マルチモーダル埋め込み API

import os
import dashscope
from dashscope.v2 import DashScopeError
# 以下はシンガポールリージョンの設定です。リージョンによって region の値は異なります。呼び出し時は、{WorkspaceId} をお使いのワークスペース ID に置き換えてください。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、api_key = "sk-xxx" に置き換えてください
    # 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/model-studio/regions をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

# マルチモーダル融合埋め込み：テキスト、画像、動画を単一の融合埋め込みに統合します。
# クロスモーダル取得や画像検索などのアプリケーションに最適です。
text = "This is a test text for generating a multimodal fused embedding."
image = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"
video = "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250107/lbcemt/new+video.mp4"

# 入力にはテキスト、画像、動画が含まれます。enable_fusion=True を設定して、単一の融合埋め込みを生成します。
input_data = [
    {"text": text},
    {"image": image},
    {"video": video}
]

try:
    # qwen3-vl-embedding を使用して融合埋め込みを生成します。
    resp = client.multimodal.embeddings.create(
        model="qwen3-vl-embedding",
        input=input_data,
        enable_fusion=True,
        # 任意のパラメーター：埋め込みディメンションを指定します。サポートされる値は 2560、2048、1536、1024、768、512、256 です。デフォルトは 2560 です。
        # dimension=1024
    )
    print(resp.model_dump_json(indent=4))
except DashScopeError as e:
    print(f"HTTP status code: {e.status_code}")
    print(f"Error code: {e.code}")
    print(f"Error message: {e.message}")
    print("See: https://www.alibabacloud.com/help/ja/model-studio/developer-reference/error-code")

import os
import dashscope
from dashscope.v2 import DashScopeError
# 以下はシンガポールリージョンの設定です。リージョンによって region の値は異なります。呼び出し時は、{WorkspaceId} をお使いのワークスペース ID に置き換えてください。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、api_key = "sk-xxx" に置き換えてください
    # 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/model-studio/regions をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

# 複数画像＋テキスト融合埋め込み：複数の商品画像と説明テキストを単一の埋め込みに融合します。
# 多角度商品画像とテキスト説明を使用した包括的な意味的取得に適しています。
text = "White sports shoes, lightweight and breathable, suitable for running and daily wear."
image1 = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"
image2 = "https://img.alicdn.com/imgextra/i3/O1CN01rdstgY1uiZWt8gqSL_!!6000000006071-0-tps-1970-356.jpg"

# 複数画像の融合のために、複数の画像アイテムを渡します。`enable_fusion=True` により、すべての入力が単一の埋め込みに融合されます。
input_data = [
    {"text": text},
    {"image": image1},
    {"image": image2}
]

try:
    resp = client.multimodal.embeddings.create(
        model="qwen3-vl-embedding",
        input=input_data,
        enable_fusion=True
    )
    print(resp.model_dump_json(indent=4))
except DashScopeError as e:
    print(f"HTTP status code: {e.status_code}")
    print(f"Error code: {e.code}")
    print(f"Error message: {e.message}")
    print("See: https://www.alibabacloud.com/help/ja/model-studio/developer-reference/error-code")

import os
import dashscope
from dashscope.v2 import DashScopeError
# 以下はシンガポールリージョンの設定です。リージョンによって region の値は異なります。呼び出し時は、{WorkspaceId} をお使いのワークスペース ID に置き換えてください。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、api_key = "sk-xxx" に置き換えてください
    # 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/model-studio/regions をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

# tongyi-embedding-vision-plus-2026-03-06 の例
# res_level（解像度）および max_video_frames（ビデオフレーム）パラメーターの使用を示します。
image = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"
video = "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20250107/lbcemt/new+video.mp4"
text = "This is a visual multimodal representation model."

input_data = [
    {"text": text},
    {"image": image},
    {"video": video}
]

try:
    # 2026-03-06 スナップショットバージョンのモデルを呼び出します。
    resp = client.multimodal.embeddings.create(
        model="tongyi-embedding-vision-plus-2026-03-06",
        input=input_data,
        dimension=1152,      # サポートされる値：1152、1024、512、256、128、64
        res_level=1,         # 解像度レベル。サポートされる値：0、1、2、3。デフォルト：1。
        max_video_frames=64  # サンプリングする動画フレームの最大数。デフォルト：8、最大：64。
    )
    print(resp.model_dump_json(indent=4))
except DashScopeError as e:
    print(f"HTTP status code: {e.status_code}")
    print(f"Error code: {e.code}")
    print(f"Error message: {e.message}")
    print("See: https://www.alibabacloud.com/help/ja/model-studio/developer-reference/error-code")

import os
import dashscope
from dashscope.v2 import DashScopeError
# 以下はシンガポールリージョンの設定です。リージョンによって region の値は異なります。呼び出し時は、{WorkspaceId} をお使いのワークスペース ID に置き換えてください。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、api_key = "sk-xxx" に置き換えてください
    # 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/model-studio/regions をご参照ください。
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

# 融合埋め込み：テキスト、画像、動画を同じコンテンツオブジェクト内に配置します。
# モデルはすべての入力を融合し、タイプが "fused" の単一の埋め込みを生成します。
text = "White sports shoes, lightweight and breathable, suitable for running and daily wear."
image = "https://dashscope.oss-cn-beijing.aliyuncs.com/images/256_1.png"

# 同じオブジェクト内のマルチモーダルコンテンツは、単一の埋め込みに融合されます。
input_data = [
    {"text": text, "image": image}
]

try:
    resp = client.multimodal.embeddings.create(
        model="tongyi-embedding-vision-plus-2026-03-06",
        input=input_data,
        dimension=1152
    )
    print(resp.model_dump_json(indent=4))
except DashScopeError as e:
    print(f"HTTP status code: {e.status_code}")
    print(f"Error code: {e.code}")
    print(f"Error message: {e.message}")
    print("See: https://www.alibabacloud.com/help/ja/model-studio/developer-reference/error-code")