBから値を引き当てる構成(本提案と同設計 Gemini 2.0 FlashGoogle Developers Blog 公式事例(2025/3) 満足度 +20%
応答速度 約1秒高速化
Healthify(HealthifyMe)独自AI→汎用LLM 置換 インド最大の健康プラットフォーム会員 4,000万人超 食事画像 → 食品識別・カロリー計算+AIコーチング "Ria"。従来の独自CNNモデルから GPT-4 Vision へ移行した明確な置換事例 GPT-4 Vision(画像)
GPT-3.5 / GPT-4 Turbo(テキスト)OpenAI Customer Stories
食事記録率 +50%
会話長 2倍
体重減効果 +70% (Stanford)
Oviva AGGemini を比較選定 欧州の食事・栄養管理医療プラットフォーム医療向けB2B 食事写真 → 食品解析 → パーソナライズ栄養フィードバックのリアルタイム提供。OpenAI を評価した上で価格と GCP インフラを理由に Gemini を選択 Gemini(Vertex AI 経由)Google Cloud 公式ブログ(2025/5) 食事選択への自信向上
継続率改善(定性評価)
Cal AIMyFitnessPalが買収(2025) 米国・10代創業DL 500万超/月収 $2M超 食事写真 → カロリー・マクロ栄養素の即時記録。複数LLMを食品種類で使い分け+RAGでオープン食品DBと組み合わせ Anthropic Claude + OpenAITechCrunch 報道(2025/3) 認識精度 90%
GPT Food Cam個人開発iOSアプリ 個人開発最小実装例 食事写真 → カロリー範囲の推定・食事記録。Gemini を食事カロリー推定に使う最もシンプルな公式言及 Google Gemini公式サイト FAQ で明記 記載なしホビープロジェクト規模

2026/5時点で「食事管理 × 汎用LLM」公式一次ソース確認事例は5件(CalCam / Healthify / Oviva / Cal AI / GPT Food Cam)。
出典:OpenAI Customer Stories(Healthify)/Google Developers Blog(CalCam)/Google Cloud Blog(Oviva, 2025/5)/TechCrunch(Cal AI, 2025/3)。

03 懸念点(第一候補:汎用LLM + 文科省成分表) 最大懸念は「精度」── ①画像から食材を識別する精度 + ②食材DBのデータ量の少なさ

① 画像認識精度(汎用LLM が日本食をちゃんと識別できるか)

観点内容
現状 PoC 実測なし、未確定。汎用LLM(Gemini / GPT-4o mini 等)が日本食・キッコーマン商品をどこまで正確に識別できるかは未検証。
カロミルとの差 カロミル自社DL は日本食特化・識別率82%。汎用LLMは日本食コーパスでの専用学習なし。インドや欧米料理は CalCam・Healthify・Oviva 等で実証済みだが、日本食での精度実測は公開されていない。
影響範囲 料理識別ミス → 栄養素引き当てミス → ベジサポ350の野菜量・MUKUme の塩分量が誤算される可能性。

② 食材DB(文科省成分表)のデータ量の少なさ

観点内容
規模の差 文科省成分表 2,478食品(八訂・増補2023版)× 54項目 vs カロミル独自DB 30万件約120倍の差。汎用食材ベースは公的DBで足りるが「商品名・銘柄」の解像度は大きく劣る。
カバーされる範囲 一般食材(米・肉・魚・野菜・調味料の汎用カテゴリ)と基本料理(味噌汁・親子丼など定番和食)は網羅。栄養素54項目は完備。
カバーされない範囲 ① キッコーマン特定銘柄(「いつでも新鮮 味わいリッチ 減塩しょうゆ」等の正確な塩分量)/② 外食メニュー(〇〇店オリジナル親子丼の実測値)/③ コンビニ商品・加工食品ブランド差異 /④ 新商品全般。
影響範囲 キッコーマン主要商品(しょうゆ・特保系・減塩系)を「商品名」で識別したいユースケースでは精度が落ちる。「しょうゆ」一般としては正確だが「減塩しょうゆ」とそうでないものを区別できない。

いずれも PoC 実施時に検証可能。本資料の試算値は PoC 未実施段階のものなので、確定値として顧客に提示しないこと。

04 「野菜・果物どれくらい足りない?」機能のロジック 顧客要望:食材識別+栄養素分析の結果に対し、国の推奨摂取量との不足量を提示したい

国が示す推奨摂取量(健康日本21 第三次、2024/4 施行)

対象推奨量(1日)
野菜 350g/日(緑黄色野菜 120g + 淡色野菜 230g)
果物 200g/日(可食部、果物ジュースは含めない指針あり)

対象は20歳以上。子供は 食事バランスガイド の年齢別目安(1〜2歳180g、3〜5歳240g、6〜7歳270g、8歳以上は成人と同等350g)を併用する想定。出典:厚生労働省「健康日本21(第三次)」/農林水産省「毎日くだもの200グラム!」

実装ロジック(処理フロー)

Step 1
画像→食材+分量
Gemini Flash が料理名・食材リスト・各g数を構造化JSONで返す
Step 2
野菜/果物 判定
文科省成分表の食品群コード(06類=野菜類 / 07類=果実類)で各食材を分類
Step 3
1日累計+不足量
朝昼晩+間食を累計し、推奨値(350g / 200g)との差分を表示

具体例:ユーザーが昼食に「中華丼」を撮影した場合

中華丼
📷 ユーザーが昼食に撮影
(中華丼)

Step 1: Gemini Flash の出力(JSON)

{ "dish": "中華丼", "items": [ {"name":"白菜", "g": 80}, {"name":"人参", "g": 30}, {"name":"たけのこ","g": 30}, {"name":"玉ねぎ", "g": 20}, {"name":"ピーマン","g": 15}, {"name":"きくらげ","g": 5}, {"name":"豚肉", "g": 60}, {"name":"えび", "g": 30}, {"name":"うずら卵","g": 20}, {"name":"白米", "g":250} ] }

Step 2: 食品群マッチング(文科省成分表ID)

食材食品ID食品群g
白菜0623306 野菜80
人参0621406 野菜30
たけのこ0614906 野菜30
玉ねぎ0615306 野菜20
ピーマン0624506 野菜15
きくらげ0800608 きのこ5
豚肉1112911 肉類60
えび1031910 魚介30
うずらの卵1200212 卵類20
白米0108801 穀類250

06類のみ野菜としてカウント。きのこ類(08)は健康日本21では野菜とは別扱い。

Step 3: 昼食の野菜・果物合計

🥬 野菜合計:175g(白菜80+人参30+たけのこ30+玉ねぎ20+ピーマン15)  |  🍎 果物合計:0g

Step 4: 1日累計+不足量の表示(朝・昼・晩を統合)

食事料理野菜 g果物 g
朝食食パン+目玉焼き+バナナ0100
昼食中華丼(本例)1750
夕食(想定)サラダ+焼き魚+味噌汁+ご飯1000
1日累計275g / 350g100g / 200g
📱 ユーザーへの表示イメージ
今日はあと 野菜 75g果物 100g 足りません。
→ 補完候補:キッコーマンの減塩スープ・野菜たっぷりメニュー、果物(みかん2個=約150g)など

本機能の核は Step 2 の食材→食品群コード正規化。Gemini が返す食材名(自由テキスト)を MEXT 食品ID にマッピングする辞書/あいまい一致ロジックの精度が品質を決める。PoC スコープに含めて実測する想定。エッジケース(野菜ジュースの扱い・果物ジュースは健康日本21指針で果物カウント除外・きのこ類の取り扱い)は運用ルールで別途定義。出典:「厚生労働省・健康日本21(第三次)」「食事バランスガイド(農水省・厚労省)」。

05 参照ソース 一次ソース確認済み