<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>タグ:エラー &#8211; AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/tag/%E3%82%A8%E3%83%A9%E3%83%BC/feed/" rel="self" type="application/rss+xml" />
	<link>https://aidev.bluegarage.site/blog</link>
	<description>AI技術を使った様々な開発のTIPSや技術のブログです</description>
	<lastBuildDate>Fri, 15 May 2026 05:35:39 +0000</lastBuildDate>
	<language>ja</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>DeepSeek V4 FlashのAPIでJSON出力が空になる問題と対処法</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/15/deepseek-v4-flash%e3%81%aeapi%e3%81%a7json%e5%87%ba%e5%8a%9b%e3%81%8c%e7%a9%ba%e3%81%ab%e3%81%aa%e3%82%8b%e5%95%8f%e9%a1%8c%e3%81%a8%e5%af%be%e5%87%a6%e6%b3%95/</link>
				<pubDate>Fri, 15 May 2026 05:35:39 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9660</guid>
				<description><![CDATA[DeepSeek V3では問題なく動作していたJSON出力が、V4 Flashに移行した途端に壊れる・空になるというケースが多数報告されています。この記事では原因の調査過程と、現時点で取れる対策をまとめます。 症状：content が空白トークンで埋まって返ってくる 典型的な症状は以下のようなレスポンスです。completion_tokens が 150〜220 あるにもかかわらず、content がスペースだらけで実質空になっています。 Array ( [choices] =&#62; Array ( [0] =&#62; Array ( [message] =&#62; Array ( [role] =&#62; assistant [content] =&#62; (空白のみ) ) [finish_reason] =&#62; stop ) ) [usage] =&#62; Array ( [completion_tokens] =&#62; 220 [total_tokens] =&#62; 1764 ) ) トークンは消費されているのに出力が空、という厄介な挙動です。 原因1：thinking モードがデフォルトで有 [&#8230;]]]></description>
									</item>
		<item>
		<title>WindowsでVOICEVOXを使いPythonから日本語を話させる方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/08/windows%e3%81%a7voicevox%e3%82%92%e4%bd%bf%e3%81%84python%e3%81%8b%e3%82%89%e6%97%a5%e6%9c%ac%e8%aa%9e%e3%82%92%e8%a9%b1%e3%81%95%e3%81%9b%e3%82%8b%e6%96%b9%e6%b3%95/</link>
				<pubDate>Fri, 08 May 2026 01:32:39 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9655</guid>
				<description><![CDATA[VOICEVOXとは？ VOICEVOXは、無料で使えるローカル動作の音声合成ソフトです。ずんだもん・四国めたん・春日部つむぎなど、個性豊かなキャラクターボイスを使って日本語テキストを音声に変換できます。 完全ローカル動作（インターネット不要） 商用・個人利用ともに無料（各キャラクターの利用規約要確認） REST API経由でPythonから簡単に呼び出し可能 Windows / Mac / Linux 対応 VOICEVOX Engineのダウンロード GUIアプリが不要な場合は、エンジン単体版をダウンロードするのがおすすめです。 以下の GitHub Releases ページにアクセスします。 https://github.com/VOICEVOX/voicevox_engine/releases 最新バージョンの Assets から Windows 用ファイルを選択します。 GPU版（NVIDIA GPU搭載の場合）：windows-nvidia-*.zip CPU版（一般的なPC）：windows-cpu-*.zip ZIPファイルをダウンロードし、好きな場所に展開します。 例：C:\voicevox [&#8230;]]]></description>
									</item>
		<item>
		<title>【完全無料】Ollamaで“ChatGPTみたいなAI”をローカルPCで動かす方法｜VRAM 8GBでもOK・セキュリティ安心</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/07/%e3%80%90%e5%ae%8c%e5%85%a8%e7%84%a1%e6%96%99%e3%80%91ollama%e3%81%a7chatgpt%e3%81%bf%e3%81%9f%e3%81%84%e3%81%aaai%e3%82%92%e3%83%ad%e3%83%bc%e3%82%ab%e3%83%abpc%e3%81%a7%e5%8b%95/</link>
				<pubDate>Thu, 07 May 2026 03:16:37 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[chatgpt]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9651</guid>
				<description><![CDATA[「ChatGPTみたいなAIを、自分のPCだけで無料＆無制限に使いたい」 そんな人におすすめなのが、ローカルAI実行ツール Ollama と、高性能モデル DeepSeek-R1 の組み合わせです。 この方法なら、 月額料金なし API料金なし 回数制限なし 入力データが外部送信されない オフラインでも使える PHPなどのプログラミングも可能 という、かなり強力な環境を作れます。 しかも、VRAM 8GBクラスのGPUでも動作可能です。 今回は、Windows環境で初心者でもできる導入方法を、5ステップで解説します。 Ollamaとは？ Ollama公式サイト Ollamaは、AIモデルを自分のPCで簡単に動かせる無料ツールです。 通常、ChatGPT系AIはクラウド上で動作しますが、Ollamaを使うと、 自宅PC ゲーミングPC ノートPC などでローカル実行できます。 つまり、会話内容やコードが外部サーバーへ送信されません。 企業の機密情報やソースコードを扱う人にも人気があります。 DeepSeek-R1とは？ DeepSeek公式サイト DeepSeek-R1は、高性能な推論型AIモデルです。 特に強 [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX変換時のエラー「MultiHeadAttention の次元不一致」を徹底解説｜dynamic_axesとは何か？</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/23/onnx%e5%a4%89%e6%8f%9b%e6%99%82%e3%81%ae%e3%82%a8%e3%83%a9%e3%83%bc%e3%80%8cmultiheadattention-%e3%81%ae%e6%ac%a1%e5%85%83%e4%b8%8d%e4%b8%80%e8%87%b4%e3%80%8d%e3%82%92%e5%be%b9%e5%ba%95%e8%a7%a3/</link>
				<pubDate>Thu, 23 Apr 2026 00:38:12 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9638</guid>
				<description><![CDATA[ONNXモデルを読み込む際に、以下のようなエラーに遭遇したことはありませんか？ Node (MultiHeadAttention_28) Op (MultiHeadAttention) [ShapeInferenceError] Inputs 0 (query) shall be 3 or 5 dimensions この記事では、このエラーの意味と原因、さらに解決に重要な「dynamic_axes」の考え方と書き方について、実践的に解説します。 エラーの意味を分解する まずはエラーメッセージを分解して理解しましょう。 該当箇所 Inputs 0 (query) shall be 3 or 5 dimensions 意味 Inputs 0 (query) → MultiHeadAttentionの最初の入力（query） shall be 3 or 5 dimensions → 3次元または5次元でなければならない つまり、 「queryとして渡されたテンソルの次元数が想定と違う」 というエラーです。 MultiHeadAttentionが要求する入力形状 MultiHeadAttentionでは、通常以下のよ [&#8230;]]]></description>
									</item>
		<item>
		<title>Stable Diffusionのメモリ最適化まとめ（CPU offload / slicing / bitsandbytes / accelerate）</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/16/stable-diffusion%e3%81%ae%e3%83%a1%e3%83%a2%e3%83%aa%e6%9c%80%e9%81%a9%e5%8c%96%e3%81%be%e3%81%a8%e3%82%81%ef%bc%88cpu-offload-slicing-bitsandbytes-accelerate%ef%bc%89/</link>
				<pubDate>Thu, 16 Apr 2026 00:54:18 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[画像処理・作成]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9625</guid>
				<description><![CDATA[Stable Diffusionなどの画像生成モデルを動かすとき、特に問題になるのが「VRAM不足」です。この記事では、Diffusersでよく使われるメモリ最適化機能と、その仕組み・注意点をまとめます。 メモリ最適化機能の概要 enable_model_cpu_offload() モデル全体をGPUに常駐させず、必要なときだけCPUからGPUへ転送する仕組みです。 使う直前にGPUへロード 使い終わったらCPUへ戻す 特徴 VRAM使用量：大きく削減 実行速度：低下（転送コストがある） enable_sequential_cpu_offload() enable_model_cpu_offload()の強化版で、モデルをレイヤー単位で扱います。 レイヤーごとにGPUへロード 計算後すぐCPUへ戻す 特徴 VRAM使用量：最小レベル 実行速度：かなり遅い（毎回転送が発生） enable_attention_slicing() Attention計算を分割して処理することで、メモリ使用量を抑える機能です。 特徴 VRAM使用量：中程度削減 実行速度：やや低下 enable_vae_slicing() 画像を生成 [&#8230;]]]></description>
									</item>
		<item>
		<title>Phi-3 Mini + OnnxRuntimeGenAI で作る C# 翻訳エージェント</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/14/phi-3-mini-onnxruntimegenai-%e3%81%a7%e4%bd%9c%e3%82%8b-c-%e7%bf%bb%e8%a8%b3%e3%82%a8%e3%83%bc%e3%82%b8%e3%82%a7%e3%83%b3%e3%83%88/</link>
				<pubDate>Tue, 14 Apr 2026 00:50:59 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9620</guid>
				<description><![CDATA[1. Phi-3 Mini とは？ — 小型SLMの実力 Phi-3 Mini は Microsoft が 2024 年に公開した Small Language Model (SLM) です。パラメータ数は 3.8 億（3.8B） と GPT-4 系の 1/100 以下でありながら、多くのベンチマークで同規模または大規模モデルに匹敵する精度を達成しています。 なぜ翻訳エージェントに向いているのか？ 日英翻訳の精度が高い — 高品質な英語テキストで重点的に学習しているため、英語⇔日本語の変換品質が安定している 指示追従性（Instruction Following）が優秀 — 「日本語に翻訳してください」といったシンプルな指示を忠実に実行できる 低スペックPC でも動作 — INT4 量子化 ONNX モデルなら CPU のみで推論可能（Core i7 程度で快適） 完全ローカル動作 — データが外部に送信されないためプライバシー・セキュリティ面でも安心 💡 SLM vs LLM：Large Language Model（LLM）が数十〜数百B のパラメータを持つのに対し、Small Language Mode [&#8230;]]]></description>
									</item>
		<item>
		<title>Claude（Anthropic）・DeepSeek APIの使用率を監視する方法【PHPサンプルつき】</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/13/claude%ef%bc%88anthropic%ef%bc%89%e3%83%bbdeepseek-api%e3%81%ae%e4%bd%bf%e7%94%a8%e7%8e%87%e3%82%92%e7%9b%a3%e8%a6%96%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95%e3%80%90php%e3%82%b5%e3%83%b3%e3%83%97/</link>
				<pubDate>Mon, 13 Apr 2026 01:38:32 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[ウェブサイト開発]]></category>
		<category><![CDATA[claude]]></category>
		<category><![CDATA[deepseek]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9618</guid>
				<description><![CDATA[APIを使ったシステムを本番運用していると、ある日突然リクエストが弾かれる――そんな経験はありませんか？原因のほとんどはレートリミット（呼び出し回数・トークン数の上限）への到達です。 しかし実は、APIはレスポンスを返すたびに「残り使用枠」を教えてくれています。その情報は HTTPレスポンスヘッダー に含まれており、PHP の cURL でも簡単に取得できます。この記事では、まずヘッダーを生で確認する方法から始めて、最終的に「使用率90%超えを自動検知するコード」まで順を追って解説します。 1. まず「生のレスポンスヘッダー」を確認してみよう cURL にはレスポンスヘッダーをボディと一緒に取得するオプションがあります。CURLOPT_HEADER =&#62; true を追加するだけです。 まずは Anthropic API を例に、ヘッダーを丸ごと出力してみましょう。 &#60;?php $ch = curl_init('https://api.anthropic.com/v1/messages'); curl_setopt_array($ch, [ CURLOPT_RETURNTRANSFER =&#62; [&#8230;]]]></description>
									</item>
		<item>
		<title>PyInstallerでStable DiffusionやQwenなどAIアプリをスタンドアロン化する方法と注意</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/08/pyinstaller%e3%81%a7stable-diffusion%e3%82%84qwen%e3%81%aa%e3%81%a9ai%e3%82%a2%e3%83%97%e3%83%aa%e3%82%92%e3%82%b9%e3%82%bf%e3%83%b3%e3%83%89%e3%82%a2%e3%83%ad%e3%83%b3%e5%8c%96%e3%81%99%e3%82%8b/</link>
				<pubDate>Wed, 08 Apr 2026 03:01:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9614</guid>
				<description><![CDATA[Python製のAIアプリ（Stable Diffusion、Qwen、Wanなど）を「Python未導入のPCでもそのまま動くスタンドアロン実行ファイル」にしたい場合、よく使われるのが PyInstaller です。 pip install pyinstaller pyinstaller &#8211;onefile main.py しかし、AI系ライブラリを含むアプリでは単純にビルドしただけでは失敗することが多く、以下のような追加オプションが必要になるケースがあります。 pyinstaller ^ &#8211;onefile ^ &#8211;hidden-import transformers ^ &#8211;hidden-import diffusers ^ &#8211;collect-all transformers ^ &#8211;collect-all diffusers ^ &#8211;collect-all requests ^ main.py 本記事では、このオプションがなぜ必要なのかを解説します。 なぜPyInstallerだけではうまくいかないのか？ PyInstallerは [&#8230;]]]></description>
									</item>
		<item>
		<title>Python（embed版）でCUDA対応PyTorchを使ったGPU推論環境の作り方</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/23/python%ef%bc%88embed%e7%89%88%ef%bc%89%e3%81%a7cuda%e5%af%be%e5%bf%9cpytorch%e3%82%92%e4%bd%bf%e3%81%a3%e3%81%9fgpu%e6%8e%a8%e8%ab%96%e7%92%b0%e5%a2%83%e3%81%ae%e4%bd%9c%e3%82%8a%e6%96%b9/</link>
				<pubDate>Mon, 23 Mar 2026 01:56:15 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9570</guid>
				<description><![CDATA[はじめに 最近のGPU環境では「CUDAは自動で入っているのか？」「PyTorchはどこまで自動でやってくれるのか？」といった疑問を持つ人が多いと思います。 この記事では、Pythonのembed版（ポータブル環境）でCUDA対応PyTorchを使ったGPU推論を行う方法を、最小構成でわかりやすく解説します。 結論（重要ポイントまとめ） RTX 20xx以降でも CUDAは自動では入らない ただし PyTorch（CUDA版）に必要なライブラリは同梱されている GPU推論だけなら 👉 torchだけでOK（torchvision / torchaudioは不要） 必須なのは 👉 NVIDIAドライバのみ CUDAは勝手に入っているのか？ 結論： 👉 入っていない（完全な形では） ただし以下の理由で「入っているように見える」ことがあります： NVIDIAドライバに一部CUDAランタイムが含まれている PyTorchなどが必要なCUDAライブラリを同梱している そのため、 👉 「何もしてないのにGPU動いた」＝内部で依存関係が入っているだけ PyTorch（CUDA版）の仕組み CUDA対応のPyTorchは以下 [&#8230;]]]></description>
									</item>
		<item>
		<title>Wan動画生成AIに使われている「UMT5-XXL」とは何か？</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/21/wan%e5%8b%95%e7%94%bb%e7%94%9f%e6%88%90ai%e3%81%ab%e4%bd%bf%e3%82%8f%e3%82%8c%e3%81%a6%e3%81%84%e3%82%8b%e3%80%8cumt5-xxl%e3%80%8d%e3%81%a8%e3%81%af%e4%bd%95%e3%81%8b%ef%bc%9f/</link>
				<pubDate>Sat, 21 Mar 2026 08:13:39 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[動画]]></category>
		<category><![CDATA[google]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9563</guid>
				<description><![CDATA[Wan2.1やWan2.2などの動画生成AIを動かそうとすると、必ずセットで必要になるのが UMT5-XXL というモデルです。「テキストエンコーダー」と呼ばれるこのモデル、一体何をしているのでしょうか。 UMT5-XXL の正式名称と意味 正式名称は Unified Multilingual T5 Extra Extra Large（統合多言語T5・超特大モデル）、HuggingFace上の識別子は google/umt5-xxl です。 名前を分解すると次のようになります。 略称 正式名 意味 U Unified 複数の言語・タスクを統合 M Multilingual 多言語対応（日本語・中国語・英語など100言語以上） T5 Text-to-Text Transfer Transformer Googleが開発したベースアーキテクチャ XXL Extra Extra Large T5ファミリーの中で最大サイズ（約110億パラメータ） T5ファミリーにはサイズ別にSmall・Base・Large・XL・XXL の5段階があり、UMT5-XXL はそのトップに位置する 約110億パラメータ（11B） の最大 [&#8230;]]]></description>
									</item>
		<item>
		<title>Stable Diffusion U-Net の ONNX に別の ONNX モデルを結合する方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/17/stable-diffusion-u-net-%e3%81%ae-onnx-%e3%81%ab%e5%88%a5%e3%81%ae-onnx-%e3%83%a2%e3%83%87%e3%83%ab%e3%82%92%e7%b5%90%e5%90%88%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95/</link>
				<pubDate>Tue, 17 Mar 2026 01:49:57 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[U-Net]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9549</guid>
				<description><![CDATA[Stable Diffusion ONNX U-Net に別モデルを統合する方法 Stable Diffusion の ONNX 版 U-Net を改造して、別の ONNX モデルを内部に結合することで、 IP-Adapter カスタム Attention Control 信号 などを直接モデル内部に組み込むことができます。 この記事では 既存の model.onnx に別の model.onnx を統合する方法を紹介します。 例として、以下の位置に外部モデルを接続します。 /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_q/MatMul そして生成された特徴量を /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_out.0/MatMul へ入力します。 全体構造 結合後の概念図 to_q/MatMul │ MultiHeadAttention │ 外部モデル │ ▼ to_out.0/MatMul また既存の Reshape_3_output_0 は使用しないため切断します。 必要な [&#8230;]]]></description>
									</item>
	</channel>
</rss>
