MOSS-VL
Betaマルチモーダル理解MOSS-VLはテキスト指示と画像、動画、または複数画像の入力に対応し、画像理解、動画理解、OCR、ドキュメント解析、視覚的質問応答、クロスメディアのコンテンツ分析に利用できます。現在、1リクエストあたり最大5枚の画像または1本の動画に対応しており、画像と動画の混在入力には対応していません。
ENDPOINT
POST /v1/responses
現在の呼び出しパス
入力
テキスト + 画像 / 動画
リクエストで受け付ける内容
出力
テキスト
成功時に返される内容
モデル概要
マルチモーダル理解モデル。デフォルトでは安定版モデルIDのmoss-vl-1.0を使用します。固定バージョンを再現する場合は、modelにmoss-vl-1.0-2026-07-08を指定できます。
料金
期間限定で無料です。
0クレジット 料金基準の一覧を見る
対応モダリティ
文テキスト入力と出力
音音声非対応
画画像入力のみ
動動画入力のみ
対応エンドポイント
単一話者の音声生成
/v1/audio/speech非対応複数話者の対話音声生成
/v1/audio/speech/speakers非対応音声文字起こし
/v1/audio/transcriptions非対応ボイスデザイン
/v1/audio/voice/generations非対応マルチモーダル理解
/v1/responses対応リアルタイム動画理解
/v1/realtime非対応画像生成
/v1/images/generations非対応機能
性能高
推論速度中
ストリーミング 非対応
非同期 非対応
- 画像の説明、OCR、ドキュメント内容の理解に対応
- 動画の要約、イベント理解、質問応答に対応
- 1回あたり最大5枚の画像または1本の動画
- ファイルIDとURLによる入力に対応
バージョンとスナップショット
Model ID
moss-vl-1.0スナップショット
moss-vl-1.0-2026-07-08最新バージョン