🌐 モダリティ別 In / Out 対応可否＋料金を一覧

マルチモーダル対応 LLM 一覧

「どのモデルが画像・音声・動画を入力できて、出力できるのか、いくらかかるのか」を迷わずに分かる早見ページ。サイトに掲載している主要LLMを、公式料金ページ・公式ドキュメントの一次情報だけで整理しています。

13
掲載モデル
音声2倍
Gemini 3.1系の音声入力課金
別モデル
ライブ・画像生成・TTS
●最終更新: | 出典: Google AI 料金ページ · OpenAI GPT-6 Astra Docs · Claude PDFサポート · DeepSeek API Docs ほか各社公式 | 料金比較 · 計算機

主要LLM マルチモーダル対応マトリクス

全モデル共通でテキスト入出力は対応。表はテキスト以外だけ。列は「入力」「出力」の2本。出ているアイコンがそのモデルが扱える形式。注記付きは条件付き（下の説明）。アイコンが無いものは非対応。$は USD / 1M tokens（テキスト基準の標準料金）。

画像🔊 音声🎬 動画 PDF📝 DOCX📊 XLSX📑 PPTX

モデル入力出力入力$/M出力$/M
Gemini 3.8 Flash
Google料金 · Document
画像音声動画PDFDOCXXLSXPPTXテキスト抽出
—$0.75→$1.50$3.75→$7.50
Gemini 3.7 Flash
Google料金 · Document
画像音声動画PDFDOCXXLSXPPTXテキスト抽出
—$0.75→$1.50$3.75→$7.50
Gemini 3.1 Flash-Lite
Google料金（音声は2倍）
画像音声動画PDFDOCXXLSXPPTXテキスト抽出
—$0.25$1.50
GPT-6 Astra
OpenAIModel docs（入力 text/image）
画像
画像ツール経由
$10$50
GPT-5.6 Sol
OpenAIModel docs
画像
画像ツール経由
$4$20
GPT-5.6 Luna
OpenAIModel docs
画像
画像ツール経由
$0.20$1.20
Claude Fable 5.1
AnthropicPDFサポート
画像PDF
—$10$50
Claude Mythos 5.1
AnthropicPDFサポート
画像PDF
—$10$50
Qwen3.8-Flash
AlibabaQwenCloud（画像・動画理解）
画像動画
—$0.15$0.47
GLM 5.3 Flash
Z.aiGLM docs（Video/Image。Fileはツール経由のため非掲載）
画像動画
—$0.15$0.50
Grok 4.6
xAIModel docs（Text, Image）
画像
—$2$6
DeepSeek V4.1 Flash
DeepSeekVision · 料金（旧V4 ProはVision非対応）
画像
—$0.15→$0.30$0.60→$1.20
MiMo-V2.6-Pro
Xiaomiモデル仕様 · 料金
画像音声動画
—$0.435$0.87
MiMo-V2.6-Flash
Xiaomiモデル仕様 · 料金
画像音声動画
—$0.14$0.28

一次情報に基づく対応可否（2026-09-06確認）。この表はAPIへバイナリを直接渡せる形式だけを載せます（確実にOKなもののみ）。ツールでテキスト化して渡す方式はどのモデルでも可能なので非掲載です。Qwen3.8-Flashは公式が画像・動画理解を明記しているのでアイコンを出しています。音声・PDF・Officeの直読みは同ページで確認できないため非表示。ClaudeのPDFは公式の視覚理解なので掲載、DOCX/XLSXは事前変換が必要なので非表示。

注記の意味

  • Gemini の DOCX / XLSX / PPTX = テキスト抽出。公式 Document understanding は PDFだけ視覚理解（レイアウト・チャート・表を画像として見る）。Word / Excel / PowerPoint はテキストを抜き出して渡す扱いで、PDFと同じ視覚解析ではない。ファイルを送れても「PDF相当」ではない。
  • GPT-6 Astra / GPT-5.6 Sol / Luna の画像出力 = ツール経由。公式モデルページの本体出力はテキスト。画像を出すには Responses API の image generation tool（GPT-Image 2.0） を別途呼ぶ。モデルがピクセルを直接返すわけではない。
  • GLM 5.3 Flash の PDF / Office は非掲載。公式 How to Use が明示するネイティブ入力は image_url（画像）と動画。Input Modality の File や Office成果物は「ツールを呼んで文書を処理・作成する」作業で、バイナリ直読みではない。テキスト化ツールを渡せば他モデルでも同じなので、この表では非対応とする。

一次情報（公式URL）

  • Google 料金: ai.google.dev/gemini-api/docs/pricing — Gemini 3.8/3.7 Flash は導入価格 $0.75/$3.75（〜2026-12-31）、以降 $1.50/$7.50。3.1 Flash-Lite は text/image/video $0.25、audio $0.50。
  • Google 文書: Document understanding — PDFは視覚理解。PDF以外はテキスト抽出。
  • OpenAI GPT-6 Astra: developers.openai.com/.../gpt-6-astra — Input modalities: text, image。$10 / $50。
  • OpenAI GPT-5.6 Sol: gpt-5.6-sol · Luna: gpt-5.6-luna
  • Anthropic PDF: PDFサポート — 全アクティブモデルがPDF対応。xlsx/docxは事前変換が必要。
  • Qwen3.8-Flash: qwencloud.com/models/qwen3.8-flash — 「Non-Real-Time Image Understanding」「Non-Real-Time Video Understanding」。料金は公式ブログ qwen.ai/blog（入力 $0.15 / 出力 $0.47）。
  • Z.ai GLM-5.3-Flash: docs.z.ai/.../glm-5.3-flash — How to Use: image_url。File / Office成果物はツール呼び出し（バイナリ直読みではないので非掲載）。
  • xAI Grok 4.6: docs.x.ai/.../grok-4.6 — Modalities: Text, Image → Text。$2 / $6。音声・動画は別API。
  • DeepSeek Vision: Vision — deepseek-flash（V4.1 Flash）がネイティブ対応（2026-09-10〜）。旧 deepseek-v4-flash-vision-exp は V4.1 Flash へ統合。V4 Pro は Vision 非対応のまま提供継続。料金: Models & Pricing。

モダリティ別の課金ルール全モデル共通の注意点

同じ「1M tokens」でも、モダリティによって単価が変わる・トークン換算される、というのが最大の落とし穴。主要ポイントをまとめます。

① 画像・動画・PDFは「トークン換算」される。Geminiでは画像・動画・PDFは標準入力単価でトークン換算、PDF（DOCUMENTモダリティ）は画像トークン単価で課金。動画が長いと入力トークンが膨らむが、モデルが実際に処理した入力トークンとして課金されます。動画は再生時間の長さと単純に比例するわけではなく、モデルがサンプリングした映像・音声などの処理量に応じて入力トークン数が変わるため、同じ長さでも内容や設定によって料金が変わります（Googleの video understanding では長尺動画の入力トークンを実際の再生時間ベースより最大約88%削減できる仕組みがあります）。
② 音声入力はモデルにより「2倍課金」される。Gemini 3.1 Flash-Lite（$0.25→音声 $0.50）、Gemini 3 Flash（$0.50→$1.00）、Gemini 2.5 Flash（$0.30→$1.00）、2.5 Flash-Lite（$0.10→$0.30）のように音声だけがテキスト等の2〜3倍。一方 Gemini 3.5 Flash-Lite・3.6/3.7/3.8 Flash は音声も標準単価と同額（3.8公式料金表はモダリティ別の区分を設けず一律）。音声入力の単価はモデルごとに異なり、すべてのGeminiモデルに共通する仕様ではありません。音声中心のワークロードはモデル選定が肝心。
③ Gemini 3.8/3.7/3.6 Flash の初回価格（$0.75/$3.75）は2026-12-31まで。2027-01-01以降は $1.50/$7.50 へ倍額化。画像・音声・動画入力も含めてこの標準単価で課金。予算は標準価格ベースで設計を。
④ ライブ（リアルタイム）・画像生成・音声生成（TTS）はコアモデルとは別モデル。下のセクション参照。コアLLMは「入力は多モダリティ、出力はテキスト」が現在の主流で、テキスト以外を出力するには専用モデルを使う。

ライブストリーミング・音声/画像/動画生成は「別モデル」に分化

コアLLMの出力がテキストのみなのは、テキスト以外の出力を専門のモデルに分離しているため。用途別に覚えてください。

用途モデル例In / Out料金（USD）出典
リアルタイム音声対話
Live / RealtimeNew		Gemini 3.8 Live
Gemini 3.8 Live Extended Thinking
Gemini 3.1 Flash Live Preview
Gemini 2.5 Flash Native Audio		音声⇄音声3.8 Live / 3.8 Live Extended Thinking / 3.1 Flash Live Preview（3モデル同一料金表）:
入力 text $0.75・音声 $3.00（$0.005/分）・画像動画 $1.00（$0.002/分）
出力 text $4.50・音声 $12.00（$0.018/分）
出力には思考トークンを含む		Google 料金 · 公式ブログ
リアルタイム音声対話
OpenAI Realtime / Audio		gpt-realtime-2.1
gpt-audio-1.5		音声⇄音声（ネイティブ）Realtime: text $4/$24・audio $32/$64
Audio: text $2.5/$10・audio $32/$64		OpenAI Realtime · Audio
画像生成・編集Gemini Nano Banana 2.1 New
Gemini 3.1 Flash Image（Nano Banana 2）
Gemini 3 Pro Image（Nano Banana Pro）		画像→画像Nano Banana 2.1: 出力画像 1K=$0.0336・2K=$0.0504・4K=$0.113（$7.50/M＋画像$30/M）
Flash Image: $60/M（1K=$0.067）・Pro Image: $120/M（1K=$0.134）		Google
音声生成（TTS）NewGemini 3.8 Flash TTS
Gemini 3.8 Flash-Lite TTS
Gemini 3.1 Flash TTS Preview		テキスト→音声3.8 Flash TTS: 入力 text $0.50・出力 audio $9.00
3.8 Flash-Lite TTS: 入力 text $0.50・出力 audio $6.00
上の2モデルは2026-12-31までの価格で、2027-01-01から $1.00/$18.00・$1.00/$12.00 に改定予定
3.1 Flash TTS Preview: 入力 text $1.00・出力 audio $20.00		Google
動画生成Gemini Omni 1.1 Flash / Veo 3.1テキスト/画像→動画Omni: video出力 5,792tok/秒（720p）≒$0.10/秒・Veo: $0.40/秒Google
🍌 Nano Banana 2.1 を追記（2026-10-09）: Google公式料金ページの「Gemini Nano Banana 2.1」は 出力画像 $7.50/1M（テキスト・思考）＋ 画像 $30/1M、入力$1.50/1M。1枚あたりの目安は1K=$0.0336・2K=$0.0504・4K=$0.113（Batchは半額）で、Nano Banana 2（1K=$0.067）や Nano Banana Pro（1K=$0.134）より1枚単価が安いモデルです。また gemini-3.1-flash-image（Nano Banana 2）は 2026-10-06 の公式リリースノートで非推奨（deprecated・シャットダウン日は未発表）となり、Nano Banana 2.1 への移行が案内されています。
🔊 Gemini 3.8 Live / 3.8 Live Extended Thinking を追記（2026-09-23）: Google は2026-09-15の公式ブログでGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表しました。会話の途中で97言語を自動判別して切り替える音声対話モデルで、Extended Thinking は会話を止めずにバックグラウンドで推論とツール実行を進めるモードです。生成された音声には SynthID のウォーターマークが入ります（Google公式ブログ）。料金は Google AI の公式料金ページで確認でき、3.8 Live・3.8 Live Extended Thinking・3.1 Flash Live Preview の3モデルが1つの料金表にまとめられています（上表のとおり。テキスト入出力 $0.75/$4.50、音声は入力 $3.00・$0.005/分、出力 $12.00・$0.018/分、画像・動画入力 $1.00・$0.002/分）。出典: Google公式ブログ（2026-09-15） · Gemini API 料金ページ
🎙️ Gemini の TTS を3モデルに拡充（2026-10-13 追記）: Google の公式料金ページの音声生成（TTS）区分には3モデルが載っています。Gemini 3.8 Flash TTS（入力 text $0.50 / 出力 audio $9.00）と Gemini 3.8 Flash-Lite TTS（$0.50 / $6.00）は2026年12月31日までの価格で、公式は2027年1月1日から $1.00 / $18.00・$1.00 / $12.00 になると明記しています（10秒あたりの目安つき: 3.8 Flash TTS は $0.00225 → $0.0045、Lite TTS は $0.0015 → $0.003）。Gemini 3.1 Flash TTS Preview（$1.00 / $20.00）には期間の記載がありません。3モデルとも入力テキスト・出力音声を1Mトークン単位で表示した価格です。

🎤 OpenAI系は要注意: GPT-6 Astra や GPT-5.6 系本体は音声・動画入力に非対応ですが、gpt-realtime-2.1・gpt-audio-1.5（音声 in/out ネイティブ）や Responses API の画像生成ツール（GPT-Image 2.0）で音声・画像の生成・対話を実現できます。単体のモデル名で選ぶのではなく、「入力したいモダリティ」と「出力したいモダリティ」をセットで考えるのがポイント。

「この入力・出力をしたい」ときのモデル選び

マルチモーダルが絡む典型的なパターンで、どのモデルを選べばいいかを一言で。

画像を「理解」して回答
ほぼ全モデル対応。コスパなら Qwen3.8-Flash・GLM 5.3 Flash、品質なら GPT-6 Astra
音声（会話）を入力したい
Gemini 3.8/3.7 Flash が音声入力を標準単価で受ける。音声中心なら 3.1 Flash-Lite は2倍課金に注意
動画を理解して要約・分析
Gemini 3.8 Flash（動画+音声対応）。Qwen3.8-Flashも公式に Non-Real-Time Video Understanding を記載（音声入力は非対応）。
Office文書（PDF/PPTX/DOCX/XLSX）を扱う
バイナリ直読みできるのは GeminiのPDF（視覚）と ClaudeのPDF。DOCX/XLSX/PPTX はGeminiでもテキスト抽出。GLMのOfficeはツール経由なので他モデルと同列に置かない。
リアルタイム音声対話（speech-to-speech）
Gemini 3.8 Live / 3.8 Live Extended Thinking（背景推論つき）/ gpt-realtime-2.1（いずれも専用モデル）
画像・音声・動画を「生成」したい
Gemini Nano Banana 2.1 / 3.8 Flash TTS / Veo 3.1（いずれも専用モデル）
💡 コストを計算したいなら: テキスト・画像・音声・動画のトークン単価を入力するだけで、各モデルのコストをUSD＋円で一括比較できる トークンコスト計算機 があります。マルチモーダル入力はモデルごとのトークン単価で見積もれます。

本ページの掲載情報は各社公式料金ページ・公式ドキュメント（Google AI · Google Document understanding · OpenAI · Anthropic PDFサポート · QwenCloud · xAI · DeepSeek Vision · Z.ai）を2026-09-06に確認して作成しています。料金・対応可否は予告なく変動するため、ご利用前に必ず公式ページをご確認ください。