本資料はPC閲覧推奨
PDF生成中...
| 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 |
※ 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)。
| 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)。
| 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。 |
| 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。
| 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!」
| 食材 | 食品ID | 食品群 | g |
|---|---|---|---|
| 白菜 | 06233 | 06 野菜 | 80 |
| 人参 | 06214 | 06 野菜 | 30 |
| たけのこ | 06149 | 06 野菜 | 30 |
| 玉ねぎ | 06153 | 06 野菜 | 20 |
| ピーマン | 06245 | 06 野菜 | 15 |
| きくらげ | 08006 | 08 きのこ | 5 |
| 豚肉 | 11129 | 11 肉類 | 60 |
| えび | 10319 | 10 魚介 | 30 |
| うずらの卵 | 12002 | 12 卵類 | 20 |
| 白米 | 01088 | 01 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。
| 食事 | 料理 | 野菜 g | 果物 g |
|---|---|---|---|
| 朝食 | 食パン+目玉焼き+バナナ | 0 | 100 |
| 昼食 | 中華丼(本例) | 175 | 0 |
| 夕食(想定) | サラダ+焼き魚+味噌汁+ご飯 | 100 | 0 |
| 1日累計 | 275g / 350g | 100g / 200g | |
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)」。