コンソール

モデル一覧MOSS-VL-Realtime

MOSS-VL-Realtime

Betaマルチモーダル理解

MOSS-VL-Realtimeは1本のWebSocket接続でJPEG、PNG、またはWebPの画像フレームを継続的に受信し、増分テキストで回答を返します。カメラや画面など、連続した映像を理解するシーンに適しています。

APIリファレンスを見る

ENDPOINT

WebSocket /v1/realtime

現在の呼び出しパス

入力

連続画像フレーム + テキスト

リクエストで受け付ける内容

出力

増分テキスト

成功時に返される内容

モデル概要

リアルタイム動画理解モデル、Beta。接続時のmodelクエリパラメータにmoss-vl-realtime-1.0を使用します。バージョンを固定する場合は、moss-vl-realtime-1.0-2026-09-09を使用します。

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非対応
リアルタイム動画理解/v1/realtime対応
画像生成/v1/images/generations非対応

機能

性能高
推論速度リアルタイム対話
ストリーミング 対応
非同期 非対応
  • WebSocket双方向イベントプロトコル
  • JPEG、PNG、WebPの画像フレームに対応
  • 沈黙、割り込み、複数段の回答に対応
  • セッション単位のトークン使用量レポートに対応
  • 動画ファイル全体、音声入力、音声出力には非対応

バージョンとスナップショット

Model IDmoss-vl-realtime-1.0
スナップショットmoss-vl-realtime-1.0-2026-09-09最新バージョン