Qwen3.5 モデルを使用した視覚理解 (画像と動画の理解) の方法 - Alibaba Cloud Model Studio

視覚理解モデルは、提供された画像や動画に基づいて質問に回答します。単一または複数の画像入力に対応し、画像キャプション、視覚的な質問応答、物体位置特定など、さまざまなタスクに適しています。

サポートリージョン： シンガポール、米国 (バージニア)、中国 (北京)。 API キーを使用してください。

オンラインで試す： Vision (シンガポール)、Vision (米国 (バージニア))、または Vision (中国 (北京))

クイックスタート

前提条件

API キーを取得し、環境変数としてエクスポートします。
SDK を使用して呼び出しを行う場合は、SDK をインストールします。DashScope Python SDK はバージョン 1.24.6 以降、DashScope Java SDK はバージョン 2.21.10 以降である必要があります。

次の例は、モデルを呼び出して画像の内容を説明する方法を示しています。ローカルファイルと画像の制限の詳細については、「ローカルファイルの渡し方」および「画像の制限」をご参照ください。

OpenAI 互換

Python

from openai import OpenAI
import os

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)

completion = client.chat.completions.create(
    model="qwen3.5-plus",  # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
                    },
                },
                {"type": "text", "text": "画像には何が描かれていますか？"},
            ],
        },
    ],
)
print(completion.choices[0].message.content)

応答

これはビーチで撮影された写真です。写真には、砂の上に座っている人と犬が写っており、背景には海と空が広がっています。人と犬は交流しているようで、犬の前足が人の手に乗っています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。

Node.js

import OpenAI from "openai";

const openai = new OpenAI({
  // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
  // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： apiKey: "sk-xxx"
  apiKey: process.env.DASHSCOPE_API_KEY,
   // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
  // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
  baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

async function main() {
  const response = await openai.chat.completions.create({
    model: "qwen3.5-plus",   // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください 
    messages: [
      {
        role: "user",
        content: [{
            type: "image_url",
            image_url: {
              "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
            }
          },
          {
            type: "text",
            text: "画像には何が描かれていますか？"
          }
        ]
      }
    ]
  });
  console.log(response.choices[0].message.content);
}
main()

応答

これはビーチで撮影された写真です。写真には、砂の上に座っている人と犬が写っており、背景には海と空が広がっています。人と犬は交流しているようで、犬の前足が人の手に乗っています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。

curl

# ======= 重要 =======
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3.5-plus",
  "messages": [
    {"role": "user",
     "content": [
        {"type": "image_url", "image_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"}},
        {"type": "text", "text": "画像には何が描かれていますか？"}
    ]
  }]
}'

応答

{
  "choices": [
    {
      "message": {
        "content": "これはビーチで撮影された写真です。写真には、砂の上に座っている人と犬が写っており、背景には海と空が広がっています。人と犬は交流しているようで、犬の前足が人の手に乗っています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。",
        "role": "assistant"
      },
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null
    }
  ],
  "object": "chat.completion",
  "usage": {
    "prompt_tokens": 1270,
    "completion_tokens": 54,
    "total_tokens": 1324
  },
  "created": 1725948561,
  "system_fingerprint": null,
  "model": "qwen3.5-plus",
  "id": "chatcmpl-0fd66f46-b09e-9164-a84f-3ebbbedbac15"
}

DashScope

Python

import os
import dashscope

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

messages = [
{
    "role": "user",
    "content": [
    {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
    {"text": "画像には何が描かれていますか？"}]
}]

response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.5-plus',   # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages
)

print(response.output.choices[0].message.content[0]["text"])

応答

これはビーチで撮影された写真です。写真には女性と犬が写っています。女性は砂の上に座り、笑顔で犬と交流しています。犬は首輪をしており、女性と握手しているように見えます。背景は海と空で、彼らに降り注ぐ太陽光が暖かい雰囲気を醸し出しています。

Java

import java.util.Arrays;
import java.util.Collections;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    
    // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
    // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
    static {
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation(); 
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("image", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"),
                        Collections.singletonMap("text", "画像には何が描かれていますか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")  //  この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

応答

これはビーチで撮影された写真です。写真には、チェック柄のシャツを着た人と首輪をつけた犬が写っています。人と犬は向かい合って座っており、交流しているように見えます。背景は海と空で、彼らに降り注ぐ太陽光が暖かい雰囲気を醸し出しています。

curl

# ======= 重要 =======
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.5-plus",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [
                    {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
                    {"text": "画像には何が描かれていますか？"}
                ]
            }
        ]
    }
}'

応答

{
  "output": {
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": [
            {
              "text": "これはビーチで撮影された写真です。写真には、チェック柄のシャツを着た人と首輪をつけた犬が写っています。彼らは砂の上に座っており、背景には海と空が広がっています。フレームの右側から太陽光が差し込み、シーンに暖かい雰囲気を加えています。"
            }
          ]
        }
      }
    ]
  },
  "usage": {
    "output_tokens": 55,
    "input_tokens": 1271,
    "image_tokens": 1247
  },
  "request_id": "ccf845a3-dc33-9cda-b581-20fe7dc23f70"
}

モデルの選択

Qwen3.5 が推奨される選択肢です：これは最新世代の視覚理解モデルであり、マルチモーダル推論、2D/3D 画像理解、複雑なドキュメント解析、ビジュアルプログラミング、動画理解、マルチモーダルエージェントに優れています。中国本土およびシンガポールリージョンでサポートされています。
- qwen3.5-plus：Qwen シリーズで最も強力な視覚理解モデルです。推奨されます。
- qwen3.5-flash：より高速で手頃な価格のモデルです。パフォーマンスとコストのバランスが取れた費用対効果の高い選択肢で、高速な応答時間が重要なシナリオに最適です。
- qwen3.5-397b-a17b、qwen3.5-122b-a10b、qwen3.5-27b、qwen3.5-35b-a3b：オープンソースの Qwen3.5 モデルです。
Qwen3-VL は、高精度の物体認識と位置特定 (3D 位置特定を含む)、エージェントツール呼び出し、ドキュメントとウェブページの解析、複雑な問題解決、長時間動画理解にも適しています。このシリーズのモデルの比較は次のとおりです：
- qwen3-vl-plus：Qwen3-VL シリーズで最も強力なモデルです。
- qwen3-vl-flash：このモデルはより高速で費用対効果が高いです。パフォーマンスとコストのバランスが取れた価値の高いオプションであり、応答速度に敏感なシナリオに適しています。
Qwen2.5-VL は、単純な画像キャプションや短い動画の要約抽出などの一般的なタスクに適しています。このシリーズのモデルの比較は次のとおりです：
- qwen-vl-max (Qwen2.5-VL の一部)：Qwen2.5-VL シリーズで最高のパフォーマンスを発揮するモデルです。
- qwen-vl-plus (Qwen2.5-VL の一部)：このモデルはより高速で、パフォーマンスとコストのバランスが優れています。

モデル名、コンテキスト、価格、スナップショットバージョンについては、「モデルリスト」をご参照ください。同時リクエスト制限については、「レート制限」をご参照ください。

モデル機能の比較

モデル	ディープシンキング	ツール呼び出し	コンテキストキャッシュ	構造化出力	検出言語
`Qwen3.5` シリーズ	サポート	サポート	`qwen3.5-plus` および `qwen3.5-flash` の安定版でサポート明示的なキャッシュのみ	非思考モードでサポート	33 言語：中国語、日本語、韓国語、インドネシア語、ベトナム語、タイ語、英語、フランス語、ドイツ語、ロシア語、ポルトガル語、スペイン語、イタリア語、スウェーデン語、デンマーク語、チェコ語、ノルウェー語、オランダ語、フィンランド語、トルコ語、ポーランド語、スワヒリ語、ルーマニア語、セルビア語、ギリシャ語、カザフ語、ウズベク語、セブアノ語、アラビア語、ウルドゥー語、ペルシャ語、ヒンディー語/デーヴァナーガリー、ヘブライ語。
`Qwen3-VL` シリーズ	サポート	サポート	`qwen3-vl-plus` と `qwen3-vl-flash` の安定版をサポートしています。	非思考モードでサポート	33 言語：中国語、日本語、韓国語、インドネシア語、ベトナム語、タイ語、英語、フランス語、ドイツ語、ロシア語、ポルトガル語、スペイン語、イタリア語、スウェーデン語、デンマーク語、チェコ語、ノルウェー語、オランダ語、フィンランド語、トルコ語、ポーランド語、スワヒリ語、ルーマニア語、セルビア語、ギリシャ語、カザフ語、ウズベク語、セブアノ語、アラビア語、ウルドゥー語、ペルシャ語、ヒンディー語/デーヴァナーガリー、ヘブライ語。
`Qwen2.5-VL` シリーズ	サポートされていません	サポートされていません	`qwen-vl-max` と `qwen-vl-plus` の安定版をサポートしています。	`qwen-vl-max` と `qwen-vl-plus` の安定版と最新版がサポートされています。	11 言語：中国語、英語、日本語、韓国語、アラビア語、ベトナム語、フランス語、ドイツ語、イタリア語、スペイン語、ロシア語。

パフォーマンス概要

視覚的な質問応答

画像の内容を説明したり、分類してラベル付けしたりします。例えば、人物、場所、動物、植物などを識別します。

p1021359

日差しが眩しい場合、この写真のどのアイテムを使うべきですか？

日差しが眩しいときは、写真のピンクのサングラスを使用すべきです。サングラスは強い光を効果的に遮断し、目への紫外線ダメージを軽減し、明るい日差しの中で視力を保護し、視覚的な快適さを向上させるのに役立ちます。

クリエイティブライティング

画像や動画の内容に基づいて、生き生きとしたテキスト記述を生成します。これは、物語の執筆、コピーライティング、短い動画のスクリプトなど、クリエイティブなシナリオに適しています。

vl-问答

画像の内容に基づいて、面白い SNS 投稿を作成してください。

承知いたしました。この写真は豊かな中秋節の雰囲気に満ちており、古典的な要素と現代的な要素が巧みに組み合わされています。写真の主要な要素に基づいて、さまざまなスタイルの SNS 投稿をいくつか用意しましたので、お選びください。

詩的で美しいスタイル

今宵、月は明るく誰もが見守る中、秋の想いはどこに落ちるのだろう。嫦娥は月に飛び、玉兎は薬を搗く—古人のロマンスが今宵、灯される。この明るい月があなたの帰り道を照らし、私の深い想いを運びますように。中秋節おめでとうございます！

温かく祝福するスタイル

月は満ち、人々は再会する。中秋の夜は最も優しい。花火が咲き、空の満月を愛で、月餅を一口食べ、平和と健康を願う。あなたと私の心の中の願いがすべて叶いますように。皆様、中秋節おめでとうございます。ご家族の幸せをお祈りします！

OCR と情報抽出

画像内のテキストや数式を認識したり、領収書、証明書、フォームから情報を抽出したりします。書式付きテキスト出力もサポートしています。Qwen3-VL モデルは、言語サポートを 33 言語に拡大しました。サポートされている言語のリストについては、「モデル機能の比較」をご参照ください。

-q2cdz6jy89b6m3kp

画像から次の情報を抽出してください：['Invoice Code', 'Invoice Number', 'Destination', 'Fuel Surcharge', 'Fare', 'Travel Date', 'Departure Time', 'Train Number', 'Seat Number']。JSON 形式で出力してください。

{

"Invoice Code": "221021325353",

"Invoice Number": "10283819",

"Destination": "Development Zone",

"Fuel Surcharge": "2.0",

"Fare": "8.00<Full>",

"Travel Date": "2013-06-29",

"Departure Time": "Serial",

"Train Number": "040",

"Seat Number": "371"

}

多分野にわたる問題解決

画像内の問題、例えば数学、物理、化学の問題を解決します。この機能は、小中高、大学、成人教育に適しています。

-5jwcstcvmdpqghaj

画像内の数学の問題を段階的に解いてください。

-答案

ビジュアルプログラミング

画像や動画からコードを生成します。これは、デザインの下書きやウェブサイトのスクリーンショットなどから HTML、CSS、JS コードを作成するために使用できます。

code

私のスケッチに基づいて、黒をメインカラーとして HTML と CSS を使用してウェブページをデザインしてください。

code-预览

ウェブページのプレビュー

物体位置特定

このモデルは 2D および 3D の位置特定をサポートしており、物体の向き、視点の変化、およびオクルージョン関係を判断するために使用できます。3D 位置特定は Qwen3-VL モデルの新機能です。

Qwen2.5-VL モデルの場合、物体検出は 480 × 480 から 2560 × 2560 の解像度範囲内で堅牢です。この範囲外では、検出精度が低下し、時折バウンディングボックスがずれることがあります。

位置特定の結果を元の画像に描画するには、「よくある質問」をご参照ください。

2D 位置特定

-530xdcos1lqkcfuy

Box (バウンディングボックス) 座標を返す：画像内のすべての食品を検出し、その bbox 座標を JSON 形式で出力します。
Point (重心) 座標を返す：画像内のすべての食品を点として特定し、その点座標を XML 形式で出力します。

2D 位置特定結果の可視化

-mu9podu1eyvph1zd

3D 位置特定

画像内の車を検出し、その 3D 位置を予測します。 JSON 出力：[{"bbox_3d": [x_center, y_center, z_center, x_size, y_size, z_size, roll, pitch, yaw], "label": "category"}]。

3D 位置特定結果の可視化

ドキュメント解析

スキャンや画像 PDF などの画像ベースのドキュメントを QwenVL HTML または QwenVL Markdown 形式に解析します。この形式は、テキストを正確に認識するだけでなく、画像やテーブルなどの要素の位置情報も取得します。Qwen3-VL モデルは、ドキュメントを Markdown 形式に解析する機能を追加しました。

推奨されるプロンプトは、qwenvl html (HTML 形式に解析) または qwenvl markdown (Markdown 形式に解析) です。

qwenvl markdown.

-结果

結果の可視化

動画理解

特定のイベントの位置特定やタイムスタンプの取得、または主要な時間帯の要約生成など、動画コンテンツを分析します。

動画内の人物の一連の行動を説明してください。start_time、end_time、event を含む JSON 形式で出力してください。タイムスタンプには HH:mm:ss を使用してください。

{

"events": [

{

"start_time": "00:00:00",

"end_time": "00:00:05",

"event": "人物が段ボール箱を持ってテーブルに向かって歩き、テーブルの上に置きます。"

{

"start_time": "00:00:05",

"end_time": "00:00:15",

"event": "人物がスキャナーを手に取り、段ボール箱のラベルをスキャンします。"

{

"start_time": "00:00:15",

"end_time": "00:00:21",

"event": "人物がスキャナーを元の場所に戻し、次にペンを手に取ってノートに情報を書き込みます。"}]

}

コア機能

思考モードの有効化/無効化

qwen3.5、qwen3-vl-plus、および qwen3-vl-flash シリーズのモデルは、ハイブリッド思考モデルです。これらは思考してから応答することも、直接応答することもできます。enable_thinking パラメーターを使用して、思考モードを有効にするかどうかを制御します：
- true：思考モードが有効になります。qwen3.5 シリーズのデフォルト値は true です。
- false：思考モードを無効にします。qwen3-vl-plus および qwen3-vl-flash シリーズのデフォルト値は false です。
thinking サフィックスを持つモデル、例えば qwen3-vl-235b-a22b-thinking は、思考専用モデルです。これらは常に応答する前に思考し、この機能を無効にすることはできません。

重要

モデル構成：エージェントツール呼び出しを伴わない一般的な会話シナリオでは、最適なパフォーマンスを維持するために System Message を設定しないことを推奨します。モデルのロール設定や出力形式の要件などの命令は、User Message を通じて渡すことができます。
ストリーミング出力を優先：思考モードが有効な場合、ストリーミングおよび非ストリーミングの両方の出力がサポートされます。応答内容が長いためにタイムアウトを避けるため、ストリーミング出力を優先して使用することを推奨します。
思考の長さを制限：ディープシンキングモデルは、時々長い推論プロセスを出力します。thinking_budget パラメーターを使用して、思考プロセスの長さを制限できます。モデルの思考プロセス中に生成されたトークン数が thinking_budget を超えると、推論内容は切り捨てられ、モデルはすぐに最終応答の生成を開始します。thinking_budget のデフォルト値は、モデルの最大 CoT (Chain-of-Thought) 長であり、「モデルリスト」に記載されています。

OpenAI 互換

enable_thinking パラメーターは標準の OpenAI パラメーターではありません。OpenAI Python SDK を使用する場合、extra_body を通じて渡すことができます。

Python

import os
from openai import OpenAI

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
)

reasoning_content = ""  # 完全な思考プロセスを定義
answer_content = ""     # 完全な応答を定義
is_answering = False   # 思考プロセスを終了して応答を開始するかどうかを判断
enable_thinking = True
# チャット補完リクエストを作成
completion = client.chat.completions.create(
    model="qwen3.5-plus",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"
                    },
                },
                {"type": "text", "text": "この問題をどう解けばいいですか？"},
            ],
        },
    ],
    stream=True,
    # enable_thinking パラメーターは思考プロセスを有効にし、thinking_budget パラメーターは推論プロセスの最大トークン数を設定します。
    # qwen3-vl-plus および qwen3-vl-flash の場合、enable_thinking で思考を有効または無効にできます。'thinking' サフィックスを持つモデル (例: qwen3-vl-235b-a22b-thinking) の場合、enable_thinking は true にしか設定できません。これは他の Qwen-VL モデルには適用されません。
    extra_body={
        'enable_thinking': enable_thinking,
        "thinking_budget": 81920},

    # 最後のチャンクでトークン使用量を返すには、次の行のコメントを解除します
    # stream_options={
    #     "include_usage": True
    # }
)

if enable_thinking:
    print("\n" + "=" * 20 + "思考プロセス" + "=" * 20 + "\n")

for chunk in completion:
    # chunk.choices が空の場合、使用量を出力
    if not chunk.choices:
        print("\n使用量:")
        print(chunk.usage)
    else:
        delta = chunk.choices[0].delta
        # 思考プロセスを出力
        if hasattr(delta, 'reasoning_content') and delta.reasoning_content is not None:
            print(delta.reasoning_content, end='', flush=True)
            reasoning_content += delta.reasoning_content
        else:
            # 応答を開始
            if delta.content != "" and is_answering is False:
                print("\n" + "=" * 20 + "完全な応答" + "=" * 20 + "\n")
                is_answering = True
            # 応答プロセスを出力
            print(delta.content, end='', flush=True)
            answer_content += delta.content

# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(reasoning_content)
# print("=" * 20 + "完全な応答" + "=" * 20 + "\n")
# print(answer_content)

Node.js

import OpenAI from "openai";

// OpenAI クライアントを初期化
const openai = new OpenAI({
  // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
  // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： apiKey: "sk-xxx"
  apiKey: process.env.DASHSCOPE_API_KEY,
  // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
  // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
  baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

let reasoningContent = '';
let answerContent = '';
let isAnswering = false;
let enableThinking = true;

let messages = [
    {
        role: "user",
        content: [
        { type: "image_url", image_url: { "url": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg" } },
        { type: "text", text: "この問題を解いてください" },
    ]
}]

async function main() {
    try {
        const stream = await openai.chat.completions.create({
            model: 'qwen3.5-plus',
            messages: messages,
            stream: true,
          // 注：Node.js SDK では、enableThinking のような非標準パラメーターはトップレベルのプロパティとして渡され、extra_body に含める必要はありません。
          enable_thinking: enableThinking,
          thinking_budget: 81920

        });

        if (enableThinking){console.log('\n' + '='.repeat(20) + '思考プロセス' + '='.repeat(20) + '\n');}

        for await (const chunk of stream) {
            if (!chunk.choices?.length) {
                console.log('\n使用量:');
                console.log(chunk.usage);
                continue;
            }

            const delta = chunk.choices[0].delta;

            // 思考プロセスを処理
            if (delta.reasoning_content) {
                process.stdout.write(delta.reasoning_content);
                reasoningContent += delta.reasoning_content;
            }
            // 正式な応答を処理
            else if (delta.content) {
                if (!isAnswering) {
                    console.log('\n' + '='.repeat(20) + '完全な応答' + '='.repeat(20) + '\n');
                    isAnswering = true;
                }
                process.stdout.write(delta.content);
                answerContent += delta.content;
            }
        }
    } catch (error) {
        console.error('エラー:', error);
    }
}

main();

curl

# ======= 重要 =======
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3.5-plus",
    "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"
          }
        },
        {
          "type": "text",
          "text": "この問題を解いてください"
        }
      ]
    }
  ],
    "stream":true,
    "stream_options":{"include_usage":true},
    "enable_thinking": true,
    "thinking_budget": 81920
}'

DashScope

Python

import os
import dashscope
from dashscope import MultiModalConversation

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = "https://dashscope-intl.aliyuncs.com/api/v1"

enable_thinking=True

messages = [
    {
        "role": "user",
        "content": [
            {"image": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"},
            {"text": "この問題を解いてください"}
        ]
    }
]

response = MultiModalConversation.call(
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx",
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model="qwen3.5-plus",  
    messages=messages,
    stream=True,
    # enable_thinking パラメーターは思考プロセスを有効にします。
    # qwen3-vl-plus および qwen3-vl-flash の場合、enable_thinking で思考を有効または無効にできます。'thinking' サフィックスを持つモデル (例: qwen3-vl-235b-a22b-thinking) の場合、enable_thinking は true にしか設定できません。これは他の Qwen-VL モデルには適用されません。
    enable_thinking=enable_thinking,
    # thinking_budget パラメーターは推論プロセスの最大トークン数を設定します。
    thinking_budget=81920,

)

# 完全な思考プロセスを定義
reasoning_content = ""
# 完全な応答を定義
answer_content = ""
# 思考プロセスを終了して応答を開始するかどうかを判断
is_answering = False

if enable_thinking:
    print("=" * 20 + "思考プロセス" + "=" * 20)

for chunk in response:
    # 思考プロセスと応答の両方が空の場合は無視
    message = chunk.output.choices[0].message
    reasoning_content_chunk = message.get("reasoning_content", None)
    if (chunk.output.choices[0].message.content == [] and
        reasoning_content_chunk == ""):
        pass
    else:
        # 現在思考プロセス中の場合
        if reasoning_content_chunk is not None and chunk.output.choices[0].message.content == []:
            print(chunk.output.choices[0].message.reasoning_content, end="")
            reasoning_content += chunk.output.choices[0].message.reasoning_content
        # 現在応答中の場合
        elif chunk.output.choices[0].message.content != []:
            if not is_answering:
                print("\n" + "=" * 20 + "完全な応答" + "=" * 20)
                is_answering = True
            print(chunk.output.choices[0].message.content[0]["text"], end="")
            answer_content += chunk.output.choices[0].message.content[0]["text"]

# 完全な思考プロセスと完全な応答を出力するには、次のコードのコメントを解除して実行します
# print("=" * 20 + "完全な思考プロセス" + "=" * 20 + "\n")
# print(f"{reasoning_content}")
# print("=" * 20 + "完全な応答" + "=" * 20 + "\n")
# print(f"{answer_content}")

Java

// DashScope SDK バージョン >= 2.21.10
import java.util.*;

import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import io.reactivex.Flowable;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.exception.InputRequiredException;
import java.lang.System;
import com.alibaba.dashscope.utils.Constants;

public class Main {
   // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
  // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
    static {Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";}

    private static final Logger logger = LoggerFactory.getLogger(Main.class);
    private static StringBuilder reasoningContent = new StringBuilder();
    private static StringBuilder finalContent = new StringBuilder();
    private static boolean isFirstPrint = true;

    private static void handleGenerationResult(MultiModalConversationResult message) {
        String re = message.getOutput().getChoices().get(0).getMessage().getReasoningContent();
        String reasoning = Objects.isNull(re)?"":re; // デフォルト値

        List<Map<String, Object>> content = message.getOutput().getChoices().get(0).getMessage().getContent();
        if (!reasoning.isEmpty()) {
            reasoningContent.append(reasoning);
            if (isFirstPrint) {
                System.out.println("====================思考プロセス====================");
                isFirstPrint = false;
            }
            System.out.print(reasoning);
        }

        if (Objects.nonNull(content) && !content.isEmpty()) {
            Object text = content.get(0).get("text");
            finalContent.append(content.get(0).get("text"));
            if (!isFirstPrint) {
                System.out.println("\n====================完全な応答====================");
                isFirstPrint = true;
            }
            System.out.print(text);
        }
    }
    public static MultiModalConversationParam buildMultiModalConversationParam(MultiModalMessage Msg)  {
        return MultiModalConversationParam.builder()
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： .apiKey("sk-xxx")
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")
                .messages(Arrays.asList(Msg))
                .enableThinking(true)
                .thinkingBudget(81920)
                .incrementalOutput(true)
                .build();
    }

    public static void streamCallWithMessage(MultiModalConversation conv, MultiModalMessage Msg)
            throws NoApiKeyException, ApiException, InputRequiredException, UploadFileException {
        MultiModalConversationParam param = buildMultiModalConversationParam(Msg);
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(message -> {
            handleGenerationResult(message);
        });
    }
    public static void main(String[] args) {
        try {
            MultiModalConversation conv = new MultiModalConversation();
            MultiModalMessage userMsg = MultiModalMessage.builder()
                    .role(Role.USER.getValue())
                    .content(Arrays.asList(Collections.singletonMap("image", "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"),
                            Collections.singletonMap("text", "この問題を解いてください")))
                    .build();
            streamCallWithMessage(conv, userMsg);
//             最終結果を出力
//            if (reasoningContent.length() > 0) {
//                System.out.println("\n====================完全な応答====================");
//                System.out.println(finalContent.toString());
//            }
        } catch (ApiException | NoApiKeyException | UploadFileException | InputRequiredException e) {
            logger.error("例外が発生しました： {}", e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-H 'X-DashScope-SSE: enable' \
-d '{
    "model": "qwen3.5-plus",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [
                    {"image": "https://img.alicdn.com/imgextra/i1/O1CN01gDEY8M1W114Hi3XcN_!!6000000002727-0-tps-1024-406.jpg"},
                    {"text": "この問題を解いてください"}
                ]
            }
        ]
    },
    "parameters":{
        "enable_thinking": true,
        "incremental_output": true,
        "thinking_budget": 81920
    }
}'

複数画像の入力

視覚理解モデルは、1 回のリクエストで複数の画像を渡すことをサポートしており、製品比較や複数ページのドキュメント処理などのタスクに使用できます。これを行うには、user message の content 配列に複数の画像オブジェクトを含めます。

重要

画像の数は、モデルのテキストと画像の合計トークン制限によって制限されます。すべての画像とテキストの合計トークン数は、モデルの最大入力未満でなければなりません。

OpenAI 互換

Python

import os
from openai import OpenAI

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.5-plus",  #  この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[
        {"role": "user","content": [
            {"type": "image_url","image_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},},
            {"type": "image_url","image_url": {"url": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"},},
            {"type": "text", "text": "これらの画像には何が描かれていますか？"},
            ],
        }
    ],
)

print(completion.choices[0].message.content)

応答

画像 1 は、ビーチで女性とラブラドールレトリバーが交流しているシーンを示しています。女性はチェック柄のシャツを着て砂の上に座り、犬と握手しています。背景は海の波と空で、写真全体が暖かく心地よい雰囲気に満ちています。

画像 2 は、森の中を歩く虎のシーンを示しています。虎の毛皮はオレンジ色で黒い縞模様があり、前進しています。周囲は密集した木々と植生で、地面は落ち葉で覆われています。写真全体が野生の自然を感じさせます。

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3.5-plus",  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
        messages: [
          {role: "user",content: [
            {type: "image_url",image_url: {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"}},
            {type: "image_url",image_url: {"url": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"}},
            {type: "text", text: "これらの画像には何が描かれていますか？" },
        ]}]
    });
    console.log(response.choices[0].message.content);
}

main()

応答

最初の画像では、人と犬がビーチで交流しています。人はチェック柄のシャツを着ており、犬は首輪をしています。彼らは握手またはハイタッチをしているように見えます。

2番目の画像では、虎が森の中を歩いています。虎の毛皮はオレンジ色で黒い縞模様があり、背景は緑の木々と植生です。

curl

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.5-plus",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"
          }
        },
        {
          "type": "image_url",
          "image_url": {
            "url": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"
          }
        },
        {
          "type": "text",
          "text": "これらの画像には何が描かれていますか？"
        }
      ]
    }
  ]
}'

応答

{
  "choices": [
    {
      "message": {
        "content": "画像 1 は、ビーチで女性とラブラドールレトリバーが交流しているシーンを示しています。女性はチェック柄のシャツを着て砂の上に座り、犬と握手しています。背景は海の景色と夕焼けの空で、写真全体が非常に暖かく調和しているように見えます。\n\n画像 2 は、森の中を歩く虎のシーンを示しています。虎の毛皮はオレンジ色で黒い縞模様があり、前進しています。周囲は密集した木々と植生で、地面は落ち葉で覆われています。写真全体が自然の野性味と生命力に満ちています。",
        "role": "assistant"
      },
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null
    }
  ],
  "object": "chat.completion",
  "usage": {
    "prompt_tokens": 2497,
    "completion_tokens": 109,
    "total_tokens": 2606
  },
  "created": 1725948561,
  "system_fingerprint": null,
  "model": "qwen3.5-plus",
  "id": "chatcmpl-0fd66f46-b09e-9164-a84f-3ebbbedbac15"
}

DashScope

Python

import os
import dashscope

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

messages = [
    {
        "role": "user",
        "content": [
            {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
            {"image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"},
            {"text": "これらの画像には何が描かれていますか？"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.5-plus', #  この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages
)

print(response.output.choices[0].message.content[0]["text"])

応答

これらの画像は、いくつかの動物と自然の風景を示しています。最初の画像では、人と犬がビーチで交流しています。2番目の画像は、森の中を歩く虎です。

Java

import java.util.Arrays;
import java.util.Collections;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
    // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
   // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        Collections.singletonMap("image", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"),
                        Collections.singletonMap("image", "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"),
                        Collections.singletonMap("text", "これらの画像には何が描かれていますか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")  //  この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

応答

これらの画像は、いくつかの動物と自然の風景を示しています。

1. 最初の画像：ビーチで女性と犬が交流しています。女性はチェック柄のシャツを着て砂の上に座っており、犬は首輪をしていて、女性と握手するために前足を伸ばしています。
2. 2番目の画像：森の中を歩く虎です。虎の毛皮はオレンジ色で黒い縞模様があり、背景は木々と葉です。

curl

# ======= 重要 =======
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen3.5-plus",
    "input":{
        "messages":[
            {
                "role": "user",
                "content": [
                    {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241022/emyrja/dog_and_girl.jpeg"},
                    {"image": "https://dashscope.oss-cn-beijing.aliyuncs.com/images/tiger.png"},
                    {"text": "これらの画像には何が写っていますか？"}
                ]
            }
        ]
    }
}'

応答

{
  "output": {
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": [
            {
              "text": "これらの画像は、いくつかの動物と自然の風景を示しています。最初の画像では、人と犬がビーチで交流しています。2番目の画像は、森の中を歩く虎です。"
            }
          ]
        }
      }
    ]
  },
  "usage": {
    "output_tokens": 81,
    "input_tokens": 1277,
    "image_tokens": 2497
  },
  "request_id": "ccf845a3-dc33-9cda-b581-20fe7dc23f70"
}

動画理解

視覚理解モデルは動画コンテンツの理解をサポートします。画像リスト (動画フレーム) または動画ファイルの形式でファイルを提供できます。以下は、URL で指定されたオンライン動画または画像リストを理解するためのコード例です。動画の制限や画像リストで渡せる画像の数に関する詳細については、「動画の制限」セクションをご参照ください。

動画ファイルの理解性能を向上させるため、最新または最近のスナップショットバージョンのモデルを使用することを推奨します。

動画ファイル

視覚理解モデルは、動画から一連のフレームを抽出してコンテンツを分析します。次の 2 つのパラメーターを使用して、フレーム抽出ポリシーを制御できます：

fps：頻度を制御します。 $\frac{1}{f p s}$ 秒ごとに 1 フレーム。値の範囲は [0.1, 10] で、デフォルト値は 2.0 です。
- 高速な動きのシーン：より多くの詳細を捉えるために、より高い fps 値を設定します。
- 静的な動画または長時間の動画：効率のために、より低い fps 値を設定します。
max_frames：抽出されるフレームの上限。fps に基づいて計算された数が max_frames を超えると、システムは自動的にフレームを均等にサンプリングして制限内に収めます。このパラメーターは DashScope SDK でのみ有効です。

OpenAI 互換

OpenAI SDK または HTTP メソッドを使用して動画ファイルを視覚理解モデルに直接入力する場合、ユーザーメッセージの "type" パラメーターを "video_url" に設定する必要があります。

Python

import os
from openai import OpenAI

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.5-plus",
    messages=[
        {
            "role": "user",
            "content": [
                # 動画ファイルを直接渡す場合、type の値を video_url に設定します
                {
                    "type": "video_url",
                    "video_url": {
                        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"
                    },
                    "fps": 2
                },
                {
                    "type": "text",
                    "text": "この動画の内容は何ですか？"
                }
            ]
        }
    ]
)

print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3.5-plus",
        messages: [
            {
                role: "user",
                content: [
                    // 動画ファイルを直接渡す場合、type の値を video_url に設定します
                    {
                        type: "video_url",
                        video_url: {
                            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"
                        },
                        "fps": 2
                    },
                    {
                        type: "text",
                        text: "この動画の内容は何ですか？"
                    }
                ]
            }
        ]
    });

    console.log(response.choices[0].message.content);
}

main();

curl

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "qwen3.5-plus",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "video_url",
            "video_url": {
              "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4"
            },
            "fps":2
          },
          {
            "type": "text",
            "text": "この動画の内容は何ですか？"
          }
        ]
      }
    ]
  }'

DashScope

Python

import dashscope
import os

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'
messages = [
    {"role": "user",
        "content": [
            # fps パラメーターは動画のフレーム抽出頻度を制御し、1/fps 秒ごとに 1 フレームを抽出することを意味します。完全な使用法については、https://www.alibabacloud.com/help/model-studio/use-qwen-by-calling-api?#2ed5ee7377fum をご参照ください
            {"video": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4","fps":2},
            {"text": "この動画の内容は何ですか？"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key ="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.5-plus',
    messages=messages
)

print(response.output.choices[0].message.content[0]["text"])

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import java.util.Map;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
   static {
            // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
            // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
            Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
        }
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        // fps パラメーターは動画のフレーム抽出頻度を制御し、1/fps 秒ごとに 1 フレームを抽出することを意味します。完全な使用法については、https://www.alibabacloud.com/help/model-studio/use-qwen-by-calling-api?#2ed5ee7377fum をご参照ください
        Map<String, Object> params = new HashMap<>();
        params.put("video", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4");
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        params,
                        Collections.singletonMap("text", "この動画の内容は何ですか？"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 中国 (北京) リージョンのモデルを使用する場合、中国 (北京) リージョンの API キーを使用する必要があります。API キーは https://www.alibabacloud.com/help/model-studio/get-api-key で取得できます
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.5-plus",
    "input":{
        "messages":[
            {"role": "user","content": [{"video": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241115/cqqkru/1.mp4","fps":2},
            {"text": "この動画の内容は何ですか？"}]}]}
}'

画像リスト

動画を画像リスト (事前に抽出された動画フレーム) として渡す場合、fps パラメーターを使用して、モデルに動画フレーム間の時間間隔を通知できます。これにより、モデルはイベントのシーケンス、持続時間、および動的な変化をよりよく理解できます。モデルは、fps パラメーターを使用して元の動画のフレームレートを指定することをサポートしており、これは動画フレームが元の動画から $\frac{1}{f p s}$ 秒ごとに抽出されたことを示します。このパラメーターは、Qwen3.5、Qwen3-VL、および Qwen2.5-VL モデルでサポートされています。

OpenAI 互換

OpenAI SDK または HTTP リクエストを使用して動画を画像リストとして視覚理解モデルに入力する場合、ユーザーメッセージの "type" パラメーターを "video" に設定する必要があります。

Python

import os
from openai import OpenAI

client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.5-plus", # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/models をご参照ください
    messages=[{"role": "user","content": [
        # 画像リストを渡す場合、ユーザーメッセージの "type" パラメーターは "video" です。
         {"type": "video","video": [
         "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
         "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
         "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
         "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"],
         "fps":2},
         {"type": "text","text": "この動画の具体的なプロセスを説明してください"},
    ]}]
)

print(completion.choices[0].message.content)

Node.js

// 事前に package.json で "type": "module" を指定していることを確認してください。
import OpenAI from "openai";

const openai = new OpenAI({
    // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： apiKey: "sk-xxx",
    apiKey: process.env.DASHSCOPE_API_KEY,
    // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
});

async function main() {
    const response = await openai.chat.completions.create({
        model: "qwen3.5-plus",  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/models をご参照ください
        messages: [{
            role: "user",
            content: [
                {
                    // 画像リストを渡す場合、ユーザーメッセージの "type" パラメーターは "video" です。
                    type: "video",
                    video: [
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"],
                        "fps": 2
                },
                {
                    type: "text",
                    text: "この動画の具体的なプロセスを説明してください"
                }
            ]
        }]
    });
    console.log(response.choices[0].message.content);
}

main();

curl

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.5-plus",
    "messages": [{"role": "user","content": [{"type": "video","video": [
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                  "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"],
                  "fps":2},
                {"type": "text","text": "この動画の具体的なプロセスを説明してください"}]}]
}'

DashScope

Python

import os
import dashscope

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'
messages = [{"role": "user",
             "content": [
                  # 画像リストを渡す場合、fps パラメーターは Qwen3.5、Qwen3-VL、および Qwen2.5-VL シリーズのモデルに適用されます。
                 {"video":["https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                           "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"],
                   "fps":2},
                 {"text": "この動画の具体的なプロセスを説明してください"}]}]
response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model='qwen3.5-plus',  # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages
)
print(response.output.choices[0].message.content[0]["text"])

Java

// DashScope SDK バージョンは 2.21.10 以降である必要があります
import java.util.Arrays;
import java.util.Collections;
import java.util.Map;

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {
    static {
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    private static final String MODEL_NAME = "qwen3.5-plus";  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    public static void videoImageListSample() throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        // 画像リストを渡す場合、fps パラメーターは Qwen3.5、Qwen3-VL、および Qwen2.5-VL シリーズのモデルに適用されます。
        Map<String, Object> params = new HashMap<>();
        params.put("video", Arrays.asList("https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
                        "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"));
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(
                        params,
                        Collections.singletonMap("text", "この動画の具体的なプロセスを説明してください")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model(MODEL_NAME)
                .messages(Arrays.asList(userMessage)).build();
        MultiModalConversationResult result = conv.call(param);
        System.out.print(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            videoImageListSample();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.5-plus",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "video": [
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/xzsgiz/football1.jpg",
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/tdescd/football2.jpg",
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/zefdja/football3.jpg",
              "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/aedbqh/football4.jpg"
            ],
            "fps":2
                 
          },
          {
            "text": "この動画の具体的なプロセスを説明してください"
          }
        ]
      }
    ]
  }
}'

ローカルファイルの渡し方 (Base64 エンコーディングまたはファイルパス)

視覚理解モデルは、ローカルファイルをアップロードする 2 つの方法を提供します：Base64 エンコーディングと直接ファイルパスアップロード。ファイルサイズと SDK の種類に基づいてアップロード方法を選択してください。具体的な推奨事項については、「ファイルアップロード方法の選び方」をご参照ください。どちらの方法も、「画像の制限」で説明されているファイル要件を満たす必要があります。

Base64 エンコーディングによるアップロード

ファイルを Base64 エンコードされた文字列に変換し、モデルに渡します。この方法は、OpenAI および DashScope SDK、および HTTP リクエストでサポートされています。

Base64 エンコードされた文字列を渡す手順 (画像例)

ファイルのエンコーディング：ローカル画像を Base64 エンコーディングに変換します。

画像を Base64 エンコーディングに変換するコード例

#  エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します
import base64
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# xxxx/eagle.png をローカル画像の絶対パスに置き換えてください
base64_image = encode_image("xxx/eagle.png")

Data URL を構築します。形式は次のとおりです：data:[MIME_type];base64,{base64_image}。
1. MIME_type を実際のメディアタイプに置き換えます。「サポートされている画像形式」テーブルの MIME タイプ の値と一致することを確認してください。例えば、image/jpeg や image/png です。
2. base64_image は、前のステップで生成された Base64 文字列です。
モデルの呼び出し：Data URL を image または image_url パラメーターを通じて渡し、モデルを呼び出します。

ファイルパスによるアップロード

ローカルファイルのパスを直接モデルに渡します。この方法は、DashScope Python および Java SDK でのみサポートされており、DashScope HTTP または OpenAI 互換の方法ではサポートされていません。

プログラミング言語とオペレーティングシステムに基づいてファイルパスを指定するには、以下の表をご参照ください。

ファイルパスの指定 (画像を例として使用)

システム	SDK	入力ファイルパス	例
Linux または macOS	Python SDK	file://{ファイルの絶対パス}	file:///home/images/test.png
Linux または macOS	Java SDK	file://{ファイルの絶対パス}	file:///home/images/test.png
Windows	Python SDK	file://{ファイルの絶対パス}	file://D:/images/test.png
Windows	Java SDK	file:///{ファイルの絶対パス}	file:///D:/images/test.pn

画像

ファイルパスで渡す

Python

import os
import dashscope

# 以下は、シンガポールリージョンの base_url です。バージニアリージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更します。
# 中国（北京）リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えます。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# xxx/eagle.png を、ローカルイメージの絶対パスに置き換えます。
local_path = "xxx/eagle.png"
image_path = f"file://{local_path}"
messages = [
                {'role':'user',
                'content': [{'image': image_path},
                            {'text': 'What is depicted in the image?'}]}]
response = dashscope.MultiModalConversation.call(
    # 各リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/zh/model-studio/get-api-key をご参照ください。
    # 環境変数を設定していない場合は、次の行を Model Studio API キーで置き換えます：api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.5-plus',  # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルの一覧については、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください。
    messages=messages)
print(response.output.choices[0].message.content[0]["text"])

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException {
        String filePath = "file://"+localPath;
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>(){{put("image", filePath);}},
                        new HashMap<String, Object>(){{put("text", "画像には何が描かれていますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));}

    public static void main(String[] args) {
        try {
            // xxx/eagle.png をローカル画像の絶対パスに置き換えてください
            callWithLocalFile("xxx/eagle.png");
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Base64 エンコーディングで渡す

OpenAI 互換

Python

from openai import OpenAI
import os
import base64


#  エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

# xxx/eagle.png をローカル画像の絶対パスに置き換えてください
base64_image = encode_image("xxx/eagle.png")
client = OpenAI(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    # 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.5-plus", # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    # Base64 画像データを渡します。画像形式 (つまり image/{format}) がサポートされている画像のリストの Content Type と一致する必要があることに注意してください。"f" は文字列フォーマットメソッドです。
                    # PNG 画像：  f"data:image/png;base64,{base64_image}"
                    # JPEG 画像： f"data:image/jpeg;base64,{base64_image}"
                    # WEBP 画像： f"data:image/webp;base64,{base64_image}"
                    "image_url": {"url": f"data:image/png;base64,{base64_image}"},
                },
                {"type": "text", "text": "画像には何が描かれていますか？"},
            ],
        }
    ],
)
print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";
import { readFileSync } from 'fs';


const openai = new OpenAI(
    {
        // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
        // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeImage = (imagePath) => {
    const imageFile = readFileSync(imagePath);
    return imageFile.toString('base64');
  };
// xxx/eagle.png をローカル画像の絶対パスに置き換えてください
const base64Image = encodeImage("xxx/eagle.png")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3.5-plus",  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
        messages: [
            {"role": "user",
            "content": [{"type": "image_url",
                            // Base64 を渡す場合、画像形式 (つまり image/{format}) がサポートされている画像のリストの Content Type と一致する必要があることに注意してください。
                           // PNG 画像：  data:image/png;base64,${base64Image}
                          // JPEG 画像： data:image/jpeg;base64,${base64Image}
                         // WEBP 画像： data:image/webp;base64,${base64Image}
                        "image_url": {"url": `data:image/png;base64,${base64Image}`},},
                        {"type": "text", "text": "画像には何が描かれていますか？"}]}]
    });
    console.log(completion.choices[0].message.content);
} 

main();

curl

ファイルを Base64 エンコードされた文字列に変換する方法の例については、「コード例」をご参照ください。
表示の都合上、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。完全なエンコードされた文字列を渡す必要があります。

# ======= 重要 =======
# リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください
# === 実行前にこのコメントを削除してください ===

curl --location 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3.5-plus",
  "messages": [
  {
    "role": "user",
    "content": [
      {"type": "image_url", "image_url": {"url": "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA"}},
      {"type": "text", "text": "画像には何が描かれていますか？"}
    ]
  }]
}'

DashScope

Python

import base64
import os
import dashscope

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

#  エンコーディング関数：ローカルファイルを Base64 エンコードされた文字列に変換します
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")


# xxxx/eagle.png をローカル画像の絶対パスに置き換えてください
base64_image = encode_image("xxxx/eagle.png")

messages = [
    {
        "role": "user",
        "content": [
            # Base64 を渡す場合、画像形式 (つまり image/{format}) がサポートされている画像のリストの Content Type と一致する必要があることに注意してください。"f" は文字列フォーマットメソッドです。
            # PNG 画像：  f"data:image/png;base64,{base64_image}"
            # JPEG 画像： f"data:image/jpeg;base64,{base64_image}"
            # WEBP 画像： f"data:image/webp;base64,{base64_image}"
            {"image": f"data:image/png;base64,{base64_image}"},
            {"text": "画像には何が描かれていますか？"},
        ],
    },
]

response = dashscope.MultiModalConversation.call(
    # リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
    # 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3.5-plus",  # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
    messages=messages,
)
print(response.output.choices[0].message.content[0]["text"])

Java

import java.io.IOException;
import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import java.util.Base64;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

import com.alibaba.dashscope.aigc.multimodalconversation.*;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }

    private static String encodeImageToBase64(String imagePath) throws IOException {
        Path path = Paths.get(imagePath);
        byte[] imageBytes = Files.readAllBytes(path);
        return Base64.getEncoder().encodeToString(imageBytes);
    }

    public static void callWithLocalFile(String localPath) throws ApiException, NoApiKeyException, UploadFileException, IOException {

        String base64Image = encodeImageToBase64(localPath); // Base64 エンコーディング

        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        new HashMap<String, Object>() {{ put("image", "data:image/png;base64," + base64Image); }},
                        new HashMap<String, Object>() {{ put("text", "画像には何が描かれていますか？"); }}
                )).build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // リージョンごとに API キーは異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください
                // 環境変数を設定していない場合は、次の行を Model Studio の API キーに置き換えてください： .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を置き換えることができます。モデルのリストについては、https://www.alibabacloud.com/help/model-studio/getting-started/models をご参照ください
                .messages(Arrays.asList(userMessage))
                .build();

        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }

    public static void main(String[] args) {
        try {
            // xxx/eagle.png をローカル画像の絶対パスに置き換えてください
            callWithLocalFile("xxx/eagle.png");
        } catch (ApiException | NoApiKeyException | UploadFileException | IOException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

ファイルを Base64 エンコードされた文字列に変換する方法の例については、「コード例」をご参照ください。
表示の都合上、コード内の Base64 エンコードされた文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は切り捨てられています。完全なエンコードされた文字列を渡す必要があります。

# ======= 重要 =======
# 以下は、シンガポール リージョンの base_url です。バージニア リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください。
# 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください。
# リージョンごとに API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/zh/model-studio/get-api-key を参照してください。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.5-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"image": "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},
               {"text": "画像に何が描かれていますか？"}
                ]
            }
        ]
    }
}'

動画ファイル

この例では、ローカルに保存された test.mp4 ファイルを使用します。

ファイルパスを指定して渡す

Python

import os
import dashscope

# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
# 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# xxxx/test.mp4 をご利用のローカル動画ファイルの絶対パスに置き換えてください。
local_path = "xxx/test.mp4"
video_path = f"file://{local_path}"
messages = [
                {'role':'user',
                # fps パラメーターは動画から抽出するフレーム数を制御します。つまり、1/fps 秒ごとに 1 フレームが抽出されます。
                'content': [{'video': video_path,"fps":2},
                            {'text': 'この動画にはどのようなシーンが描かれていますか？'}]}]
response = MultiModalConversation.call(
    # 各リージョンの API キーは異なります。API キーの取得方法については、「<a href="https://www.alibabacloud.com/help/zh/model-studio/get-api-key">Model Studio：API キーの取得</a>」をご参照ください。
    # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.5-plus',  
    messages=messages)
print(response.output.choices[0].message.content[0]["text"])

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.HashMap;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
        // 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException {
        String filePath = "file://"+localPath;
        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>()
                                       {{
                                           put("video", filePath);// fps パラメーターは動画から抽出するフレーム数を制御します。つまり、1/fps 秒ごとに 1 フレームが抽出されます。
                                           put("fps", 2);
                                       }}, 
                        new HashMap<String, Object>(){{put("text", "この動画にはどのようなシーンが描かれていますか？");}})).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 各リージョンの API キーは異なります。API キーの取得方法については、「<a href="https://www.alibabacloud.com/help/zh/model-studio/get-api-key">Model Studio：API キーの取得</a>」をご参照ください。
                // 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")  
                .messages(Arrays.asList(userMessage))
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));}

    public static void main(String[] args) {
        try {
            // xxxx/test.mp4 をご利用のローカル動画ファイルの絶対パスに置き換えてください。
            callWithLocalFile("xxx/test.mp4");
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Base64 エンコーディング入力

OpenAI 互換

Python

from openai import OpenAI
import os
import base64


# エンコーディング関数：ローカルファイルを Base64 エンコード文字列に変換します。
def encode_video(video_path):
    with open(video_path, "rb") as video_file:
        return base64.b64encode(video_file.read()).decode("utf-8")

# xxxx/test.mp4 をご利用のローカル動画ファイルの絶対パスに置き換えてください。
base64_video = encode_video("xxx/test.mp4")
client = OpenAI(
    # 各リージョンの API キーは異なります。API キーの取得方法については、「<a href="https://www.alibabacloud.com/help/zh/model-studio/get-api-key">Model Studio：API キーの取得</a>」をご参照ください。
    # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    # 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。
    # 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.5-plus",  
    messages=[
        {
            "role": "user",
            "content": [
                {
                    # 動画ファイルを直接渡す場合、type の値を video_url に設定します。
                    "type": "video_url",
                    "video_url": {"url": f"data:video/mp4;base64,{base64_video}"},
                    "fps":2
                },
                {"type": "text", "text": "この動画にはどのようなシーンが描かれていますか？"},
            ],
        }
    ],
)
print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";
import { readFileSync } from 'fs';

const openai = new OpenAI(
    {
        # 各リージョンの API キーは異なります。API キーの取得方法については、「<a href="https://www.alibabacloud.com/help/zh/model-studio/get-api-key">Model Studio：API キーの取得</a>」をご参照ください。
        # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください：apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        # 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。
        # 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeVideo = (videoPath) => {
    const videoFile = readFileSync(videoPath);
    return videoFile.toString('base64');
  };
# xxxx/test.mp4 をご利用のローカル動画ファイルの絶対パスに置き換えてください。
const base64Video = encodeVideo("xxx/test.mp4")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3.5-plus", 
        messages: [
            {"role": "user",
             "content": [{
                 # 動画ファイルを直接渡す場合、type の値を video_url に設定します。
                "type": "video_url", 
                "video_url": {"url": `data:video/mp4;base64,${base64Video}`},
                "fps":2},
                 {"type": "text", "text": "この動画にはどのようなシーンが描かれていますか？"}]}]
    });
    console.log(completion.choices[0].message.content);
}

main();

curl

ファイルを Base64 エンコード文字列に変換する方法について詳しくは、「サンプルコード」をご参照ください。
表示上の都合により、コード内の Base64 エンコード文字列 "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実行時には、完全なエンコード文字列を渡す必要があります。

# ======= 重要なお知らせ =======
# API キーはリージョンによって異なります。API キーの取得方法については、「<a href="https://www.alibabacloud.com/help/zh/model-studio/get-api-key">Model Studio：API キーの取得</a>」をご参照ください。
# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# === コマンド実行前にこのコメントを削除してください ===

curl --location 'https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
  "model": "qwen3.5-plus",
  "messages": [
  {
    "role": "user",
    "content": [
      {"type": "video_url", "video_url": {"url": "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},"fps":2},
      {"type": "text", "text": "この動画にはどのようなシーンが描かれていますか？"}
    ]
  }]
}'

DashScope

Python

import base64
import os
import dashscope

# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に置き換えてください。
# 北京リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# エンコーディング関数：ローカルファイルを Base64 エンコード文字列に変換します。
def encode_video(video_path):
    with open(video_path, "rb") as video_file:
        return base64.b64encode(video_file.read()).decode("utf-8")

# xxxx/test.mp4 をご利用のローカル動画ファイルの絶対パスに置き換えてください。
base64_video = encode_video("xxxx/test.mp4")

messages = [{'role':'user',
                # fps パラメーターは動画から抽出するフレーム数を制御します。つまり、1/fps 秒ごとに 1 フレームが抽出されます。
             'content': [{'video': f"data:video/mp4;base64,{base64_video}","fps":2},
                            {'text': 'この動画にはどのようなシーンが描かれていますか？'}]}]
response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。API キーの取得方法については、「<a href="https://www.alibabacloud.com/help/zh/model-studio/get-api-key">Model Studio：API キーの取得</a>」をご参照ください。
    # 環境変数を設定していない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"。
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.5-plus',
    messages=messages)

print(response.output.choices[0].message.content[0]["text"])

Java

import java.io.IOException;
import java.util.*;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

import com.alibaba.dashscope.aigc.multimodalconversation.*;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 以下は、シンガポールリージョン用の base_url です。米国（バージニア）リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
        // 中国（北京）リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    private static String encodeVideoToBase64(String videoPath) throws IOException {
        Path path = Paths.get(videoPath);
        byte[] videoBytes = Files.readAllBytes(path);
        return Base64.getEncoder().encodeToString(videoBytes);
    }

    public static void callWithLocalFile(String localPath)
            throws ApiException, NoApiKeyException, UploadFileException, IOException {

        String base64Video = encodeVideoToBase64(localPath); // Base64 エンコーディング

        MultiModalConversation conv = new MultiModalConversation();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(new HashMap<String, Object>()
                                       {{
                                           put("video", "data:video/mp4;base64," + base64Video);// fps パラメーターは、ビデオから抽出されるフレーム数を制御します。つまり、1/fps 秒ごとに 1 フレームが抽出されます。
                                           put("fps", 2);
                                       }},
                        new HashMap<String, Object>(){{put("text", "What scene does this video depict?");}})).build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 各リージョンの API キーは異なります。API キーを取得するには、https://www.alibabacloud.com/help/zh/model-studio/get-api-key を参照してください。
                // 環境変数を設定していない場合は、次の行を Model Studio API キーで置き換えてください：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")
                .messages(Arrays.asList(userMessage))
                .build();

        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }

    public static void main(String[] args) {
        try {
            // xxx/test.mp4 を、ローカルビデオの絶対パスに置き換えてください。
            callWithLocalFile("xxx/test.mp4");
        } catch (ApiException | NoApiKeyException | UploadFileException | IOException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

ファイルを Base64 エンコード文字列に変換する方法について詳しくは、「サンプルコード」をご参照ください。
表示上の都合により、コード内の Base64 エンコード文字列 "f"data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実行時には、完全なエンコード文字列を渡す必要があります。

# ======= 重要 =======
# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください。
# 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください。
# 各リージョンの API キーは異なります。API キーの取得方法については、「<a href="https://www.alibabacloud.com/help/zh/model-studio/get-api-key">Model Studio：API キーの取得</a>」をご参照ください。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.5-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"video": "data:video/mp4;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..."},
               {"text": "この動画にはどのようなシーンが描かれていますか？ "}
                ]
            }
        ]
    }
}'

イメージ一覧

この例では、ローカルに保存されたファイルを使用します：football1.jpg、football2.jpg、football3.jpg、およびfootball4.jpg。

ファイルパスを指定して渡す

Python

import os
import dashscope

# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

local_path1 = "football1.jpg"
local_path2 = "football2.jpg"
local_path3 = "football3.jpg"
local_path4 = "football4.jpg"

image_path1 = f"file://{local_path1}"
image_path2 = f"file://{local_path2}"
image_path3 = f"file://{local_path3}"
image_path4 = f"file://{local_path4}"

messages = [{'role':'user',
              # イメージ一覧を渡す場合、fps パラメーターは Qwen3.5、Qwen3-VL、Qwen2.5-VL シリーズのモデルで使用可能です。
             'content': [{'video': [image_path1,image_path2,image_path3,image_path4],"fps":2},
                         {'text': 'この動画が描写しているシーンは何ですか？'}]}]
response = MultiModalConversation.call(
    # 各リージョンの API キーは異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/zh/model-studio/get-api-key」をご参照ください。
    # 環境変数を設定していない場合は、以下の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen3.5-plus',  # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を変更できます。利用可能なモデルの一覧については、「https://www.alibabacloud.com/help/model-studio/getting-started/models」をご参照ください。
    messages=messages)

print(response.output.choices[0].message.content[0]["text"])

Java

// DashScope SDK のバージョンは 2.21.10 以降である必要があります。
import java.util.Arrays;
import java.util.Map;
import java.util.Collections;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    private static final String MODEL_NAME = "qwen3.5-plus";  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を変更できます。利用可能なモデルの一覧については、「https://www.alibabacloud.com/help/model-studio/getting-started/models」をご参照ください。
    public static void videoImageListSample(String localPath1, String localPath2, String localPath3, String localPath4)
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        String filePath1 = "file://" + localPath1;
        String filePath2 = "file://" + localPath2;
        String filePath3 = "file://" + localPath3;
        String filePath4 = "file://" + localPath4;
        Map<String, Object> params = new HashMap<>();
        params.put("video", Arrays.asList(filePath1,filePath2,filePath3,filePath4));
        // イメージ一覧を渡す場合、fps パラメーターは Qwen3.5、Qwen3-VL、Qwen2.5-VL シリーズのモデルで使用可能です。
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(params,
                        Collections.singletonMap("text", "この動画の具体的なプロセスを説明してください")))
                .build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 各リージョンの API キーは異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/zh/model-studio/get-api-key」をご参照ください。
                // 環境変数を設定していない場合は、以下の行を Model Studio API キーに置き換えてください：.apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model(MODEL_NAME)
                .messages(Arrays.asList(userMessage)).build();
        MultiModalConversationResult result = conv.call(param);
        System.out.print(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }
    public static void main(String[] args) {
        try {
            videoImageListSample(
                    "xxx/football1.jpg",
                    "xxx/football2.jpg",
                    "xxx/football3.jpg",
                    "xxx/football4.jpg");
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

Base64 エンコーディング済み入力

OpenAI 互換

Python

import os
from openai import OpenAI
import base64

# エンコーディング関数：ローカルファイルを Base64 エンコーディング文字列に変換します。
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

base64_image1 = encode_image("football1.jpg")
base64_image2 = encode_image("football2.jpg")
base64_image3 = encode_image("football3.jpg")
base64_image4 = encode_image("football4.jpg")
client = OpenAI(
    # 各リージョンの API キーは異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/zh/model-studio/get-api-key」をご参照ください。
    # 環境変数を設定していない場合は、以下の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。
    # 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.5-plus",  # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を変更できます。利用可能なモデルの一覧については、「https://www.alibabacloud.com/help/model-studio/getting-started/models」をご参照ください。
    messages=[  
    {"role": "user","content": [
        {"type": "video","video": [
            f"data:image/jpeg;base64,{base64_image1}",
            f"data:image/jpeg;base64,{base64_image2}",
            f"data:image/jpeg;base64,{base64_image3}",
            f"data:image/jpeg;base64,{base64_image4}",]},
        {"type": "text","text": "この動画の具体的なプロセスを説明してください"},
    ]}]
)
print(completion.choices[0].message.content)

Node.js

import OpenAI from "openai";
import { readFileSync } from 'fs';

const openai = new OpenAI(
    {
        // 各リージョンの API キーは異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/zh/model-studio/get-api-key」をご参照ください。
        // 環境変数を設定していない場合は、以下の行を Model Studio API キーに置き換えてください：apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const encodeImage = (imagePath) => {
    const imageFile = readFileSync(imagePath);
    return imageFile.toString('base64');
  };
  
const base64Image1 = encodeImage("football1.jpg")
const base64Image2 = encodeImage("football2.jpg")
const base64Image3 = encodeImage("football3.jpg")
const base64Image4 = encodeImage("football4.jpg")
async function main() {
    const completion = await openai.chat.completions.create({
        model: "qwen3.5-plus",  // この例では qwen3.5-plus を使用しています。必要に応じてモデル名を変更できます。利用可能なモデルの一覧については、「https://www.alibabacloud.com/help/model-studio/getting-started/models」をご参照ください。
        messages: [
            {"role": "user",
             "content": [{"type": "video",
                        "video": [
                            `data:image/jpeg;base64,${base64Image1}`,
                            `data:image/jpeg;base64,${base64Image2}`,
                            `data:image/jpeg;base64,${base64Image3}`,
                            `data:image/jpeg;base64,${base64Image4}`]},
                        {"type": "text", "text": "この動画が描写しているシーンは何ですか？"}]}]
    });
    console.log(completion.choices[0].message.content);
}

main();

curl

ファイルを Base64 エンコーディング文字列に変換する方法の詳細については、「サンプルコード」をご参照ください。
表示上の都合により、コード内の Base64 エンコーディング済み文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実行時には、完全なエンコーディング済み文字列を渡す必要があります。

# ======= 重要 =======
# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください。
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# 各リージョンの API キーは異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/zh/model-studio/get-api-key」をご参照ください。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.5-plus",
    "messages": [{"role": "user",
                "content": [{"type": "video",
                "video": [
                          "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA...",
                          "data:image/jpeg;base64,nEpp6jpnP57MoWSyOWwrkXMJhHRCWYeFYb...",
                          "data:image/jpeg;base64,JHWQnJPc40GwQ7zERAtRMK6iIhnWw4080s...",
                          "data:image/jpeg;base64,adB6QOU5HP7dAYBBOg/Fb7KIptlbyEOu58..."
                          ]},
                {"type": "text",
                "text": "この動画の具体的なプロセスを説明してください"}]}]
}'

DashScope

Python

import base64
import os
import dashscope

# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

# ローカルファイルを Base64 エンコーディング文字列に変換する関数。
def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")

base64_image1 = encode_image("football1.jpg")
base64_image2 = encode_image("football2.jpg")
base64_image3 = encode_image("football3.jpg")
base64_image4 = encode_image("football4.jpg")


messages = [{'role':'user',
            'content': [
                    {'video':
                         [f"data:image/jpeg;base64,{base64_image1}",
                          f"data:image/jpeg;base64,{base64_image2}",
                          f"data:image/jpeg;base64,{base64_image3}",
                          f"data:image/jpeg;base64,{base64_image4}"
                         ]
                    },
                    {'text': 'この動画に示されているプロセスを説明してください。'}]}]
response = dashscope.MultiModalConversation.call(
    # API キーはリージョンによって異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/en/model-studio/get-api-key」をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model='qwen3.5-plus',  # この例では qwen3.5-plus を使用しています。必要に応じてモデル名を変更できます。利用可能なモデルの一覧については、「https://www.alibabacloud.com/help/model-studio/getting-started/models」をご参照ください。
    messages=messages)

print(response.output.choices[0].message.content[0]["text"])

Java

import java.io.IOException;
import java.util.*;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

import com.alibaba.dashscope.aigc.multimodalconversation.*;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
        // 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }

    private static String encodeImageToBase64(String imagePath) throws IOException {
        Path path = Paths.get(imagePath);
        byte[] imageBytes = Files.readAllBytes(path);
        return Base64.getEncoder().encodeToString(imageBytes);
    }

    public static void videoImageListSample(String localPath1,String localPath2,String localPath3,String localPath4)
            throws ApiException, NoApiKeyException, UploadFileException, IOException {

        String base64Image1 = encodeImageToBase64(localPath1); // Base64 エンコーディング
        String base64Image2 = encodeImageToBase64(localPath2);
        String base64Image3 = encodeImageToBase64(localPath3);
        String base64Image4 = encodeImageToBase64(localPath4);

        MultiModalConversation conv = new MultiModalConversation();
        Map<String, Object> params = new HashMap<>();
        params.put("video", Arrays.asList(
                        "data:image/jpeg;base64," + base64Image1,
                        "data:image/jpeg;base64," + base64Image2,
                        "data:image/jpeg;base64," + base64Image3,
                        "data:image/jpeg;base64," + base64Image4));
        // イメージ一覧を渡す場合、fps パラメーターは Qwen3.5、Qwen3-VL、Qwen2.5-VL シリーズのモデルで使用可能です。
        params.put("fps", 2);
        MultiModalMessage userMessage = MultiModalMessage.builder()
                .role(Role.USER.getValue())
                .content(Arrays.asList(params,
                        Collections.singletonMap("text", "この動画の具体的なプロセスを説明してください")))
                .build();

        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 各リージョンの API キーは異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/zh/model-studio/get-api-key」をご参照ください。
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")
                .messages(Arrays.asList(userMessage))
                .build();

        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
    }

    public static void main(String[] args) {
        try {
            // xxx/football1.png などのパスを、ご利用のローカル画像の絶対パスに置き換えてください。
            videoImageListSample(
                    "xxx/football1.jpg",
                    "xxx/football2.jpg",
                    "xxx/football3.jpg",
                    "xxx/football4.jpg"
            );
        } catch (ApiException | NoApiKeyException | UploadFileException | IOException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

ファイルを Base64 エンコーディング文字列に変換する方法の詳細については、「サンプルコード」をご参照ください。
表示上の都合により、コード内の Base64 エンコーディング済み文字列 "data:image/jpg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA..." は省略されています。実行時には、完全なエンコーディング済み文字列を渡す必要があります。

# ======= 重要 =======
# 以下はシンガポールリージョン向けの base_url です。米国 (バージニア) リージョンのモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください。
# 中国 (北京) リージョンのモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください。
# 各リージョンの API キーは異なります。API キーの取得方法については、「https://www.alibabacloud.com/help/zh/model-studio/get-api-key」をご参照ください。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.5-plus",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "video": [
                      "data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBDAA...",
                      "data:image/jpeg;base64,nEpp6jpnP57MoWSyOWwrkXMJhHRCWYeFYb...",
                      "data:image/jpeg;base64,JHWQnJPc40GwQ7zERAtRMK6iIhnWw4080s...",
                      "data:image/jpeg;base64,adB6QOU5HP7dAYBBOg/Fb7KIptlbyEOu58..."
            ],
            "fps":2     
          },
          {
            "text": "この動画の具体的なプロセスを説明してください"
          }
        ]
      }
    ]
  }
}'

高解像度画像の処理

視覚理解モデル API は、エンコーディング後の単一の画像に対するビジュアルトークン数に制限があります。デフォルト設定では、高解像度画像は圧縮されるため、詳細が失われ、理解精度に影響を与える可能性があります。より多くの画像詳細を保持し、理解を向上させるには、vl_high_resolution_images を有効にするか、max_pixels を調整してビジュアルトークン数を増やします。

各モデルのビジュアルトークンあたりのピクセル数、トークン制限、およびピクセル制限を表示

入力画像がモデルのピクセル制限よりも多くのピクセルを持つ場合、画像は制限内に収まるように縮小されます。

モデル	ビジュアルトークンあたりのピクセル数	vl_high_resolution_images	max_pixels	トークン制限	ピクセル制限
`Qwen3.5` および `Qwen3-VL` シリーズモデル	`32*32`	`true`	`max_pixels` は無効です	`16384 トークン`	`16777216` (`163843232`)
`Qwen3.5` および `Qwen3-VL` シリーズモデル	`32*32`	`false` (デフォルト)	カスタマイズ可能です。デフォルトは `2621440` で、最大値は `16777216` です。	`max_pixels` によって決定されます (`max_pixels/32/32`)。	`max_pixels`
`qwen-vl-max`、`qwen-vl-max-latest`、`qwen-vl-max-2025-08-13`、`qwen-vl-plus`、`qwen-vl-plus-latest`、`qwen-vl-plus-2025-08-15`、およびモデル	`32*32`	`true`	`max_pixels` は無効です	`16384 トークン`	`16777216` (`163843232`)
	`32*32`	`false` (デフォルト)	カスタマイズ可能です。デフォルトは `1310720` で、最大値は `16777216` です。	`max_pixels` によって決定されます (`max_pixels/32/32`)。	`max_pixels`
その他の `qwen-vl-max`、その他の `qwen-vl-plus`、`Qwen2.5-VL` オープンソースシリーズ、および `QVQ` シリーズモデル	`28*28`	`true`	`max_pixels` は無効です	`16384 トークン`	`12845056` (`163842828`)
	`28*28`	`false` (デフォルト)	カスタマイズ可能です。デフォルトは `1003520` で、最大値は `12845056` です。	`max_pixels` によって決定されます (`max_pixels/28/28`)。	`max_pixels`

vl_high_resolution_images=true の場合、API は固定解像度ポリシーを使用し、max_pixels 設定を無視します。これは、画像内の微細なテキスト、小さなオブジェクト、または豊富な詳細を認識するのに役立ちます。
vl_high_resolution_images=false の場合、最終的なピクセル制限は max_pixels パラメーター値によって決定されます。
- 高い処理速度またはコスト重視のシナリオでは、max_pixels のデフォルト値を使用するか、より小さな値に設定します。
- 処理速度の低下が許容できる場合に詳細に焦点を当てるには、max_pixels の値を適度に増加させます。

OpenAI 互換

vl_high_resolution_images は標準の OpenAI パラメーターではありません。これを渡す方法は、異なる言語の SDK 間で異なります。

Python SDK: パラメーターを extra_body ディクショナリで渡します。
Node.js SDK: パラメーターをトップレベルパラメーターとして直接渡します。

Python

import os
import time
from openai import OpenAI

client = OpenAI(
    # リージョンによって API キーが異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。
    # 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3.5-plus",
    messages=[
        {"role": "user","content": [
            {"type": "image_url","image_url": {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"},
            # max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は無効ですが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
            # "max_pixels": 16384 * 32 * 32
            },
           {"type": "text", "text": "What festival atmosphere does this picture show?"},
            ],
        }
    ],
    extra_body={"vl_high_resolution_images":True}

)
print(f"Model output: {completion.choices[0].message.content}")
print(f"Total input tokens: {completion.usage.prompt_tokens}")

Node.js

import OpenAI from "openai";

const openai = new OpenAI(
    {
        // リージョンによって API キーが異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
        // 環境変数を設定していない場合は、以下の行を Model Studio API キーに置き換えてください: apiKey: "sk-xxx"
        apiKey: process.env.DASHSCOPE_API_KEY,
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1 に変更してください。
        // 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1 に置き換えてください。
        baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
    }
);

const response = await openai.chat.completions.create({
        model: "qwen3.5-plus",
        messages: [
        {role: "user",content: [
            {type: "image_url",
            image_url: {"url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"},
            // max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は無効ですが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
            // "max_pixels": 2560 * 32 * 32
            },
            {type: "text", text: "What festival atmosphere does this picture show?" },
        ]}],
        vl_high_resolution_images:true
    })


console.log("Model output:",response.choices[0].message.content);
console.log("Total input tokens",response.usage.prompt_tokens);

curl

# ======= 重要 =======
# リージョンによって API キーが異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/compatible-mode/v1/chat/completions に変更してください。
# 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions に置き換えてください。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
  "model": "qwen3.5-plus",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "image_url",
          "image_url": {
            "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"
          }
        },
        {
          "type": "text",
          "text": "What festival atmosphere does this picture show?"
        }
      ]
    }
  ],
  "vl_high_resolution_images":true
}'

DashScope

Python

import os
import time

import dashscope

# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
# 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

messages = [
    {
        "role": "user",
        "content": [
            {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg",
            # max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は無効ですが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
            # "max_pixels": 16384 * 32 * 32
            },
            {"text": "What festival atmosphere does this picture show?"}
        ]
    }
]

response = dashscope.MultiModalConversation.call(
        # 環境変数を設定していない場合は、以下の行を Model Studio API キーに置き換えてください: api_key="sk-xxx"
        # リージョンによって API キーが異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
        api_key=os.getenv('DASHSCOPE_API_KEY'),
        model='qwen3.5-plus',
        messages=messages,
        vl_high_resolution_images=True
    )
    
print("Model output",response.output.choices[0].message.content[0]["text"])
print("Total input tokens:",response.usage.input_tokens)

Java

import java.util.Arrays;
import java.util.Collections;
import java.util.Map;
import java.util.HashMap;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.common.MultiModalMessage;
import com.alibaba.dashscope.common.Role;
import com.alibaba.dashscope.exception.ApiException;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.exception.UploadFileException;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        // 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1 に変更してください。
        // 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1 に置き換えてください。
        Constants.baseHttpApiUrl="https://dashscope-intl.aliyuncs.com/api/v1";
    }
    
    public static void simpleMultiModalConversationCall()
            throws ApiException, NoApiKeyException, UploadFileException {
        MultiModalConversation conv = new MultiModalConversation();
        Map<String, Object> map = new HashMap<>();
        map.put("image", "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg");
        // max_pixels は入力画像の最大ピクセルしきい値を表します。vl_high_resolution_images=True の場合は無効ですが、vl_high_resolution_images=False の場合はカスタマイズ可能です。最大値はモデルによって異なります。
        // map.put("max_pixels", 2621440); 
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map,
                        Collections.singletonMap("text", "What festival atmosphere does this picture show?"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                // 環境変数を設定していない場合は、以下の行を Model Studio API キーに置き換えてください: .apiKey("sk-xxx")
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen3.5-plus")
                .message(userMessage)
                .vlHighResolutionImages(true)
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("text"));
        System.out.println(result.getUsage().getInputTokens());
    }

    public static void main(String[] args) {
        try {
            simpleMultiModalConversationCall();
        } catch (ApiException | NoApiKeyException | UploadFileException e) {
            System.out.println(e.getMessage());
        }
        System.exit(0);
    }
}

curl

# ======= 重要 =======
# リージョンによって API キーが異なります。API キーの取得方法については、https://www.alibabacloud.com/help/model-studio/get-api-key をご参照ください。
# 以下はシンガポールリージョンの base_url です。米国 (バージニア) リージョンでモデルを使用する場合は、base_url を https://dashscope-us.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に変更してください。
# 中国 (北京) リージョンでモデルを使用する場合は、base_url を https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation に置き換えてください。
# === 実行前にこのコメントを削除してください ===

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3.5-plus",
    "input":{
        "messages":[
            {
             "role": "user",
             "content": [
               {"image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250212/earbrt/vcg_VCG211286867973_RF.jpg"},
               {"text": "What festival atmosphere does this picture show?"}
                ]
            }
        ]
    },
    "parameters": {
        "vl_high_resolution_images": true
    }
}'

その他の利用方法

制限事項

入力ファイルの制限

イメージの制限

イメージ解像度:
- 最小サイズ：イメージの幅および高さは、ともに 10 ピクセルより大きくする必要があります。
- アスペクト比：イメージの長辺と短辺の比率は、200:1 を超えてはなりません。
- ピクセル数の上限：
  - イメージ解像度は、8K (7680×4320) 以内に収めることが推奨されます。この上限を超える解像度のイメージは、ファイルサイズが大きくなることやネットワーク伝送時間が長くなることにより、API 呼び出しのタイムアウトを引き起こす可能性があります。
  - 自動スケーリング：モデルは max_pixels および min_pixels を使用してイメージサイズを調整できます。したがって、超高解像度のイメージを提供しても認識精度は向上せず、むしろ呼び出し失敗のリスクが高まります。クライアント側で事前に適切なサイズにスケーリングすることを推奨します。
サポートされるイメージフォーマット
- 解像度が 4K (3840×2160) 未満の場合、サポートされるイメージフォーマットは以下のとおりです：
  イメージフォーマット
  一般的な拡張子
  MIME タイプ
  BMP
  .bmp
  image/bmp
  JPEG
  .jpe、.jpeg、.jpg
  image/jpeg
  PNG
  .png
  image/png
  TIFF
  .tif、.tiff
  image/tiff
  WEBP
  .webp
  image/webp
  HEIC
  .heic
  image/heic
- 解像度が 4K (3840×2160) から 8K (7680×4320) の範囲では、JPEG、JPG、PNG のみがサポートされます。
イメージサイズ:
- パブリック URL として渡す場合：Qwen3.5 では単一イメージのサイズは 20 MB を超えてはならず、その他のモデルでは 10 MB を超えてはなりません。
- ローカルパスとして渡す場合：単一イメージのサイズは 10 MB を超えてはなりません。
- Base64 エンコード文字列として渡す場合：エンコード後の文字列は 10 MB を超えてはなりません。
ファイルサイズの圧縮方法について詳しくは、「イメージまたは動画を指定サイズに圧縮する方法」をご参照ください。
サポートされるイメージ数: 複数のイメージを同時に渡す場合、イメージ数はモデルの最大入力数によって制限されます。すべてのイメージおよびテキストのトークン総数は、モデルの最大入力数より小さくなければなりません。
たとえば、思考モードで qwen3-vl-plus モデルを使用する場合、最大入力は 258048 トークン です。入力テキストが 100 トークンを消費し、各イメージが 2560 トークンを消費する場合（イメージトークンの算出方法については、「課金およびレート制限」をご参照ください）、渡すことのできるイメージの最大数は (258048 − 100) ÷ 2560 ≈ 100 個となります。

動画の制限

イメージリストとして渡す場合、リスト内のイメージ数は以下のとおり制限されます：
- qwen3.5 シリーズ：最低 4 枚、最大 8,000 枚。
- qwen3-vl-plus シリーズ、qwen3-vl-flash シリーズ、qwen3-vl-235b-a22b-thinking、および qwen3-vl-235b-a22b-instruct：最低 4 枚、最大 2,000 枚。
- その他の Qwen3-VL オープンソース、Qwen2.5-VL（商用版およびオープンソース版を含む）、および QVQ シリーズモデル：最低 4 枚、最大 512 枚。
- その他のモデル：最低 4 枚、最大 80 枚。
動画ファイルとして渡す場合：
- 動画サイズ:
  - パブリック URL として渡す場合：
    - qwen3.5 シリーズ、Qwen3-VL シリーズ、および qwen-vl-max（qwen-vl-max-latest、qwen-vl-max-2025-04-08、およびその後のすべてのバージョンを含む）：2 GB を超えてはなりません。
    - qwen-vl-plus シリーズ、その他の qwen-vl-max モデル、Qwen2.5-VL オープンソースシリーズ、および QVQ シリーズモデル：1 GB を超えてはなりません。
    - その他のモデル：150 MB を超えてはなりません。
  - Base64 エンコード文字列として渡す場合：エンコード後の文字列は 10 MB 未満である必要があります。
  - ローカルファイルパスとして渡す場合：動画ファイルは 100 MB を超えてはなりません。
  ファイルサイズの圧縮方法について詳しくは、「イメージまたは動画を指定サイズに圧縮する方法」をご参照ください。
- 動画の再生時間:
  - qwen3.5 シリーズ：2 秒～2 時間。
  - qwen3-vl-plus シリーズ、qwen3-vl-flash シリーズ、qwen3-vl-235b-a22b-thinking、および qwen3-vl-235b-a22b-instruct：2 秒～1 時間。
  - その他の Qwen3-VL オープンソースシリーズおよび qwen-vl-max（qwen-vl-max-latest、qwen-vl-max-2025-04-08、およびその後の更新版を含む）：2 秒～20 分。
  - qwen-vl-plus シリーズ、その他の qwen-vl-max モデル、Qwen2.5-VL オープンソースシリーズ、および QVQ シリーズモデル：2 秒～10 分。
  - その他のモデル：2 秒～40 秒。
- 動画フォーマット: MP4、AVI、MKV、MOV、FLV、WMV など。
- 動画ディメンション: 特定の制限はありません。モデルは max_pixels および min_pixels を使用して動画ディメンションを自動調整できます。大きな動画ファイルであっても、理解精度が向上することはありません。
- 音声理解: モデルは動画ファイル内の音声を理解しません。

ファイル入力方法

パブリック URL：HTTP または HTTPS プロトコルをサポートする、公開可能なファイルアドレスを指定します。安定性およびパフォーマンスを最適化するためには、ファイルを OSS にアップロードし、パブリック URL を取得することを推奨します。
重要
モデルがファイルを正常にダウンロードできるようにするため、パブリック URL のリクエストヘッダーには、必ず Content-Length（ファイルサイズ）および Content-Type（メディアタイプ、例：image/jpeg）を含める必要があります。いずれかのフィールドが欠落している、または不正な値が設定されている場合、ファイルのダウンロードは失敗します。
Base64 エンコード文字列として渡す: ファイルを Base64 エンコード文字列に変換してから渡します。
ローカルファイルパスとして渡す（DashScope SDK のみ対応）: ローカルファイルのパスを指定します。

ファイル入力方法に関する推奨事項については、「ファイルアップロード方法の選択方法

本番稼働

画像/動画の前処理：視覚理解モデルには、入力ファイルのサイズに制限があります。ファイルの圧縮方法の詳細については、画像または動画の圧縮方法をご参照ください。
テキストファイルの処理：視覚理解モデルは画像フォーマットのファイル処理のみをサポートしており、テキストファイルを直接処理することはできません。以下の代替方法を使用してください。
- テキストファイルを画像フォーマットに変換します。推奨される方法として、Python の pdf2image のような画像処理ライブラリを使用して、ファイルをページごとに複数の高品質な画像に変換します。その後、複数画像入力メソッドを使用してモデルに渡します。
- Qwen-Long はテキストファイルの処理をサポートしており、ファイル内容を解析できます。

フォールトトレランスと安定性
- タイムアウト処理：非ストリーミング呼び出しにおいて、モデルが 180 秒以内に出力を完了しない場合、通常はタイムアウトエラーがトリガーされます。ユーザーエクスペリエンスを向上させるため、タイムアウト後にはレスポンス本文に生成済みのコンテンツが返されます。レスポンスヘッダーに x-dashscope-partialresponse:true が含まれている場合、そのレスポンスはタイムアウトがトリガーされたことを示します。部分モード機能 (一部のモデルでサポート) を使用して、生成されたコンテンツを messages 配列に追加し、リクエストを再送信できます。これにより、大規模モデルはコンテンツの生成を継続できます。詳細については、不完全な出力に基づく継続書き込みをご参照ください。
- リトライメカニズム：ネットワークの変動や一時的なサービスの利用不可に対応するため、エクスポネンシャルバックオフなどの合理的な API 呼び出しのリトライロジックを設計してください。

課金とレート制限

課金: 総コストは、入力トークンおよび出力トークンの合計数に基づきます。入力および出力の価格については、「モデル一覧」をご参照ください。

トークンの構成：入力トークンはテキストトークンおよび画像・動画から変換されたトークンで構成されます。出力トークンは、モデルが生成するテキストです。思考モードでは、モデルの思考プロセスも出力トークンに含まれます。思考モードで思考プロセスが出力されない場合は、非思考モードの料金が適用されます。

画像および動画のトークン数算出方法：以下のコードを使用して、画像または動画のトークン消費量を概算できます。この概算値は参考用であり、実際の利用量は API 応答に基づきます。

画像および動画のトークン数算出

画像

計算式：画像トークン数 = h_bar × w_bar ÷ token_pixels + 2

h_bar、w_bar：スケーリング後の画像の高さおよび幅。画像を処理する前に、モデルは画像を特定の画素数制限まで縮小する前処理を行います。この画素数制限は、max_pixels パラメーターおよび vl_high_resolution_images パラメーターの値によって決まります。詳細については、「高解像度画像の処理」をご参照ください。
token_pixels：各視覚的 トークン に対応する画素値。この値はモデルによって異なります：
- Qwen3.5、Qwen3-VL、qwen-vl-max、qwen-vl-max-latest、qwen-vl-max-2025-08-13、qwen-vl-plus、qwen-vl-plus-latest、qwen-vl-plus-2025-08-15、および：各 トークン は 32×32 画素に対応します。
- QVQ およびその他の Qwen2.5-VL モデル：各トークンは 28×28 画素に対応します。

以下のコードは、モデル内部における画像の近似スケーリングロジックを示しています。画像のトークン数を概算する際にご利用ください。実際の課金は API 応答に基づきます。

import math
# Pillow ライブラリをインストールするには、次のコマンドを実行してください：pip install Pillow
from PIL import Image

def token_calculate(image_path, max_pixels, vl_high_resolution_images):
    # 指定された画像ファイルを開きます。
    image = Image.open(image_path)

    # 画像の元のサイズを取得します。
    height = image.height
    width = image.width

    # モデルに応じて、幅および高さを 32 または 28 の倍数に調整します。
    h_bar = round(height / 32) * 32
    w_bar = round(width / 32) * 32

    # 画像トークン数の下限：4 トークン。
    min_pixels = 4 * 32 * 32
    # vl_high_resolution_images を True に設定した場合、入力画像トークン数の上限は 16,386 となり、対応する最大画素値は 16384 × 32 × 32 または 16384 × 28 × 28 になります。それ以外の場合は、max_pixels に設定された値が使用されます。
    if vl_high_resolution_images:
        max_pixels = 16384 * 32 * 32
    else:
        max_pixels = max_pixels

    # 画像の総画素数が [min_pixels, max_pixels] の範囲内になるようにスケーリングします。
    if h_bar * w_bar > max_pixels:
        # スケーリング後の画像の総画素数が max_pixels を超えないようにするためのスケーリング係数 beta を計算します。
        beta = math.sqrt((height * width) / max_pixels)
        # 調整後の幅および高さを再計算します。
        h_bar = math.floor(height / beta / 32) * 32
        w_bar = math.floor(width / beta / 32) * 32
    elif h_bar * w_bar < min_pixels:
        # スケーリング後の画像の総画素数が min_pixels を下回らないようにするためのスケーリング係数 beta を計算します。
        beta = math.sqrt(min_pixels / (height * width))
        # 調整後の高さを再計算します。
        h_bar = math.ceil(height * beta / 32) * 32
        w_bar = math.ceil(width * beta / 32) * 32
    return h_bar, w_bar

if __name__ == "__main__":
    # xxx/test.jpg をご利用のローカル画像のパスに置き換えてください。
    h_bar, w_bar =  token_calculate("xxx/test.jpg", max_pixels=16384*32*32, vl_high_resolution_images=False)
    print(f"スケーリング後の画像サイズ：高さ {h_bar}、幅 {w_bar}")
    # システムは自動的に <vision_bos> および <vision_eos> の視覚マーカー（それぞれ 1 トークン）を追加します。
    token = int((h_bar * w_bar) / (32 * 32))+2
    print(f"画像のトークン数：{token}")

動画

動画ファイル：

モデルが動画ファイルを処理する際には、まず動画フレームを抽出し、その後すべてのフレームのトークン数の合計を算出します。以下のコードを使用して、動画のパスを指定することで、動画のトークン消費量の合計を概算できます：

# 使用前にインストール：pip install opencv-python
import math
import os
import logging
import cv2

logger = logging.getLogger(__name__)

FRAME_FACTOR = 2

# Qwen3-VL、qwen-vl-max-0813、qwen-vl-plus-0815、qwen-vl-plus-0710 モデルの場合、画像スケーリング係数は 32 です。
IMAGE_FACTOR = 32

# その他のモデルの場合、画像スケーリング係数は 28 です。
# IMAGE_FACTOR = 28

# 動画フレームの最大縦横比
MAX_RATIO = 200
# 動画フレームの最小画素数
VIDEO_MIN_PIXELS = 4 * 32 * 32
# 動画フレームの最大画素数。Qwen3-VL-Plus モデルの場合、VIDEO_MAX_PIXELS は 640 × 32 × 32 です。その他のモデルの場合、768 × 32 × 32 です。
VIDEO_MAX_PIXELS = 640 * 32 * 32

# FPS パラメーターがユーザーによって指定されない場合、デフォルト値が使用されます。
FPS = 2.0
# 抽出するフレームの最小数
FPS_MIN_FRAMES = 4
# 抽出するフレームの最大数。Qwen3-VL-Plus モデルの場合、FPS_MAX_FRAMES を 2000 に設定します。Qwen3-VL-Flash および Qwen2.5-VL モデルの場合、512 に設定します。その他のモデルの場合、80 に設定します。
FPS_MAX_FRAMES = 2000

# 動画入力の最大画素値。Qwen3-VL-Plus モデルの場合、VIDEO_TOTAL_PIXELS を 131072 × 32 × 32 に設定します。その他のモデルの場合、65536 × 32 × 32 に設定します。
VIDEO_TOTAL_PIXELS = int(float(os.environ.get('VIDEO_MAX_PIXELS', 131072 * 32 * 32)))

def round_by_factor(number: int, factor: int) -> int:
    """'number' に最も近い 'factor' の倍数を返します。"""
    return round(number / factor) * factor

def ceil_by_factor(number: int, factor: int) -> int:
    """'number' 以上で最小の 'factor' の倍数を返します。"""
    return math.ceil(number / factor) * factor

def floor_by_factor(number: int, factor: int) -> int:
    """'number' 以下で最大の 'factor' の倍数を返します。"""
    return math.floor(number / factor) * factor

def extract_vision_info(conversations):
    vision_infos = []
    if isinstance(conversations[0], dict):
        conversations = [conversations]
    for conversation in conversations:
        for message in conversation:
            if isinstance(message["content"], list):
                for ele in message["content"]:
                    if (
                        "image" in ele
                        or "image_url" in ele
                        or "video" in ele
                        or ele.get("type","") in ("image", "image_url", "video")
                    ):
                        vision_infos.append(ele)
    return vision_infos

def smart_nframes(ele,total_frames,video_fps):
    """抽出する動画フレーム数を計算します。

    引数：
        ele (dict)：動画設定を含む辞書。
            - fps：モデル入力として抽出するフレーム数を制御します。
        total_frames (int)：動画の元の総フレーム数。
        video_fps (int | float)：動画の元のフレームレート。

    例外：
        nframes が [FRAME_FACTOR, total_frames] の区間外にある場合、エラーが発生します。

    戻り値：
        モデル入力用の動画フレーム数。
    """
    assert not ("fps" in ele and "nframes" in ele), "『fps』または『nframes』のいずれか一方のみを指定できます"
    fps = ele.get("fps", FPS)
    min_frames = ceil_by_factor(ele.get("min_frames", FPS_MIN_FRAMES), FRAME_FACTOR)
    max_frames = floor_by_factor(ele.get("max_frames", min(FPS_MAX_FRAMES, total_frames)), FRAME_FACTOR)
    duration = total_frames / video_fps if video_fps != 0 else 0
    if duration-int(duration)>(1/fps):
        total_frames = math.ceil(duration * video_fps)
    else:
        total_frames = math.ceil(int(duration)*video_fps)
    nframes = total_frames / video_fps * fps
    if nframes > total_frames:
        logger.warning(f"smart_nframes: nframes[{nframes}] > total_frames[{total_frames}]")
    nframes = int(min(min(max(nframes, min_frames), max_frames), total_frames))
    if not (FRAME_FACTOR <= nframes and nframes <= total_frames):
        raise ValueError(f"nframes は [{FRAME_FACTOR}, {total_frames}] の区間内である必要がありますが、{nframes} が指定されました。")

    return nframes

def get_video(video_path):
    # 動画情報を取得します。
    cap = cv2.VideoCapture(video_path)

    frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    # 動画の高さを取得します。
    frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))

    video_fps = cap.get(cv2.CAP_PROP_FPS)
    return frame_height, frame_width, total_frames, video_fps

def smart_resize(ele, path, factor=IMAGE_FACTOR):
    # 動画の元の幅および高さを取得します。
    height, width, total_frames, video_fps = get_video(path)
    # 動画フレームの最小トークン数
    min_pixels = VIDEO_MIN_PIXELS
    total_pixels = VIDEO_TOTAL_PIXELS
    # 抽出される動画フレーム数
    nframes = smart_nframes(ele, total_frames, video_fps)
    max_pixels = max(min(VIDEO_MAX_PIXELS, total_pixels / nframes * FRAME_FACTOR),int(min_pixels * 1.05))

    # 動画の縦横比は 200:1 または 1:200 を超えてはなりません。
    if max(height, width) / min(height, width) > MAX_RATIO:
        raise ValueError(
            f"絶対縦横比は {MAX_RATIO} より小さくなければなりません。現在の値：{max(height, width) / min(height, width)}"
        )

    h_bar = max(factor, round_by_factor(height, factor))
    w_bar = max(factor, round_by_factor(width, factor))
    if h_bar * w_bar > max_pixels:
        beta = math.sqrt((height * width) / max_pixels)
        h_bar = floor_by_factor(height / beta, factor)
        w_bar = floor_by_factor(width / beta, factor)
    elif h_bar * w_bar < min_pixels:
        beta = math.sqrt(min_pixels / (height * width))
        h_bar = ceil_by_factor(height * beta, factor)
        w_bar = ceil_by_factor(width * beta, factor)
    return h_bar, w_bar


def token_calculate(video_path, fps):
    # 動画のパスおよびフレーム抽出用の fps パラメーターを渡します。
    messages = [{"content": [{"video": video_path, "fps": fps}]}]
    vision_infos = extract_vision_info(messages)[0]

    resized_height, resized_width = smart_resize(vision_infos, video_path)

    height, width, total_frames, video_fps = get_video(video_path)
    num_frames = smart_nframes(vision_infos, total_frames, video_fps)
    print(f"元の動画サイズ：{height}×{width}、モデル入力用サイズ：{resized_height}×{resized_width}、総動画フレーム数：{total_frames}、fps={fps} の場合の抽出フレーム数：{num_frames}", end=", ")
    video_token = int(math.ceil(num_frames / 2) * resized_height / 32 * resized_width / 32)
    video_token += 2   # システムは自動的に <|vision_bos|> および <|vision_eos|> の視覚マーカー（それぞれ 1 トークン）を追加します。
    return video_token


video_token = token_calculate("xxx/test.mp4", 1)
print("動画トークン数：", video_token)

画像リスト：

動画を画像リストとして提供する場合、フレーム抽出ステップは既に完了しています。以下のコードを使用して、画像のパスおよび画像数を指定することで、画像リストのトークン消費量を算出できます：

# 使用前にインストール：pip install Pillow
import math
import os
import logging
from typing import Tuple
from PIL import Image

logger = logging.getLogger(__name__)

# ==================== 定数定義 ====================
FRAME_FACTOR = 2
# Qwen3.5、Qwen3-VL、qwen-vl-max-0813、qwen-vl-plus-0815、qwen-vl-plus-0710 などのモデルの場合、ズーム係数は 32 です。
IMAGE_FACTOR = 32

# その他のモデルの場合、ズーム係数は 28 です。
# IMAGE_FACTOR = 28

# トークン算出用定数
TOKEN_DIVISOR = 32  # トークン算出の除数
VISION_SPECIAL_TOKENS = 2  # <|vision_bos|> および <|vision_eos|> トークン

# 動画フレームの最大縦横比
MAX_RATIO = 200
# 動画フレームの最小画素数
VIDEO_MIN_PIXELS = 4 * 32 * 32
# 動画フレームの最大画素数。Qwen3-VL-Plus モデルの場合、VIDEO_MAX_PIXELS は 640 × 32 × 32 です。その他のモデルの場合、768 × 32 × 32 です。
VIDEO_MAX_PIXELS = 640 * 32 * 32

# 動画入力の最大画素値。Qwen3-VL-Plus モデルの場合、VIDEO_TOTAL_PIXELS を 131072 × 32 × 32 に設定します。その他のモデルの場合、65536 × 32 × 32 に設定します。
VIDEO_TOTAL_PIXELS = int(float(os.environ.get('VIDEO_MAX_PIXELS', 131072 * 32 * 32)))

def round_by_factor(number: int, factor: int) -> int:
    """"number" に最も近い "factor" の倍数を返します。"""
    return round(number / factor) * factor

def ceil_by_factor(number: int, factor: int) -> int:
    """"number" 以上で最小の "factor" の倍数を返します。"""
    return math.ceil(number / factor) * factor

def floor_by_factor(number: int, factor: int) -> int:
    """"number" 以下で最大の "factor" の倍数を返します。"""
    return math.floor(number / factor) * factor


def get_image_size(image_path: str) -> Tuple[int, int]:
    if not os.path.exists(image_path):
        raise FileNotFoundError(f"画像ファイルが見つかりません：{image_path}")

    try:
        image = Image.open(image_path)
        height = image.height
        width = image.width
        image.close()  # ファイルを速やかに閉じます。
        return height, width
    except Exception as e:
        raise ValueError(f"画像ファイル {image_path} を読み取れません：{str(e)}")

def smart_resize(height: int, width: int, nframes: int, factor: int = IMAGE_FACTOR) -> Tuple[int, int]:
    """
    スケーリング後の画像のサイズを計算します。

    引数：
        height：元の画像の高さ。
        width：元の画像の幅。
        nframes：動画フレーム数。
        factor：ズーム係数。デフォルトは IMAGE_FACTOR。

    戻り値：
        (resized_height, resized_width)：スケーリング後の高さおよび幅。

    例外：
        縦横比が制限を超えた場合。
    """
    # 動画フレームのトークン数の下限
    min_pixels = VIDEO_MIN_PIXELS
    total_pixels = VIDEO_TOTAL_PIXELS
    # フレームごとの最大許容画素数を計算します。
    max_pixels = max(min(VIDEO_MAX_PIXELS, total_pixels / nframes * FRAME_FACTOR), int(min_pixels * 1.05))

    # 動画の縦横比は 200:1 または 1:200 を超えてはなりません。
    aspect_ratio = max(height, width) / min(height, width)
    if aspect_ratio > MAX_RATIO:
        raise ValueError(
            f"画像の縦横比は {MAX_RATIO}:1 より小さくなければなりません。現在の比率：{aspect_ratio:.2f}:1。"
        )

    h_bar = max(factor, round_by_factor(height, factor))
    w_bar = max(factor, round_by_factor(width, factor))
    if h_bar * w_bar > max_pixels:
        beta = math.sqrt((height * width) / max_pixels)
        h_bar = floor_by_factor(height / beta, factor)
        w_bar = floor_by_factor(width / beta, factor)
    elif h_bar * w_bar < min_pixels:
        beta = math.sqrt(min_pixels / (height * width))
        h_bar = ceil_by_factor(height * beta, factor)
        w_bar = ceil_by_factor(width * beta, factor)
    return h_bar, w_bar


def calculate_video_tokens(image_path: str, nframes: int = 1, factor: int = IMAGE_FACTOR, verbose: bool = True) -> int:
    """

    引数：
        image_path：動画フレームファイルのパス。
        nframes：動画フレーム数。
        factor：ズーム係数。デフォルトは IMAGE_FACTOR。
        verbose：詳細情報を表示するかどうか。

    戻り値：
        消費されるトークン数。

    例外：
        ファイルが存在しない場合。
        ファイル形式が無効である場合、または縦横比が制限を超えた場合。
    """
    # 元の画像サイズを取得します（1 回だけ読み取ります）。
    height, width = get_image_size(image_path)

    # スケーリング後のサイズを計算します。
    resized_height, resized_width = smart_resize(height, width, nframes, factor)

    # トークン数を計算します。
    # 計算式：ceil(nframes / 2) × (resized_height / TOKEN_DIVISOR) × (resized_width / TOKEN_DIVISOR) + VISION_SPECIAL_TOKENS
    video_token = int(
        math.ceil(nframes / 2) *
        (resized_height / TOKEN_DIVISOR) *
        (resized_width / TOKEN_DIVISOR)
    )
    # 視覚マーカー (<|vision_bos|> および <|vision_eos|>) のトークンを追加します。
    video_token += VISION_SPECIAL_TOKENS

    if verbose:
        print(f"元の動画フレームサイズ：{height}×{width}、モデルへの入力サイズ：{resized_height}×{resized_width}、 ", end="")

    return video_token

if __name__ == "__main__":
    try:
        video_token = calculate_video_tokens("xxx/test.jpg", nframes=30)
        print(f"動画トークン数：{video_token}\n")
    except Exception as e:
        print(f"エラー：{str(e)}\n")

請求明細の確認：「請求およびコスト」コンソールで請求明細を確認したり、アカウントにチャージしたりできます。
レート制限： 「レート制限」をご参照ください。
無料クォータ（シンガポールのみ）：視覚理解モデルでは、100 万トークンの無料クォータが提供されており、Model Studio の有効化日またはモデル利用申請の承認日から 90 日間有効です。

API リファレンス

視覚理解モデルの入力および出力パラメーターについては、「Qwen」をご参照ください。

よくある質問

ファイルのアップロード方法をどのように選択すればよいですか？

SDK の種類、ファイルサイズ、ネットワークの安定性に応じて、最も適したアップロード方法を選択してください。

タイプ	仕様	DashScope SDK (Python、Java)	OpenAI 互換 / DashScope HTTP
イメージ	7 MB より大きく、10 MB 未満	ローカルパスを指定します	パブリックURLのみがサポートされています。Object Storage Service のご使用を推奨します。Object Storage Service。
イメージ	7 MB 未満	ローカルパスを指定します	Base64 エンコーディング
動画	100 MB より大きい	パブリック URL のみがサポートされています。Object Storage Service の使用を推奨します。	パブリック URL のみサポートされています。Object Storage Service のご使用を推奨します。
	7 MB より大きく、100 MB 未満	ローカルパスを指定します	パブリック URL のみがサポートされています。Object Storage Service の使用を推奨します。Object Storage Service。
	7 MB 未満	ローカルパスを指定します	Base64 エンコーディング

Base64 エンコーディングではデータサイズが増加します。元のファイルサイズは 7 MB 未満である必要があります。

Base64 エンコーディングまたはローカルパスを使用すると、サーバー側のダウンロードタイムアウトを回避でき、安定性が向上します。

イメージまたは動画を所定のサイズに圧縮するにはどうすればよいですか？

視覚理解モデルでは、入力ファイルのサイズに制限があります。以下の方法でファイルを圧縮してください。

イメージの圧縮方法

オンラインツール: CompressJPEG や TinyPng などのオンラインツールを使用します。
ローカルソフトウェア： Photoshop などのソフトウェアで、エクスポート時の品質を調整してください。

コード実装：

# pip install pillow

from PIL import Image
def compress_image(input_path, output_path, quality=85):
    with Image.open(input_path) as img:
        img.save(output_path, "JPEG", optimize=True, quality=quality)

# ローカルのイメージを指定
compress_image("/xxx/before-large.jpeg","/xxx/after-min.jpeg")

動画の圧縮方法

オンラインツール: FreeConvert などのオンラインツールを使用します。
ローカルソフトウェア： HandBrake などのソフトウェアをご利用ください。

コード実装： FFmpeg ツールをご利用ください。詳細については、「FFmpeg 公式サイト」をご参照ください。

# 基本的な変換コマンド
# -i：入力ファイルのパス（例：input.mp4）
# -vcodec：ビデオエンコーダ（一般的な値：libx264（汎用推奨）、libx265（圧縮率が高い））
# -crf：ビデオ品質を制御（有効値範囲：[18-28]。値が小さいほど品質が高く、ファイルサイズも大きくなります）
# --preset：エンコード速度と圧縮効率のバランスを制御（一般的な値：slow、fast、faster）
# -y：既存ファイルを上書き（値不要）
# output.mp4：出力ファイルのパス

ffmpeg -i input.mp4 -vcodec libx264 -crf 28 -preset slow output.mp4

モデルが出力したオブジェクトのローカライズ結果に基づき、元のイメージ上にバウンディングボックスを描画するにはどうすればよいですか？

視覚理解モデルが出力したオブジェクトのローカライズ結果をもとに、以下のコードを使用して、元のイメージ上にバウンディングボックスおよびそのラベルを描画できます。

Qwen2.5-VL：座標をピクセル単位の絶対値で返します。これらの座標は、スケーリング後のイメージの左上を基準としています。バウンディングボックスの描画については、「qwen2_5_vl_2d.py」のコードをご参照ください。
Qwen3-VL：座標を正規化された相対値で返し、有効値範囲は [0, 999] です。バウンディングボックスの描画については、「qwen3_vl_2d.py」（2D ローカライズ用）または「qwen3_vl_3d.zip」（3D ローカライズ用）のコードをご参照ください。

エラーコード

モデルの呼び出しに失敗し、エラーメッセージが返された場合は、解決方法については、「エラーメッセージ」をご参照ください。

イメージフォーマット	一般的な拡張子	MIME タイプ
BMP	.bmp	image/bmp
JPEG	.jpe、.jpeg、.jpg	image/jpeg
PNG	.png	image/png
TIFF	.tif、.tiff	image/tiff
WEBP	.webp	image/webp
HEIC	.heic	image/heic