モデルの概要
Alibaba Cloud Model Studioが提供する、リアルタイムの音声・映像対話向けマルチモーダルモデル。公式のモデル更新一覧には、2026年9月21日付で掲載されている。(alibabacloud.com)
能力と用途
- テキスト、ストリーミング音声、連続画像フレームによる動画を入力し、テキストと音声を出力する。
- カスタムツールのFunction Calling、リモートMCPツール、動画の集約に対応する。
- WebSocket接続では1・2・4チャンネルの音声入力に対応し、マルチチャンネル入力には16 kHz PCMを使用する。WebSocket、WebRTC、AOQで接続できる。
- 音声アシスタント、顧客対応、カメラ映像についての質疑応答などに利用できる。(help.aliyun.com)
制限
- 利用地域は北京とシンガポールで、選択地域に対応するAPIキーが必要。WebSocketではワークスペースに紐づく接続先を使用する。
- 入力は合計196,608トークン、出力は最大65,536トークン。音声履歴は最大100ターンかつ累計600秒、動画履歴は最大50ターンかつ累計240秒。履歴の上限を超えると古い履歴が破棄される。媒体の累計時間はセッション全体の時間とは異なる。
- 公表されているレート制限は両地域とも毎分60リクエスト、毎分2,000,000トークン。(help.aliyun.com)
料金
以下は本モデルの公式掲載料金。単位はすべて100万トークン当たりで、入力と出力を別々に課金する。音声出力時は、音声とそれに対応するテキストの両方に、それぞれの出力料金が適用される。国内サイトのCNY料金と国際サイトのUSD料金は、それぞれのサイトに掲載された価格であり、同一プランの為替換算額ではない。(help.aliyun.com)
| 公式サイト・地域 | 通貨 | 入力:テキスト・画像・動画 | 入力:音声 | 出力:テキスト | 出力:音声 |
|---|---|---|---|---|---|
| 中国国内サイト・北京 | CNY | 1.5 | 6 | 4.5 | 12 |
| 中国国内サイト・シンガポール | CNY | 1.677 | 6.781 | 5.104 | 13.636 |
| 国際サイト・北京 | USD | 0.212 | 0.848 | 0.636 | 1.696 |
| 国際サイト・シンガポール | USD | 0.23 | 0.93 | 0.7 | 1.87 |
- 無料枠は、中国国内サイトでは北京のみ、国際サイトではシンガポールのみで100万トークン。いずれもサービス開通日、モデル公開日、申請承認日のうち最も遅い日から90日間有効。(help.aliyun.com)
- 料金確認日:2026年11月16日。中国国内公式料金/国際公式料金。