MOSS-Transcribe-Diarize-Pro
推奨音声認識MOSS-Transcribe-Diarize-Proは、高精度な文字起こしテキスト、話者の識別情報、それに対応するタイムスタンプを同時に出力できるモデルです。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複数話者シーンに適しています。
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
複数話者の文字起こしモデルで、最長60分の音声に対応。デフォルトでは安定版モデルIDのmoss-transcribe-diarize-pro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-diarize-pro-2026-07-03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 2.00 / 時間40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 対応
非同期 対応
- 最長60分の音声に対応
- 超ロングコンテキスト—32k
- 最大出力長—16k
- 強力なノイズ耐性と重なった音声の処理能力
- ホットワード強化に対応（固有名詞、人名、ブランド名、業務用語の認識向け）
バージョンとスナップショット
Model ID
moss-transcribe-diarize-proスナップショット
moss-transcribe-diarize-pro-2026-07-03最新バージョン