OpenRouter、ビジョンモデル向け画像送信APIの仕様ガイドを公開　共通構造で複数モデルを容易に比較可能

要点

• OpenRouterが、画像認識対応のLLMへAPI経由で画像を送信する実装方法をまとめたガイドを公開した。

• Chat Completions APIを使用し、メッセージ本文をテキストと画像URLのオブジェクト配列で構成する統一仕様を採用している。

• 画像の指定形式として公開URLとBase64の2種類をサポートし、セキュリティや保管場所に応じた使い分けを案内している。

• リクエスト形式が統一されているため、モデル名を変更するだけでOCRやチャート推論など各モデルの得意分野を比較検証できる。

• AIモデルの統合プラットフォームを提供するOpenRouterは2026年8月14日、視覚認識に対応した大規模言語モデル（LLM）へAPI経由で画像を送信する方法を解説したガイド「How to Send an Image to an LLM via API (Vision Guide)」を公開した。スクリーンショットの解析や図表の読み取り、写真に関する質疑応答など、画像を入力として受け取るビジョン言語モデル（VLM）の利用手順について、リクエスト構造や指定形式、モデル選定の要点を客観的にまとめている。

チャットAPIを用いた画像リクエストの基本構造

同ガイドによると、画像認識機能はOpenRouterのチャット補完エンドポイント（POST /api/v1/chat/completions）を通じて利用する。通常のテキスト対話ではメッセージ内容（content）に文字列を渡すが、画像を扱う場合は型付きオブジェクトの配列形式を用いる。

具体的には、ユーザーメッセージのcontent配列内に、テキストを示す{"type": "text"}と画像を示す{"type": "image_url"}の2つの要素を格納する。配列の解析順序の仕様上、テキストパートを先頭に配置する必要があるという。画像を先に参照させたい処理を行う場合でも、配列の順序を変更するのではなく、システムプロンプト側で指示を与えるよう説明している。

公開URLとBase64形式の使い分け

APIに渡す画像データについては、image_url.urlパラメータで「公開HTTP(S)リンク」または「Base64データURL（data:image/jpeg;base64,...）」の2つの形式を受け付ける。ガイドでは、データの性質に応じた使い分けの基準を示している。

すでにCDNやS3の署名付きリンク、自社サーバーなどで画像が公開されている場合は、URLを指定することでリクエストサイズを抑えられ、プロバイダ側が直接データを取得する。一方、ローカル環境のファイルや身分証明書、機密文書など公開URLを持たせるべきでないデータは、Base64形式でリクエスト本文に埋め込む手法が適しているとしている。Base64形式は通信データ量が増加しアップロードに時間を要するものの、データがAPI通信以外で外部に公開されず、署名付きURLの期限切れやアクセス制限による取得エラーを防げる利点があるという。なお、いずれの形式でもPNG、JPEG、WebP、GIFの各画像形式に対応している。

複数言語での実装とモデルの切り替え

記事内では、同一のリクエスト処理を行う実装例としてcURL、Python、TypeScriptの3種類が提示されている。PythonやTypeScriptのコード例では、ローカルの画像ファイルをBase64データURLへ変換してAPIに送信する処理が示されている。

リクエストのデータ構造は全モデルで共通化されているため、modelフィールド（例：anthropic/claude-opus-4.8やgoogle/gemini-3-flash-preview）の文字列を変更するだけで、連携先モデルを容易に切り替えられる。これにより、アプリケーション側のコードを変更することなく、異なるモデルの出力を比較検証できるとしている。

対応モデルの確認と用途に応じた特性差

OpenRouter上で提供されているすべてのモデルが画像入力をサポートしているわけではないため、同社は対応状況の確認手順も示している。テキストモデルと画像エンコーダを備えたビジョン言語モデルであるかどうかは、カタログ内のアーキテクチャ情報でinput_modalitiesにimageが含まれているかで判別可能だという。非対応モデルに画像を送信するとエラーが発生するため、事前の確認を促している。

また、リクエスト形式は同一であっても、価格やコンテキストウィンドウ（一度に処理できる情報量）、応答速度、得意タスクはモデルごとに異なる。光学文字認識（OCR）の精度、UI画面の把握力、グラフの推論能力など各モデルの特性に差があるため、本番運用前に実際の画像を用いて候補モデルをテストすることが重要であると述べている。