MOSS-Transcribe
最新音声認識MOSS-Transcribe-1.0は高精度な文字起こしテキストを出力できるモデルです。高齢者や子どもなど、さまざまな年齢層や声の特徴を持つ話者に対応し、会議、インタビュー、ポッドキャスト、映像コンテンツなどのシーンに適しています。複雑な音声環境でも、明瞭で正確な文字起こし結果を確実に提供します。
ENDPOINT
POST /v1/audio/transcriptions
現在の呼び出しパス
入力
音声
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
標準の音声文字起こしモデル。デフォルトでは安定版モデルIDのmoss-transcribe-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-transcribe-1.0-2026-07-22を指定できます。
料金
課金方式CNY価格実際の消費
入力音声・動画の長さベース
CNY 0.80 / 時間16クレジット / 時間1回の呼び出しごとに実際の使用量で計算されます。CNYの金額は価格を把握するためのもので、最終的にはクレジットの請求明細に準じます。 料金基準の一覧を見る
対応モダリティ
文テキスト出力のみ
音音声入力のみ
画画像非対応
動動画非対応
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非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 対応
- 高精度な文字起こし：高品質なテキスト書き起こし結果を提供
- 多様な声質への適応：声質、抑揚、発音の特徴が異なる話者を正確に認識
- 幅広いシーンに対応：会議、インタビュー、ポッドキャスト、映像など多様なシーンをカバー
バージョンとスナップショット
Model ID
moss-transcribe-1.0スナップショット
moss-transcribe-1.0-2026-07-22最新バージョン