Qwen-OCR API リファレンス

ユースケースとスタートガイドについては、「テキスト抽出 (Qwen-OCR)」をご参照ください。

OpenAI 互換 API

エンドポイント

リージョン	SDK`base_url`	HTTP エンドポイント
シンガポール	`https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1`	`POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions`
米国 (バージニア)	`https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1`	`POST https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions`
中国 (北京)	`https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1`	`POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1/chat/completions`

Alibaba Cloud Model Studio は、中国 (北京) およびシンガポールリージョン向けにワークスペース固有のドメインをリリースしました。新しい専用ドメインは、推論リクエストに対して優れたパフォーマンスと高い安定性を提供します。新しいドメインへの移行を推奨します：

中国 (北京)：https://dashscope.aliyuncs.com から https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com へ
シンガポール：https://dashscope-intl.aliyuncs.com から https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com へ

{WorkspaceId} はご利用のワークスペース ID であり、Alibaba Cloud Model Studio コンソールの [ワークスペース詳細] ページで確認できます。既存のドメインも引き続き完全に機能します。

前提条件

API キーを取得し、環境変数として設定します。 OpenAI SDK を使用する場合は、SDK をインストールします。

クイックスタート

OpenAI 互換のチャット補完エンドポイントを使用します。画像 URL とテキストプロンプトを含む user メッセージを送信します。モデルはテキストを抽出し、choices[0].message.content で返します。

非ストリーミング

Python

from openai import OpenAI
import os

PROMPT_TICKET_EXTRACTION = """
列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。
キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。
データを次の JSON 形式で返します：{'invoice_number': 'xxx', 'departure_station': 'xxx', 'arrival_station': 'xxx', 'departure_date_and_time':'xxx', 'seat_number': 'xxx','ticket_price':'xxx', 'id_card_number': 'xxx', 'passenger_name': 'xxx'},
"""

try:
    client = OpenAI(
        # 環境変数が設定されていない場合は、api_key="sk-xxx" に置き換えます
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        # シンガポールリージョン。米国 (バージニア) の場合は、https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/compatible-mode/v1 を使用します
        # 中国 (北京) の場合は、https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1 を使用します
        base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
    )
    completion = client.chat.completions.create(
        model="qwen-vl-ocr-2025-11-20",
        messages=[
            {
                "role": "user",
                "content": [
                    {
                        "type": "image_url",
                        "image_url": {"url":"https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg"},
                        # 最小ピクセル数。これより小さい画像はアップスケールされます。
                        "min_pixels": 32 * 32 * 3,
                        # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                        "max_pixels": 32 * 32 * 8192
                    },
                    # カスタムプロンプト。これがない場合、モデルは「画像からテキストコンテンツのみを出力し、追加の説明やフォーマットは含めないでください。」を使用します。
                    {"type": "text",
                     "text": PROMPT_TICKET_EXTRACTION}
                ]
            }
        ])
    print(completion.choices[0].message.content)
except Exception as e:
    print(f"Error message: {e}")

Node.js

import OpenAI from 'openai';

const PROMPT_TICKET_EXTRACTION = `
列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。
キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。
データを次の JSON 形式で返します：{'invoice_number': 'xxx', 'departure_station': 'xxx', 'arrival_station': 'xxx', 'departure_date_and_time':'xxx', 'seat_number': 'xxx','ticket_price':'xxx', 'id_card_number': 'xxx', 'passenger_name': 'xxx'}
`;

const client = new OpenAI({
  // 環境変数が設定されていない場合は、apiKey: "sk-xxx" に置き換えます
  apiKey: process.env.DASHSCOPE_API_KEY,
  // 中国 (北京) の場合は、https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1 を使用します
  baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1',
});

async function main() {
  const response = await client.chat.completions.create({
    model: 'qwen-vl-ocr-2025-11-20',
    messages: [
      {
        role: 'user',
        content: [
          { type: 'text', text: PROMPT_TICKET_EXTRACTION},
          {
            type: 'image_url',
            image_url: {
              url: 'https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg',
            },
              // 最小ピクセル数。これより小さい画像はアップスケールされます。
              "min_pixels": 32 * 32 * 3,
              // 最大ピクセル数。これより大きい画像はダウンスケールされます。
              "max_pixels": 32 * 32 * 8192
          }
        ]
      }
    ],
  });
  console.log(response.choices[0].message.content)
}

main();

curl

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "qwen-vl-ocr-2025-11-20",
  "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {"url":"https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg"},
                    "min_pixels": 3072,
                    "max_pixels": 8388608
                },
                {"type": "text", "text": "列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。データを次の JSON 形式で返します：{\'invoice_number\': \'xxx\', \'departure_station\': \'xxx\', \'arrival_station\': \'xxx\', \'departure_date_and_time\':\'xxx\', \'seat_number\': \'xxx\',\'ticket_price\':\'xxx\', \'id_card_number\': \'xxx\', \'passenger_name\': \'xxx\'}"}
            ]
        }
    ]
}'

ストリーミング

stream を true に設定すると、モデルが結果を生成するのに合わせて増分的に結果を受け取ることができます。 Python

import os
from openai import OpenAI

PROMPT_TICKET_EXTRACTION = """
列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。
キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。
データを次の JSON 形式で返します：{'invoice_number': 'xxx','departure_station': 'xxx', 'arrival_station': 'xxx', 'departure_date_and_time':'xxx', 'seat_number': 'xxx','ticket_price':'xxx', 'id_card_number': 'xxx', 'passenger_name': 'xxx'},
"""

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen-vl-ocr-2025-11-20",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {"url":"https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg"},
                    "min_pixels": 32 * 32 * 3,
                    "max_pixels": 32 * 32 * 8192
                },
                {"type": "text","text": PROMPT_TICKET_EXTRACTION}
            ]
        }
    ],
    stream=True,
    stream_options={"include_usage": True}
)

for chunk in completion:
    print(chunk.model_dump_json())

Node.js

import OpenAI from 'openai';

const PROMPT_TICKET_EXTRACTION = `
列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。
キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。
データを次の JSON 形式で返します：{'invoice_number': 'xxx', 'departure_station': 'xxx', 'arrival_station': 'xxx', 'departure_date_and_time':'xxx', 'seat_number': 'xxx','ticket_price':'xxx', 'id_card_number': 'xxx', 'passenger_name': 'xxx'}
`;

const openai = new OpenAI({
  apiKey: process.env.DASHSCOPE_API_KEY,
  baseURL: 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1',
});

async function main() {
  const response = await openai.chat.completions.create({
    model: 'qwen-vl-ocr-2025-11-20',
    messages: [
      {
        role: 'user',
        content: [
          { type: 'text', text: PROMPT_TICKET_EXTRACTION},
          {
            type: 'image_url',
            image_url: {
              url: 'https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg',
            },
              "min_pixels": 32 * 32 * 3,
              "max_pixels": 32 * 32 * 8192
          }
        ]
      }
    ],
    stream: true,
    stream_options:{"include_usage": true}
  });
  let fullContent = ""
  console.log("Streaming output content:")
  for await (const chunk of response) {
    if (chunk.choices[0] && chunk.choices[0].delta.content != null) {
      fullContent += chunk.choices[0].delta.content;
      console.log(chunk.choices[0].delta.content);
    }
  }
  console.log(`Full output content: ${fullContent}`)
}

main();

curl

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "qwen-vl-ocr-2025-11-20",
  "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {"url":"https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg"},
                    "min_pixels": 3072,
                    "max_pixels": 8388608
                },
                {"type": "text", "text": "列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。データを次の JSON 形式で返します：{\'invoice_number\': \'xxx\', \'departure_station\': \'xxx\', \'arrival_station\': \'xxx\', \'departure_date_and_time\':\'xxx\', \'seat_number\': \'xxx\',\'ticket_price\':\'xxx\', \'id_card_number\': \'xxx\', \'passenger_name\': \'xxx\'}"}
            ]
        }
    ],
    "stream": true,
    "stream_options": {"include_usage": true}
}'

リクエストパラメーター

パラメーター	型	必須	説明
`model`	string	はい	モデル名。サポートされているモデルについては、「推奨モデル」をご参照ください。
`messages`	array	はい	モデルにコンテキストを提供するメッセージオブジェクトの配列。

メッセージオブジェクト 各メッセージには、role (user である必要があります) と、これらの要素タイプを持つ content 配列が必要です:

パラメーター	型	必須	説明
`type`	string	はい	テキスト入力の場合は `text`、画像入力の場合は `image_url`。
`text`	string	いいえ	テキストプロンプト。デフォルト：`"Please output only the text content from the image without any additional descriptions or formatting"`。
`image_url.url`	string	はい (`type` が `image_url` の場合)	画像の URL、Base64 エンコードされたデータ URL。ローカルファイルについては、「テキスト抽出」をご参照ください。
`min_pixels`	integer	いいえ	最小ピクセルしきい値。この値を下回る画像はアップスケールされます。「画像解像度の制御」をご参照ください。
`max_pixels`	integer	いいえ	最大ピクセルしきい値。この値を上回る画像はダウンスケールされます。「画像解像度の制御」をご参照ください。

生成パラメーター

パラメーター	型	デフォルト	説明
`stream`	boolean	`false`	`true` に設定すると、モデルが出力を生成するのに合わせて増分応答を受け取ります。
`stream_options.include_usage`	boolean	`false`	`stream` が `true` の場合、これを `true` に設定すると、最後のチャンクにトークン使用量が含まれます。
`max_tokens`	integer	可変	出力の最大トークン数。これを超えると応答が切り捨てられます。「出力トークン制限」をご参照ください。
`temperature`	float	`0.01`	出力の多様性を制御します。値が大きいほど、より多様なテキストが生成されます。範囲：[0, 2)。
`top_p`	float	`0.001`	ニュークリアスサンプリングのしきい値。値が大きいほど多様性が増します。範囲：(0, 1.0]。`temperature` または `top_p` のいずれかを設定し、両方を設定しないでください。
`top_k`	integer	`1`	サンプリング中に候補トークンセットを制限します。値が None または 100 より大きい場合、top_k ポリシーは有効にならず、top_p ポリシーのみが有効になります。>= 0 である必要があります。標準の OpenAI パラメーターではありません -- Python SDK では `extra_body` を介して渡します：`extra_body={"top_k": xxx}`。Node.js SDK または HTTP では、トップレベルで渡します。
`repetition_penalty`	float	`1.0`	繰り返しシーケンスに対するペナルティ。1.0 より大きい値は繰り返しを減らします。標準の OpenAI パラメーターではありません -- Python SDK では `extra_body` を介して渡します。
`presence_penalty`	float	`0.0`	コンテンツの繰り返しを制御します。範囲：[-2.0, 2.0]。正の値は繰り返しを減らします。
`seed`	integer	--	同じ値が同一のパラメーターで使用された場合に、再現可能な結果を保証します。範囲：[0, 2^31 - 1]。
`logprobs`	boolean	`false`	`true` に設定すると、出力トークンの対数確率を返します。
`top_logprobs`	integer	`0`	ステップごとに返す最も可能性の高いトークンの数。範囲：[0, 5]。`logprobs` が `true` の場合にのみ有効です。
`stop`	string or array	--	ストップワードまたはトークン ID。指定された文字列または `token_id` が出現すると生成が停止します。同じ配列に文字列と `token_id` を混在させないでください。

応答

非ストリーミング応答 (`chat.completion`)

{
  "id": "chatcmpl-ba21fa91-dcd6-4dad-90cc-6d49c3c39094",
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null,
      "message": {
        "content": "```json\n{\n    \"seller_name\": \"null\",\n    \"buyer_name\": \"Cai Yingshi\",\n    \"price_excluding_tax\": \"230769.23\",\n    \"organization_code\": \"null\",\n    \"invoice_code\": \"142011726001\"\n}\n```",
        "refusal": null,
        "role": "assistant",
        "annotations": null,
        "audio": null,
        "function_call": null,
        "tool_calls": null
      }
    }
  ],
  "created": 1763283287,
  "model": "qwen3.5-ocr",
  "object": "chat.completion",
  "service_tier": null,
  "system_fingerprint": null,
  "usage": {
    "completion_tokens": 72,
    "prompt_tokens": 1185,
    "total_tokens": 1257,
    "completion_tokens_details": {
      "accepted_prediction_tokens": null,
      "audio_tokens": null,
      "reasoning_tokens": null,
      "rejected_prediction_tokens": null,
      "text_tokens": 72
    },
    "prompt_tokens_details": {
      "audio_tokens": null,
      "cached_tokens": null,
      "image_tokens": 1001,
      "text_tokens": 184
    }
  }
}

フィールド	型	説明
`id`	string	一意のリクエスト識別子。
`choices`	array	モデルが生成したコンテンツ。
`choices[].finish_reason`	string	生成が正常に完了した場合は `stop`、トークン制限により切り捨てられた場合は `length`。
`choices[].index`	integer	`choices` 配列内の位置。
`choices[].message.content`	string	モデルから抽出されたテキストまたは構造化出力。
`choices[].message.role`	string	常に `assistant`。
`choices[].message.refusal`	string	常に `null`。
`choices[].message.audio`	object	常に `null`。
`choices[].message.function_call`	object	常に `null`。
`choices[].message.tool_calls`	array	常に `null`。
`created`	integer	リクエストの UNIX タイムスタンプ。
`model`	string	使用されたモデル。
`object`	string	常に `chat.completion`。
`service_tier`	string	常に `null`。
`system_fingerprint`	string	常に `null`。
`usage.completion_tokens`	integer	出力トークン数。
`usage.prompt_tokens`	integer	入力トークン数。
`usage.total_tokens`	integer	`prompt_tokens` と `completion_tokens` の合計。
`usage.completion_tokens_details.text_tokens`	integer	テキスト出力トークン。`completion_tokens_details` 内の他のフィールドは常に `null` です。
`usage.prompt_tokens_details.image_tokens`	integer	画像入力トークン。
`usage.prompt_tokens_details.text_tokens`	integer	テキスト入力トークン。`prompt_tokens_details` 内の他のフィールドは常に `null` です。

ストリーミング応答 (`chat.completion.chunk`)

stream が true の場合、応答は一連の Server-Sent Event (SSE) チャンクとして配信されます。各チャンクは非ストリーミング応答と同じ構造に従いますが、以下の違いがあります：

object は常に chat.completion.chunk です。
choices[].delta は choices[].message を置き換えます。delta オブジェクトは message と同じフィールドを持ちます。
choices[].delta.role は最初のチャンクでのみ返されます。
finish_reason は、生成中は null、完了時は stop、切り捨てられた場合は length になります。
include_usage が true の場合、最後のチャンクは空の choices 配列を持ち、usage オブジェクトを含みます。

{"id":"chatcmpl-f6fbdc0d-78d6-418f-856f-f099c2e4859b","choices":[{"delta":{"content":"","function_call":null,"refusal":null,"role":"assistant","tool_calls":null},"finish_reason":null,"index":0,"logprobs":null}],"created":1764139204,"model":"qwen3.5-ocr","object":"chat.completion.chunk","service_tier":null,"system_fingerprint":null,"usage":null}
{"id":"chatcmpl-f6fbdc0d-78d6-418f-856f-f099c2e4859b","choices":[{"delta":{"content":"```","function_call":null,"refusal":null,"role":null,"tool_calls":null},"finish_reason":null,"index":0,"logprobs":null}],"created":1764139204,"model":"qwen3.5-ocr","object":"chat.completion.chunk","service_tier":null,"system_fingerprint":null,"usage":null}
{"id":"chatcmpl-f6fbdc0d-78d6-418f-856f-f099c2e4859b","choices":[{"delta":{"content":"json","function_call":null,"refusal":null,"role":null,"tool_calls":null},"finish_reason":null,"index":0,"logprobs":null}],"created":1764139204,"model":"qwen3.5-ocr","object":"chat.completion.chunk","service_tier":null,"system_fingerprint":null,"usage":null}
......
{"id":"chatcmpl-f6fbdc0d-78d6-418f-856f-f099c2e4859b","choices":[{"delta":{"content":"","function_call":null,"refusal":null,"role":null,"tool_calls":null},"finish_reason":"stop","index":0,"logprobs":null}],"created":1764139204,"model":"qwen3.5-ocr","object":"chat.completion.chunk","service_tier":null,"system_fingerprint":null,"usage":null}
{"id":"chatcmpl-f6fbdc0d-78d6-418f-856f-f099c2e4859b","choices":[],"created":1764139204,"model":"qwen3.5-ocr","object":"chat.completion.chunk","service_tier":null,"system_fingerprint":null,"usage":{"completion_tokens":141,"prompt_tokens":513,"total_tokens":654,"completion_tokens_details":{"accepted_prediction_tokens":null,"audio_tokens":null,"reasoning_tokens":null,"rejected_prediction_tokens":null,"text_tokens":141},"prompt_tokens_details":{"audio_tokens":null,"cached_tokens":null,"image_tokens":332,"text_tokens":181}}}

画像解像度の制御

min_pixels と max_pixels は、処理前の画像サイズ変更を制御します。トークン対ピクセル比はモデルのバージョンによって異なります：

モデル	トークンあたりのピクセル数	`min_pixels`デフォルト (最小値)	`max_pixels`デフォルト	`max_pixels`最大値
`qwen3.5-ocr`、`qwen-vl-ocr-2025-11-20`	32 x 32 = 1,024	3,072 (3 トークン)	8,388,608 (8,192 トークン)	30,720,000 (30,000 トークン)
`qwen-vl-ocr`、およびそれ以前	28 x 28 = 784	3,136 (4 トークン)	6,422,528 (8,192 トークン)	23,520,000 (30,000 トークン)

サイズ変更の動作：

画像のピクセル数が min_pixels を下回る場合、画像は min_pixels を超えるまでアップスケールされます。
画像のピクセル数が [min_pixels, max_pixels] の範囲内にある場合、元の画像がサイズ変更なしで使用されます。
画像のピクセル数が max_pixels を超える場合、画像は max_pixels を下回るようにダウンスケールされます。

出力トークン制限

モデル	デフォルトおよび最大`max_tokens`
`qwen3.5-ocr`、`qwen-vl-ocr-2025-11-20`、`qwen-vl-ocr-2024-10-28`	モデルの最大出力長と同じです。「モデルの選択」をご参照ください。
`qwen-vl-ocr`、`qwen-vl-ocr-2025-11-20`	4,096

qwen-vl-ocr、qwen-vl-ocr-2025-11-20、および の場合、max_tokens のデフォルトは 4096 です。これを増やす (4097–8192) には、ご利用の Alibaba Cloud アカウント ID、画像タイプ (例：ドキュメント、e コマース、契約書)、モデル名、推定 QPS と 1 日あたりのリクエスト量、および 4096 出力トークンを超えるリクエストの割合を添えて、営業担当者にご連絡ください。

DashScope API

エンドポイント

リージョン	HTTP エンドポイント
シンガポール	`POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation`
米国 (バージニア)	`POST https://{WorkspaceId}.us-east-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation`
中国 (北京)	`POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation`

SDK ベース URL の設定： Python:

import dashscope

client = dashscope.Client(workspace="{WorkspaceId}", region="ap-southeast-1")

Java (メソッド 1 -- コンストラクター):

import com.alibaba.dashscope.protocol.Protocol;
MultiModalConversation conv = new MultiModalConversation(Protocol.HTTP.getValue(), "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1");

Java (メソッド 2 -- 静的ブロック):

import com.alibaba.dashscope.utils.Constants;
Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";

米国 (バージニア) リージョンの場合はドメインを {WorkspaceId}.us-east-1.maas.aliyuncs.com に、中国 (北京) リージョンの場合は {WorkspaceId}.cn-beijing.maas.aliyuncs.com に置き換えてください。中国 (北京) リージョンの場合、SDK 呼び出しに base_url を設定する必要はありません。

API キーを取得し、環境変数として設定します。 DashScope SDK を使用する場合は、DashScope SDK をインストールする必要もあります。

組み込みタスク

DashScope API は、ocr_options パラメーターを介して組み込みの OCR タスクを提供します。各タスクは最適化されたデフォルトプロンプトを使用するため、text メッセージは不要です。

タスク	`ocr_options.task`の値	出力形式
一般的なテキスト認識	`text_recognition`	プレーンテキスト
高精度認識	`advanced_recognition`	バウンディングボックス付きのプレーンテキスト
情報抽出	`key_information_extraction`	構造化されたキーと値のペア
テーブル解析	`table_parsing`	テーブル構造
ドキュメント解析	`document_parsing`	ドキュメント構造
数式認識	`formula_recognition`	LaTeX 数式
多言語認識	`multi_lan`	多言語テキスト

高精度認識

認識された各行のテキストを位置データとともに返します。 Python

import os
import dashscope

# 以下の設定はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。region の値はリージョンによって異なります。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

messages = [{
            "role": "user",
            "content": [{
                "image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
                # 最小ピクセル数。これより小さい画像はアップスケールされます。
                "min_pixels": 32 * 32 * 3,
                # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                "max_pixels": 32 * 32 * 8192}]
            }]

response = client.multimodal.chat.create(
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    # 組み込みタスクを高精度認識に設定
    parameters={"ocr_options": {"task": "advanced_recognition"}}
)
# 高精度認識タスクは結果をプレーンテキストで返します
print(response.output_text)

Java

// dashscope SDK バージョン >= 2.21.8
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.aigc.multimodalconversation.OcrOptions;
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 {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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/20241108/ctdzex/biaozhun.jpg");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        map.put("enable_rotate", false);

        OcrOptions ocrOptions = OcrOptions.builder()
                .task(OcrOptions.Task.ADVANCED_RECOGNITION)
                .build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map
                        )).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .ocrOptions(ocrOptions)
                .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

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '
{
  "model": "qwen-vl-ocr-2025-11-20",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
            "min_pixels": 3072,
            "max_pixels": 8388608,
            "enable_rotate": false
          }
        ]
      }
    ]
  },
  "parameters": {
    "ocr_options": {
      "task": "advanced_recognition"
    }
  }
}
'

情報抽出

画像から構造化されたキーと値のデータを抽出します。抽出するフィールドを task_config.result_schema で指定します。 Python

import os
import dashscope

dashscope.base_http_api_url = 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1'

messages = [
      {
        "role":"user",
        "content":[
          {
              "image":"http://duguang-labelling.oss-cn-shanghai.aliyuncs.com/demo_ocr/receipt_zh_demo.jpg",
              "min_pixels": 3072,
              "max_pixels": 8388608,
              "enable_rotate": False
          }
        ]
      }
    ]

params = {
  "ocr_options":{
    "task": "key_information_extraction",
    "task_config": {
      "result_schema": {
          "Ride Date": "画像内の乗車日時に対応し、YYYY-MM-DD 形式で、例：2025-03-05",
          "Invoice Code": "画像から請求書コードを抽出します。通常は数字または文字の組み合わせです",
          "Invoice Number": "請求書から番号を抽出します。通常は数字のみで構成されます。"
      }
    }
  }
}

response = dashscope.MultiModalConversation.call(
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    **params)

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

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.aigc.multimodalconversation.OcrOptions;
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;
import com.google.gson.JsonObject;

public class Main {

    static {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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", "http://duguang-labelling.oss-cn-shanghai.aliyuncs.com/demo_ocr/receipt_zh_demo.jpg");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        map.put("enable_rotate", false);

        JsonObject resultSchema = new JsonObject();
        resultSchema.addProperty("Ride Date", "画像内の乗車日時に対応し、YYYY-MM-DD 形式で、例：2025-03-05");
        resultSchema.addProperty("Invoice Code", "画像から請求書コードを抽出します。通常は数字または文字の組み合わせです");
        resultSchema.addProperty("Invoice Number", "請求書から番号を抽出します。通常は数字のみで構成されます。");

        OcrOptions ocrOptions = OcrOptions.builder()
                .task(OcrOptions.Task.KEY_INFORMATION_EXTRACTION)
                .taskConfig(OcrOptions.TaskConfig.builder().resultSchema(resultSchema).build())
                .build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map
                        )).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .ocrOptions(ocrOptions)
                .build();
        MultiModalConversationResult result = conv.call(param);
        System.out.println(result.getOutput().getChoices().get(0).getMessage().getContent().get(0).get("ocr_result"));
    }

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

curl

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '
{
  "model": "qwen-vl-ocr-2025-11-20",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "image": "http://duguang-labelling.oss-cn-shanghai.aliyuncs.com/demo_ocr/receipt_zh_demo.jpg",
            "min_pixels": 3072,
            "max_pixels": 8388608,
            "enable_rotate": false
          }
        ]
      }
    ]
  },
  "parameters": {
    "ocr_options": {
      "task": "key_information_extraction",
      "task_config": {
        "result_schema": {
          "Ride Date": "画像内の乗車日時に対応し、YYYY-MM-DD 形式で、例：2025-03-05",
          "Invoice Code": "画像から請求書コードを抽出します。通常は数字または文字の組み合わせです",
          "Invoice Number": "請求書から番号を抽出します。通常は数字のみで構成されます。"
        }
      }
    }
  }
}
'

テーブル解析

画像からテーブル構造を抽出します。 Python

import os
import dashscope

# 以下の設定はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。region の値はリージョンによって異なります。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

messages = [{
            "role": "user",
            "content": [{
                "image": "http://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/doc_parsing/tables/photo/eng/17.jpg",
                # 最小ピクセル数。これより小さい画像はアップスケールされます。
                "min_pixels": 32 * 32 * 3,
                # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                "max_pixels": 32 * 32 * 8192}]
            }]

response = client.multimodal.chat.create(
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    # 組み込みタスクをテーブル解析に設定
    parameters={"ocr_options": {"task": "table_parsing"}}
)
# テーブル解析タスクは結果を HTML 形式で返します
print(response.output_text)

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.aigc.multimodalconversation.OcrOptions;
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 {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/doc_parsing/tables/photo/eng/17.jpg");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        map.put("enable_rotate", false);

        OcrOptions ocrOptions = OcrOptions.builder()
                .task(OcrOptions.Task.TABLE_PARSING)
                .build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map
                        )).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .ocrOptions(ocrOptions)
                .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

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '
{
  "model": "qwen-vl-ocr-2025-11-20",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "image": "http://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/doc_parsing/tables/photo/eng/17.jpg",
            "min_pixels": 3072,
            "max_pixels": 8388608,
            "enable_rotate": false
          }
        ]
      }
    ]
  },
  "parameters": {
    "ocr_options": {
      "task": "table_parsing"
    }
  }
}
'

ドキュメント解析

ドキュメントから構造レイアウトとテキストを抽出します。 Python

import os
import dashscope

# 以下の設定はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。region の値はリージョンによって異なります。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

messages = [{
            "role": "user",
            "content": [{
                "image": "https://img.alicdn.com/imgextra/i1/O1CN01ukECva1cisjyK6ZDK_!!6000000003635-0-tps-1500-1734.jpg",
                # 最小ピクセル数。これより小さい画像はアップスケールされます。
                "min_pixels": 32 * 32 * 3,
                # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                "max_pixels": 32 * 32 * 8192}]
            }]

response = client.multimodal.chat.create(
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    # 組み込みタスクをドキュメント解析に設定
    parameters={"ocr_options": {"task": "document_parsing"}}
)
# ドキュメント解析タスクは結果を LaTeX 形式で返します
print(response.output_text)

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.aigc.multimodalconversation.OcrOptions;
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 {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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://img.alicdn.com/imgextra/i1/O1CN01ukECva1cisjyK6ZDK_!!6000000003635-0-tps-1500-1734.jpg");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        map.put("enable_rotate", false);

        OcrOptions ocrOptions = OcrOptions.builder()
                .task(OcrOptions.Task.DOCUMENT_PARSING)
                .build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map
                        )).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .ocrOptions(ocrOptions)
                .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

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '
{
  "model": "qwen-vl-ocr-2025-11-20",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "image": "https://img.alicdn.com/imgextra/i1/O1CN01ukECva1cisjyK6ZDK_!!6000000003635-0-tps-1500-1734.jpg",
            "min_pixels": 3072,
            "max_pixels": 8388608,
            "enable_rotate": false
          }
        ]
      }
    ]
  },
  "parameters": {
    "ocr_options": {
      "task": "document_parsing"
    }
  }
}
'

数式認識

画像から数式を抽出し、LaTeX 形式で返します。 Python

import os
import dashscope

# 以下の設定はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。region の値はリージョンによって異なります。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

messages = [{
            "role": "user",
            "content": [{
                "image": "http://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/formula_handwriting/test/inline_5_4.jpg",
                # 最小ピクセル数。これより小さい画像はアップスケールされます。
                "min_pixels": 32 * 32 * 3,
                # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                "max_pixels": 32 * 32 * 8192}]
            }]

response = client.multimodal.chat.create(
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    # 組み込みタスクを数式認識に設定
    parameters={"ocr_options": {"task": "formula_recognition"}}
)
# 数式認識タスクは結果を LaTeX 形式で返します
print(response.output_text)

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.aigc.multimodalconversation.OcrOptions;
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 {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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", "http://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/formula_handwriting/test/inline_5_4.jpg");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        map.put("enable_rotate", false);

        OcrOptions ocrOptions = OcrOptions.builder()
                .task(OcrOptions.Task.FORMULA_RECOGNITION)
                .build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map
                        )).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .ocrOptions(ocrOptions)
                .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

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '
{
  "model": "qwen-vl-ocr",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "image": "http://duguang-llm.oss-cn-hangzhou.aliyuncs.com/llm_data_keeper/data/formula_handwriting/test/inline_5_4.jpg",
            "min_pixels": 3072,
            "max_pixels": 8388608,
            "enable_rotate": false
          }
        ]
      }
    ]
  },
  "parameters": {
    "ocr_options": {
      "task": "formula_recognition"
    }
  }
}
'

一般的なテキスト認識

構造的なフォーマットなしで画像からプレーンテキストを抽出します。 Python

import os
import dashscope

# 以下の設定はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。region の値はリージョンによって異なります。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

messages = [{
            "role": "user",
            "content": [{
                "image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
                # 最小ピクセル数。これより小さい画像はアップスケールされます。
                "min_pixels": 32 * 32 * 3,
                # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                "max_pixels": 32 * 32 * 8192}]
            }]

response = client.multimodal.chat.create(
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    # 組み込みタスクをテキスト認識に設定
    parameters={"ocr_options": {"task": "text_recognition"}}
)
# テキスト認識タスクは結果をプレーンテキストで返します
print(response.output_text)

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.aigc.multimodalconversation.OcrOptions;
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 {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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/20241108/ctdzex/biaozhun.jpg");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        map.put("enable_rotate", false);

        OcrOptions ocrOptions = OcrOptions.builder()
                .task(OcrOptions.Task.TEXT_RECOGNITION)
                .build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map
                        )).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .ocrOptions(ocrOptions)
                .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

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '
{
  "model": "qwen-vl-ocr-2025-11-20",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "image": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20241108/ctdzex/biaozhun.jpg",
            "min_pixels": 3072,
            "max_pixels": 8388608,
            "enable_rotate": false
          }
        ]
      }
    ]
  },
  "parameters": {
    "ocr_options": {
      "task": "text_recognition"
    }
  }
}
'

多言語認識

画像から複数言語のテキストを認識します。 Python

import os
import dashscope

# 以下の設定はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。region の値はリージョンによって異なります。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

messages = [{
            "role": "user",
            "content": [{
                "image": "https://img.alicdn.com/imgextra/i2/O1CN01VvUMNP1yq8YvkSDFY_!!6000000006629-2-tps-6000-3000.png",
                # 最小ピクセル数。これより小さい画像はアップスケールされます。
                "min_pixels": 32 * 32 * 3,
                # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                "max_pixels": 32 * 32 * 8192}]
            }]

response = client.multimodal.chat.create(
    model='qwen-vl-ocr-2025-11-20',
    messages=messages,
    # 組み込みタスクを多言語認識に設定
    parameters={"ocr_options": {"task": "multi_lan"}}
)
# 多言語認識タスクは結果をプレーンテキストで返します
print(response.output_text)

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.aigc.multimodalconversation.OcrOptions;
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 {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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://img.alicdn.com/imgextra/i2/O1CN01VvUMNP1yq8YvkSDFY_!!6000000006629-2-tps-6000-3000.png");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        map.put("enable_rotate", false);

        OcrOptions ocrOptions = OcrOptions.builder()
                .task(OcrOptions.Task.MULTI_LAN)
                .build();
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map
                        )).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .ocrOptions(ocrOptions)
                .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

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '
{
  "model": "qwen-vl-ocr-2025-11-20",
  "input": {
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "image": "https://img.alicdn.com/imgextra/i2/O1CN01VvUMNP1yq8YvkSDFY_!!6000000006629-2-tps-6000-3000.png",
            "min_pixels": 3072,
            "max_pixels": 8388608,
            "enable_rotate": false
          }
        ]
      }
    ]
  },
  "parameters": {
    "ocr_options": {
      "task": "multi_lan"
    }
  }
}
'

ストリーミング (DashScope)

ストリーミング出力を有効にすると、結果を増分的に受け取ることができます。方法は SDK によって異なります：

Python SDK：stream=True と incremental_output=True を設定します。
Java SDK：streamCall インターフェイスを使用します。
HTTP：X-DashScope-SSE: enable ヘッダーを設定します。

Python

import os
import dashscope

# 以下の設定はシンガポールリージョン用です。呼び出しを行う際に、{WorkspaceId} を実際のワークスペース ID に置き換えてください。region の値はリージョンによって異なります。
# 米国 (バージニア) リージョンの場合は、region を us-east-1 に設定します。
client = dashscope.Client(
    # 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください：api_key="sk-xxx"
    # API キーはリージョンによって異なります。API キーを取得するには、https://www.alibabacloud.com/help/ja/model-studio/get-api-key をご参照ください
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    workspace="{WorkspaceId}",
    region="ap-southeast-1",
)

PROMPT_TICKET_EXTRACTION = """
列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。
キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。
データを次の JSON 形式で返します：{'invoice_number': 'xxx','departure_station': 'xxx', 'arrival_station': 'xxx', 'departure_date_and_time':'xxx', 'seat_number': 'xxx','ticket_price':'xxx', 'id_card_number': 'xxx', 'passenger_name': 'xxx'},
"""

messages = [
    {
        "role": "user",
        "content": [
            {
                "image": "https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg",
                # 最小ピクセル数。これより小さい画像はアップスケールされます。
                "min_pixels": 32 * 32 * 3,
                # 最大ピクセル数。これより大きい画像はダウンスケールされます。
                "max_pixels": 32 * 32 * 8192,
            },
            # 組み込みタスクが設定されていない場合は、text フィールドにプロンプトを渡すことができます。省略した場合、デフォルトのプロンプト「Please output only the text content from the image without any additional descriptions or formatting」が使用されます。
            {
                "type": "text",
                "text": PROMPT_TICKET_EXTRACTION
            }
        ]
    }
]
stream = client.multimodal.chat.create(
    model="qwen-vl-ocr-2025-11-20",
    messages=messages,
    stream=True,
    # ストリーミング出力はデフォルトで増分モードです。各チャンクには新しく生成されたコンテンツのみが含まれます。
)

full_content = ""
print("Streaming output content:")
for chunk in stream:
    delta = chunk.choices[0].delta
    if delta.content:
        print(delta.content)
        full_content += delta.content
print(f"Full content: {full_content}")

Java

import java.util.*;

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 io.reactivex.Flowable;
import com.alibaba.dashscope.utils.Constants;

public class Main {

    static {
        Constants.baseHttpApiUrl="https://{WorkspaceId}.ap-southeast-1.maas.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://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg");
        map.put("max_pixels", 8388608);
        map.put("min_pixels", 3072);
        MultiModalMessage userMessage = MultiModalMessage.builder().role(Role.USER.getValue())
                .content(Arrays.asList(
                        map,
                        Collections.singletonMap("text", "列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。データを次の JSON 形式で返します：{\'invoice_number\': \'xxx\', \'departure_station\': \'xxx\', \'arrival_station\': \'xxx\', \'departure_date_and_time\':\'xxx\', \'seat_number\': \'xxx\',\'ticket_price\':\'xxx\', \'id_card_number\': \'xxx\', \'passenger_name\': \'xxx\'"))).build();
        MultiModalConversationParam param = MultiModalConversationParam.builder()
                .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                .model("qwen-vl-ocr-2025-11-20")
                .message(userMessage)
                .incrementalOutput(true)
                .build();
        Flowable<MultiModalConversationResult> result = conv.streamCall(param);
        result.blockingForEach(item -> {
            try {
                List<Map<String, Object>> contentList = item.getOutput().getChoices().get(0).getMessage().getContent();
                if (!contentList.isEmpty()){
                    System.out.println(contentList.get(0).get("text"));
                }//
            } catch (Exception e){
                System.exit(0);
            }
        });
    }

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

curl

curl --location 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--header 'X-DashScope-SSE: enable' \
--data '
{
    "model": "qwen-vl-ocr-2025-11-20",
    "input": {
        "messages": [
            {
              "role": "user",
              "content": [
                  {
                      "image": "https://img.alicdn.com/imgextra/i2/O1CN01ktT8451iQutqReELT_!!6000000004408-0-tps-689-487.jpg",
                      "min_pixels": 3072,
                      "max_pixels": 8388608
                  },
                  {"type": "text", "text": "列車の乗車券画像から、請求書番号、列車番号、出発駅、到着駅、出発日時、座席番号、座席クラス、チケット価格、ID カード番号、乗客名を抽出してください。キー情報を正確に抽出する必要があります。情報を省略したり、捏造したりしないでください。ぼやけている、または強い光で不鮮明な単一文字は、英字の疑問符 (?) に置き換えてください。データを次の JSON 形式で返します：{\'invoice_number\': \'xxx\', \'departure_station\': \'xxx\', \'arrival_station\': \'xxx\', \'departure_date_and_time\':\'xxx\', \'seat_number\': \'xxx\',\'ticket_price\':\'xxx\', \'id_card_number\': \'xxx\', \'passenger_name\': \'xxx\'}"}
              ]
            }
        ]
    },
    "parameters": {
        "incremental_output": true
    }
}'

リクエストパラメーター

パラメーター	型	必須	説明
`model`	string	はい	モデル名。サポートされているモデルについては、「推奨モデル」をご参照ください。
`input.messages`	array	はい	メッセージオブジェクトの配列。

メッセージオブジェクト 各メッセージには、role (値は user である必要があります) と content フィールド (文字列または配列) が必要です。テキストのみの入力には文字列を使用し、入力に画像データが含まれる場合は、次のフィールドを持つ配列を使用します:

パラメーター	型	必須	説明
`image`	string	いいえ	画像の URL、Base64 データ URL、またはローカルパス。「ローカルファイルの受け渡し」をご参照ください。
`text`	string	いいえ	テキストプロンプト。デフォルト：`"Please output only the text content from the image without any additional descriptions or formatting"`。組み込みタスクを使用する場合は不要です。
`enable_rotate`	boolean	いいえ	`true` に設定すると、傾いた画像を補正します。デフォルト：`false`。
`min_pixels`	integer	いいえ	最小ピクセルしきい値。「画像解像度の制御」をご参照ください。
`max_pixels`	integer	いいえ	最大ピクセルしきい値。「画像解像度の制御」をご参照ください。

生成パラメーター HTTP 呼び出しの場合、これらを parameters オブジェクトに設定します。

パラメーター	型	デフォルト	説明
`max_tokens`	integer	可変	出力の最大トークン数。「出力トークン制限」をご参照ください。Java SDK では `maxTokens` を使用します。
`stream`	boolean	`false`	ストリーミング出力を有効にします。Python SDK のみ。Java の場合は `streamCall` を使用します。HTTP の場合は `X-DashScope-SSE: enable` を設定します。
`incremental_output`	boolean	`false`	`true` (推奨) の場合、各チャンクには新しいコンテンツのみが含まれます。`false` の場合、各チャンクにはそれまでの完全なシーケンスが含まれます。Java SDK では `incrementalOutput` を使用します。
`temperature`	float	`0.01`	出力の多様性を制御します。範囲：[0, 2)。
`top_p`	float	`0.001`	ニュークリアスサンプリングのしきい値。範囲：(0, 1.0]。`temperature` または `top_p` のいずれかを設定し、両方を設定しないでください。
`top_k`	integer	`1`	サンプリング中に候補トークンセットを制限します。値が None または 100 より大きい場合、top_k ポリシーは有効にならず、top_p ポリシーのみが有効になります。>= 0 である必要があります。
`repetition_penalty`	float	`1.0`	繰り返しシーケンスに対するペナルティ。1.0 より大きい値は繰り返しを減らします。
`presence_penalty`	float	`0.0`	コンテンツの繰り返しを制御します。範囲：[-2.0, 2.0]。
`seed`	integer	--	再現可能な結果を保証します。範囲：[0, 2^31 - 1]。
`logprobs`	boolean	`false`	`true` に設定すると、対数確率を返します。サポートされているモデル：`qwen-vl-ocr-2025-11-20` 以降。Java SDK では同じ名前を使用します。HTTP の場合は `parameters` に配置します。
`top_logprobs`	integer	`0`	ステップごとに返す最も可能性の高いトークンの数。範囲：[0, 5]。`logprobs` が `true` の場合にのみ有効です。Java SDK では `topLogprobs` を使用します。HTTP の場合は `parameters` に配置します。
`stop`	string or array	--	ストップワードまたはトークン ID。指定された文字列または `token_id` が出現すると生成が停止します。同じ配列に文字列と `token_id` を混在させないでください。

組み込みタスクパラメーター (ocr_options) 組み込みタスクを使用する場合、ocr_options を parameters (HTTP) で渡すか、キーワード引数 (Python SDK) として渡すか、または OcrOptions ビルダー (Java SDK) を介して渡します。

パラメーター	型	必須	説明
`ocr_options.task`	string	はい	組み込みタスク名。有効な値：`text_recognition`、`key_information_extraction`、`document_parsing`、`table_parsing`、`formula_recognition`、`multi_lan`、`advanced_recognition`。
`ocr_options.task_config`	object	いいえ	`key_information_extraction` のための設定。
`ocr_options.task_config.result_schema`	object	いいえ	抽出するフィールドを指定する JSON オブジェクト。キーはフィールド名、値は精度向上のためのオプションの説明です。最大 3 つのネストレベルをサポートします。

result_schemaの例：

"result_schema": {
     "invoice_number": "請求書の一意の識別番号。通常は数字と文字の組み合わせです。",
     "issue_date": "請求書が発行された日付。YYYY-MM-DD 形式で抽出します。例：2023-10-26。",
     "seller_name": "請求書に表示されている販売者の完全な会社名。",
     "total_amount": "請求書の合計金額 (税込み)。数値を抽出し、小数点以下 2 桁を保持します。例：123.45。"
}

Java SDK では、このパラメーターは OcrOptions です。最小 DashScope Python SDK バージョンは 1.22.2 です。最小 Java SDK バージョンは 2.18.4 です。advanced_recognition の場合、Java SDK >= 2.21.8 が必要です。

応答

DashScope API は、ストリーミング出力と非ストリーミング出力で同じ応答形式を使用します。

{
  "status_code": 200,
  "request_id": "8f8c0f6e-6805-4056-bb65-d26d66080a41",
  "code": "",
  "message": "",
  "output": {
    "text": null,
    "finish_reason": null,
    "choices": [
      {
        "finish_reason": "stop",
        "message": {
          "role": "assistant",
          "content": [
            {
              "ocr_result": {
                "kv_result": {
                  "price_excluding_tax": "230769.23",
                  "invoice_code": "142011726001",
                  "organization_code": "null",
                  "buyer_name": "Cai Yingshi",
                  "seller_name": "null"
                }
              },
              "text": "```json\n{\n    \"price_excluding_tax\": \"230769.23\",\n    \"invoice_code\": \"142011726001\",\n    \"organization_code\": \"null\",\n    \"buyer_name\": \"Cai Yingshi\",\n    \"seller_name\": \"null\"\n}\n```"
            }
          ]
        }
      }
    ],
    "audio": null
  },
  "usage": {
    "input_tokens": 926,
    "output_tokens": 72,
    "characters": 0,
    "image_tokens": 754,
    "input_tokens_details": {
      "image_tokens": 754,
      "text_tokens": 172
    },
    "output_tokens_details": {
      "text_tokens": 72
    },
    "total_tokens": 998
  }
}

フィールド	型	説明
`status_code`	string	`200` は成功を示します。Java SDK はこのフィールドを返す代わりに例外をスローします。
`request_id`	string	一意のリクエスト識別子。Java SDK では、これは `requestId` です。
`code`	string	エラーコード。成功時は空です。Python SDK のみがこのフィールドを返します。
`output.text`	string	常に `null`。
`output.finish_reason`	string	生成中は `null`、完了時は `stop`、切り捨てられた場合は `length`。
`output.choices[].finish_reason`	string	`output.finish_reason` と同じ値。
`output.choices[].message.role`	string	常に `assistant`。
`output.choices[].message.content[].text`	string	モデルから抽出されたテキストまたはフォーマットされた出力。
`output.choices[].message.content[].ocr_result`	object	組み込みタスク (`key_information_extraction`、`advanced_recognition`) に対して返されます。
`output.choices[].message.content[].ocr_result.kv_result`	object	キーと値の抽出結果 (`key_information_extraction` 用)。
`output.choices[].message.content[].ocr_result.words_info`	array	位置データ付きのテキスト行の結果 (`advanced_recognition` 用)。
`output.choices[].message.content[].ocr_result.words_info[].rotate_rect`	array	`[center_x, center_y, width, height, angle]` -- 回転したバウンディングボックス。
`output.choices[].message.content[].ocr_result.words_info[].location`	array	`[x1, y1, x2, y2, x3, y3, x4, y4]` -- 左上から時計回りの 4 つの頂点。
`output.choices[].message.content[].ocr_result.words_info[].text`	string	テキスト行のコンテンツ。
`output.choices[].message.logprobs`	object	`logprobs` が `true` の場合に返される対数確率情報。
`usage.input_tokens`	integer	入力トークン数。
`usage.output_tokens`	integer	出力トークン数。
`usage.characters`	integer	0 に固定。
`usage.total_tokens`	integer	`input_tokens` と `output_tokens` の合計。
`usage.image_tokens`	integer	画像入力に対応するトークン。
`usage.input_tokens_details.image_tokens`	integer	画像入力トークン。
`usage.input_tokens_details.text_tokens`	integer	テキスト入力トークン。
`usage.output_tokens_details.text_tokens`	integer	テキスト出力トークン。

サポートされているモデル

モデル	説明
`qwen3.5-ocr`	Qwen3.5 アーキテクチャに基づいています。より高速で、より正確です。情報抽出、テキストの位置特定、およびマルチターン対話のサポートが大幅に改善されました。コンテキスト長は 128K に拡張されました。
`qwen-vl-ocr-2025-11-20`	最新の日付付きスナップショット。
	以前のバージョン。
`qwen-vl-ocr-2025-11-20`	以前のバージョン。
`qwen-vl-ocr-2024-10-28`	以前のバージョン。
`qwen-vl-ocr`	ベースモデル。

エラーコード

モデルの呼び出しでエラーが返された場合、問題を解決するには、「エラーメッセージ」をご参照ください。

​OpenAI 互換 API

​エンドポイント

​前提条件

​クイックスタート

​非ストリーミング

​ストリーミング

​リクエストパラメーター

​応答

​非ストリーミング応答 (chat.completion)

​ストリーミング応答 (chat.completion.chunk)

​画像解像度の制御

​出力トークン制限

​DashScope API

​エンドポイント

​組み込みタスク

​高精度認識

​情報抽出

​テーブル解析

​ドキュメント解析

​数式認識

​一般的なテキスト認識

​多言語認識

​ストリーミング (DashScope)

​リクエストパラメーター

​応答

​サポートされているモデル

​エラーコード

OpenAI 互換 API

エンドポイント

前提条件

クイックスタート

非ストリーミング

ストリーミング

リクエストパラメーター

応答

非ストリーミング応答 (`chat.completion`)

ストリーミング応答 (`chat.completion.chunk`)

画像解像度の制御

出力トークン制限

DashScope API

エンドポイント

組み込みタスク

高精度認識

情報抽出

テーブル解析

ドキュメント解析

数式認識

一般的なテキスト認識

多言語認識

ストリーミング (DashScope)

リクエストパラメーター

応答

サポートされているモデル

エラーコード