Qwen3.5 APIを無料で使う：OllamaとHugging Face入門ガイド
この記事について：Qwen3.5はApache 2.0ライセンスで公開されているため、完全無料・商用利用可能です。本記事ではOllama（最も簡単なローカル実行ツール）、Hugging Face（モデルダウンロード・Inference API）、そしてAlibaba Cloud API（OpenAI互換・月$0.18/Mtokから）の3つのアクセス方法を、実際のコード付きで徹底解説します。ChatGPT APIの月数万円の費用から解放される方法をお伝えします。
Qwen3.5へのアクセス方法：3つのルート
Ollama
Hugging Face
Alibaba Cloud API
方法1：Ollamaで最も簡単にQwen3.5を実行
OllamaはローカルでLLMを実行するためのオープンソースツールです。インストールからQwen3.5の起動まで、わずか2つのコマンドで完了します。Mac・Windows・Linuxすべてに対応しており、GPU（NVIDIA・AMD・Apple Silicon）を自動的に検出して最適化してくれます。
1 Ollamaのインストール
🍎 macOS
brew install ollama
🐧 Linux
curl -fsSL https://ollama.com/install.sh | sh
🪟 Windows
ollama.com から
インストーラをDL
2 Qwen3.5モデルのダウンロードと起動
Ollamaコマンド1つでモデルのダウンロードから起動まで自動的に行われます。PCのスペックに応じてモデルを選んでください。
# 軽量モデル（RAM 8GB推奨）
ollama run qwen3.5:4b
# 高品質モデル（RAM 16GB推奨）
ollama run qwen3.5:9b
# 超軽量モデル（RAM 4GB可）
ollama run qwen3.5:2b
# 利用可能なQwen3.5モデル一覧確認
ollama list
初回は自動ダウンロードが始まります。2Bモデルで約1.8GB、4Bで約3.2GB。以降は再ダウンロード不要でオフライン実行可能。
3 OllamaをAPIサーバーとして使う
Ollamaは自動的にOpenAI互換のRESTful APIサーバーを起動します（デフォルトポート：11434）。既存のChatGPT APIコードをほぼ変更なく移行できます。
from openai import OpenAI
# OllamaのローカルAPIを使用
client = OpenAI(
base_url='http://localhost:11434/v1',
api_key='ollama' # 不要だが必須引数
)
response = client.chat.completions.create(
model="qwen3.5:4b",
messages=[
{"role": "user", "content": "量子コンピュータを日本語で簡単に説明して"}
]
)
print(response.choices[0].message.content)
Open WebUI：ブラウザで使うChatGPT風UI
コマンドラインが苦手な方には、Open WebUIがおすすめです。Ollamaと連携してChatGPTそっくりのブラウザUIを提供します。
# Dockerがある場合（最も簡単）
docker run -d -p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data \
--name open-webui \
ghcr.io/open-webui/open-webui:main
# ブラウザで http://localhost:3000 を開く
# → Qwen3.5を選択してChatGPT感覚で使える！
方法2：Hugging Faceでモデルを直接ダウンロード
Hugging FaceはQwen3.5のオープンウェイトモデルが公式に公開されているプラットフォームです。Apache 2.0ライセンスで完全無料・商用利用可能。Transformersライブラリを使えば数行のコードでQwen3.5を実行できます。
1 Transformersを使ったQwen3.5の実行
# 必要なライブラリをインストール
pip install transformers torch accelerate
# Qwen3.5-4B-Instructを実行
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_name = "Qwen/Qwen3.5-4B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype=torch.float16,
device_map="auto"
)
# チャット形式で生成
messages = [{"role": "user", "content": "日本語でAIの未来を教えて"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512)
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:])
print(response)
2 Hugging Face Serverless Inference API（無料枠）
Hugging Face Hubアカウントを作成すると、一定量の無料Inference APIが使えます。GPUが手元になくてもクラウドでQwen3.5を試せます。
pip install huggingface_hub
from huggingface_hub import InferenceClient
client = InferenceClient(
model="Qwen/Qwen3.5-4B-Instruct",
token="YOUR_HF_TOKEN" # HF無料アカウントで取得
)
response = client.chat.completions.create(
messages=[{"role": "user", "content": "Pythonでフィボナッチ数列を生成して"}],
max_tokens=512
)
print(response.choices[0].message.content)
方法3：Alibaba Cloud API（本番環境向け）
本番アプリケーションやチームでの使用には、Alibaba Cloud ModelStudioのAPIが最適です。OpenAI SDKと完全互換のため、既存のChatGPTコードをbaseURLを変更するだけで移行できます。料金は1Mトークンあたり$0.18と、GPT-5.2 APIの約100分の1です。
APIキーの取得手順
1 Python（OpenAI SDK）での基本的な使い方
pip install openai
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ.get("DASHSCOPE_API_KEY"),
base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)
# Qwen3.5-Plusを使用（推奨）
response = client.chat.completions.create(
model="qwen-plus", # Qwen3.5-Plus
messages=[
{"role": "system", "content": "あなたは優秀な日本語AIアシスタントです。"},
{"role": "user", "content": "量子コンピュータについて詳しく教えて"}
],
stream=False
)
print(response.choices[0].message.content)
2 ストリーミング応答（リアルタイム生成）
# ストリーミングモードで文字を順番に受信
stream = client.chat.completions.create(
model="qwen-plus",
messages=[{"role": "user", "content": "日本の伝統文化を5つ説明して"}],
stream=True
)
for chunk in stream:
if chunk.choices[0].delta.content is not None:
print(chunk.choices[0].delta.content, end="", flush=True)
3 マルチモーダル：画像分析
# 画像URLを含むメッセージ（マルチモーダル）
response = client.chat.completions.create(
model="qwen-vl-plus", # ビジョンモデル
messages=[
{
"role": "user",
"content": [
{"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}},
{"type": "text", "text": "この画像に何が写っていますか？日本語で説明して"}
]
}
]
)
print(response.choices[0].message.content)
Alibaba Cloud APIで使えるQwen3.5モデル一覧
Qwen3.5 APIモデル一覧と用途
| APIモデル名 | 推定コスト | 特徴・用途 |
|---|---|---|
| qwen-plus（Qwen3.5-Plus） | $0.18/Mtok | 総合推奨・エージェント・コード生成 |
| qwen-max（Qwen3.5-Max） | $0.40/Mtok | 最高精度・複雑なタスク向け |
| qwen-turbo（Qwen3.5-Turbo） | $0.05/Mtok | 高速・低コスト・大量処理向け |
| qwen-vl-plus（ビジョン） | $0.21/Mtok | 画像・動画分析・OCR |
Function Calling（ツールコール）でAIエージェントを作る
Qwen3.5の最大の特徴の一つが内蔵ツールコール（Function Calling）です。AIが自律的に外部ツールやAPIを呼び出して複雑なタスクを完了できます。
# ツールコールの例：天気を調べるAIエージェント
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "特定の都市の天気を取得する",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "都市名（例：東京）"},
"unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
},
"required": ["city"]
}
}
}
]
response = client.chat.completions.create(
model="qwen-plus",
messages=[{"role": "user", "content": "東京の今日の天気を教えて"}],
tools=tools,
tool_choice="auto"
)
# Qwen3.5がget_weather関数を自動的に呼び出す
実用的なアプリケーション例
チャットボット構築
ウェブサイト用チャットボットをQwen3.5-TurboとOpenAI互換APIで構築。ChatGPT APIの100分の1のコストで同等の品質を実現できます。
文書自動処理
1Mトークンの超長コンテキストを活用して、大量の契約書・マニュアル・レポートを一括処理。月数百万円のコストを大幅に削減できます。
コードレビュー自動化
GitHub ActionsとQwen3.5 APIを連携して、プルリクエストのコードを自動レビュー。LiveCodeBench 83.6のスコアで高品質なレビューが可能です。
RAG（検索拡張生成）
社内ドキュメントをベクトル化してQwen3.5と連携するRAGシステムを構築。社内専用AIアシスタントを低コストで実装できます。
安定したAPI接続のためのネットワーク最適化
Alibaba Cloud APIのエンドポイントは主にシンガポール・米国にあります。日本国内から大量のAPIリクエストを送る場合、通常のインターネット回線では遅延やタイムアウトが発生することがあります。特に本番環境では接続の安定性が重要です。
💡 開発者向けTip：VPN07でAPI接続を安定化
- • Alibaba Cloud APIサーバーへの低遅延接続（シンガポール・東京ノード）
- • 1000Mbpsの超高速帯域で大量トークンを高速処理
- • Hugging Faceからの大型モデルファイル（数GB）の高速ダウンロード
- • 70か国以上のノードで本番環境の地域テストが可能
RAG（検索拡張生成）システムをQwen3.5で構築
RAG（Retrieval-Augmented Generation）は、社内ドキュメントや専門知識をAIに効率よく活用させる技術です。Qwen3.5とLangChainを組み合わせることで、費用対効果の高い企業内AIシステムを構築できます。
LangChain + Ollama + Qwen3.5でRAGシステム構築
pip install langchain langchain-community chromadb
from langchain_community.llms import Ollama
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import OllamaEmbeddings
from langchain.chains import RetrievalQA
from langchain.text_splitter import RecursiveCharacterTextSplitter
# Qwen3.5モデルを設定
llm = Ollama(model="qwen3.5:4b")
embeddings = OllamaEmbeddings(model="qwen3.5:2b")
# 社内ドキュメントを読み込んでベクトル化
with open("company_manual.txt", "r", encoding="utf-8") as f:
text = f.read()
splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
docs = splitter.create_documents([text])
vectorstore = Chroma.from_documents(docs, embeddings)
# RAG QAチェーンを作成
qa = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())
answer = qa.run("就業規則の有給休暇について教えて")
print(answer)
月間コスト比較：Qwen3.5 vs ChatGPT API
実際のビジネス使用量（月100万トークン）でのAPI費用を比較すると、Qwen3.5の圧倒的なコスト優位性が明確になります。
月100万トークン使用時のコスト比較
| サービス | 単価/Mtok | 月額コスト | 年間コスト |
|---|---|---|---|
| Qwen3.5-Plus（ローカルOllama） | $0 | $0 | $0 |
| Qwen3.5-Plus（Cloud API） | $0.18 | $0.18 | $2.16 |
| GPT-5.2 API | $15 | $15 | $180 |
| Claude Opus API | $75 | $75 | $900 |
まとめ：Qwen3.5でAI開発コストを劇的に削減
Qwen3.5はオープンソースAIの最先端を体現しています。ローカル実行なら完全無料、クラウドAPIなら1Mトークン$0.18という破格のコストで、GPT-5.2に匹敵する性能が手に入ります。
開発者にとっての選択肢は明確です：個人・小規模プロジェクト→Ollama、中規模プロジェクト→Hugging Face Inference API、本番環境→Alibaba Cloud API。すべてOpenAI SDKと互換性があるため、移行コストは最小限です。
VPN07：AI開発に最適な高速回線
10年以上の実績・IEPL専用回線・70か国以上
Qwen3.5 API・Hugging Face・Ollamaを最大限に活用するには安定した高速接続が必須。VPN07のIEPL1000Mbps専用回線なら、Alibaba Cloud APIの低遅延アクセス・大型モデルファイルの高速ダウンロードが実現します。ChatGPT APIの費用を大幅に削減して、VPN07の月$1.5で理想のAI開発環境を構築してください。