モデル一覧
現在のモデルは音声生成、音声認識、マルチモーダル理解、画像生成をカバーしています。modelによって呼び出す機能が決まります。バージョンを固定する場合は、snapshotモデルIDをmodelとして渡します。
モデル名説明料金ストリーミング出力非同期
moss-tts-1.5-flash推奨snapshot: moss-tts-1.5-flash-2026-06-26単一話者の音声合成モデル · テキスト + voice_id → 音声POST /v1/audio/speechCNY 2.00 / 1万文字40クレジット / 1万文字✓✓moss-tts-1.0-prosnapshot: moss-tts-1.0-pro-2026-02-07単一話者の音声合成モデル · テキスト + voice_id → 音声POST /v1/audio/speechCNY 2.00 / 1万文字40クレジット / 1万文字—✓moss-ttsd-1.0最新snapshot: moss-ttsd-1.0-2026-03-20複数話者の対話音声合成モデル · テキスト → 音声POST /v1/audio/speech/speakersCNY 2.00 / 1万文字40クレジット / 1万文字—✓moss-voice-generator-1.0最新snapshot: moss-voice-generator-1.0-2026-07-22テキストと声の指示から音声を生成 · テキスト + 指示 → 音声POST /v1/audio/voice/generationsCNY 2.00 / 1万文字40クレジット / 1万文字—✓moss-transcribe-1.0最新snapshot: moss-transcribe-1.0-2026-07-22標準の音声文字起こしモデル · 音声 → テキストPOST /v1/audio/transcriptionsCNY 0.80 / 時間16クレジット / 時間—✓moss-transcribe-diarize-pro推奨snapshot: moss-transcribe-diarize-pro-2026-07-03複数話者の文字起こしモデル、最長60分の音声に対応 · 音声 → テキストPOST /v1/audio/transcriptionsCNY 2.00 / 時間40クレジット / 時間✓✓moss-vl-1.0Betasnapshot: moss-vl-1.0-2026-07-08マルチモーダル理解モデル、Beta · テキスト指示 + 画像/動画 → テキストPOST /v1/responses期間限定無料0クレジット——moss-vl-realtime-1.0Betasnapshot: moss-vl-realtime-1.0-2026-09-09リアルタイム動画理解モデル、Beta · 連続画像フレーム + テキスト → 増分テキストWebSocket /v1/realtime期間限定無料0クレジット✓—moss-image-base-1.0Betasnapshot: moss-image-base-1.0-2026-10-09テキストから画像を生成するモデル、長文テキスト・レイアウト指定生成・文字レンダリングに対応 · テキスト → 画像POST /v1/images/generations期間限定無料0クレジット——moss-image-sft-1.0Betasnapshot: moss-image-sft-1.0-2026-10-09テキストから画像を生成するモデル、ファインチューニング版、長文テキスト・レイアウト指定生成・文字レンダリングに対応 · テキスト → 画像POST /v1/images/generations期間限定無料0クレジット——
