---
title: "視覚言語モデル（VLM）とは？API での呼び出し方 | BroadRouter"
description: "視覚言語モデルは画像とテキストを一緒に読み取り、テキストで答えます。OpenAI 互換 API での画像の送り方、料金の考え方、よくある用途を解説します。"
url: https://broadrouter.com/ja/glossary/vision-language-model/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/glossary/vision-language-model/) (2026-11-14 更新).

# 視覚言語モデル（VLM、vision-language model）

更新日 2026-11-14

視覚言語モデル（VLM）とは、画像とテキストを一緒に入力として受け取り、テキストを出力するモデルです。画像の説明、画像についての質問への回答、文書・グラフ・スクリーンショットの読み取りができます。image-text-to-text モデルやマルチモーダルモデルとも呼ばれます。

別名： 視覚言語モデル、ビジョン言語モデル、画像認識 AI、マルチモーダル LLM、画像理解 API、VLM、vision-language model、vision model、multimodal LLM、image-text-to-text model、vision API

視覚言語モデルを使えば、テキストについて尋ねるのと同じように、画像について質問できます。

## 仕組み

Hugging Face はこれらのモデルを簡潔に説明しています。“take in an image and text prompt and output text.”（訳：画像とテキストのプロンプトを受け取り、テキストを出力する）。画像とテキストのペアで学習しているため、見たものと言葉を結びつけることを学んでいます。

OpenAI 互換 API では、画像はメッセージ内のコンテンツパートとして送ります。公開 URL でも、base64 の data URL でもかまいません。

```python
import base64, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
b64 = base64.b64encode(open("receipt.jpg", "rb").read()).decode()

reply = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=2000,
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "Return the vendor and total as JSON."},
        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
    ]}],
)
print(reply.choices[0].message.content)
```

モデルは画像を入力[トークン](https://broadrouter.com/ja/glossary/token/)に変換し、テキストとあわせて読み取り、回答を書きます。

## なぜ重要か

-   **文書。** 請求書、レシート、申込書、身分証をそのままモデルに渡せます。多くの場合、[構造化出力](https://broadrouter.com/ja/glossary/structured-output/)と組み合わせて項目を JSON で受け取ります。
-   **画面とグラフ。** エージェントはスクリーンショットやダッシュボードを読めますし、サポートツールはユーザーが送った写真を読めます。
-   **コストと上限。** 画像は 1 枚ごとに入力トークンを増やし、[コンテキストウィンドウ](https://broadrouter.com/ja/glossary/context-window/)の一部を埋めます。1 回のリクエストに多くの画像を入れると、すぐに積み上がります。

結果は必ず確認してください。VLM は小さい文字やぼやけた文字を読み誤ることがあり、間違った数字を自信ありげに出すこともあります。お金が動く処理では、合計をコードで検証してください。

## BroadNet Inference では

画像を受け付けるチャットモデルは 3 つです。

| モデル | 入力 | コンテキスト |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ja/models/deepseek-v4.1-flash/) | テキストと画像 | 1,048,576 トークン |
| [Qwen3.8 27B](https://broadrouter.com/ja/models/qwen3.8-27b/) | テキストと画像 | 262,144 トークン |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ja/models/gemma-4-vl-26b/) | テキストと画像 | 32,768 トークン |

GLM 5.3 はテキストのみです。BroadNet Gemma 4 VL 26B は入力 100 万トークンあたり $0.10 で、無料の $5 初回クレジットで使えます。Qwen3.8 27B は BroadNet がアラビア語でテストしており、構造化出力にも対応しています。従量課金では、画像は入力トークンとして数えられ、大きな画像ほど多く使います。

[アラビア語の請求書ガイド](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/)では、抽出の全手順を説明しています。data URL の MIME タイプは正確にし、推論モデルでは `max_tokens` に余裕を持たせてください。

## よくある質問

### 視覚言語モデルと OCR は同じものですか？

いいえ。OCR は画像内の印刷された文字を文字データに変換します。VLM も文字を読めますが、レイアウトや内容を理解するので、どの行が合計か、グラフが何を示しているか、といった質問にも答えられます。

### 画像にもトークンがかかりますか？

はい。画像は入力トークンに変換されます。大きな画像ほど通常は多く使うので、必要な細部が残る最小のサイズに縮小してください。

### BroadNet で画像を受け付けるモデルはどれですか？

DeepSeek V4.1 Flash、Qwen3.8 27B、BroadNet Gemma 4 VL 26B がテキストと画像の入力に対応しています。GLM 5.3 はテキストのみです。

## 関連項目

-   [構造化出力（Structured Outputs）](https://broadrouter.com/ja/glossary/structured-output/) (用語)
-   [トークン（token）](https://broadrouter.com/ja/glossary/token/) (用語)
-   [オープンウェイトモデル（open-weight model）](https://broadrouter.com/ja/glossary/open-weight-model/) (用語)
-   [コンテキストウィンドウ（context window）](https://broadrouter.com/ja/glossary/context-window/) (用語)
-   [マルチモーダル AI（multimodal AI）](https://broadrouter.com/ja/glossary/multimodal/) (用語)
-   [OCR（光学文字認識）](https://broadrouter.com/ja/glossary/ocr/) (用語)
-   [画像トークン（image tokens）](https://broadrouter.com/ja/glossary/image-tokens/) (用語)
-   [ビジョンモデルでアラビア語の請求書とレシートを読み取る](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/) (ガイド)
-   [OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/) (ガイド)
-   [アラビア語向け LLM API の選び方：何をテストすべきか](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/) (記事)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-vision-language-model&utm_content=page-cta) ·

**出典**

-   [Hugging Face Tasks、image-text-to-text（視覚言語モデル）](https://huggingface.co/tasks/image-text-to-text)
-   [OpenAI API リファレンス、チャット補完の作成（画像のコンテンツパート）](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [BroadNet Inference API リファレンス、モデル （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-vision-language-model&utm_content=sources#models)
