Zhipu AI
GLM-ASR
GLM-ASR は智譜の音声認識モデルで、音声を入力、テキストを出力として音声を書き起こす。公式モデルドキュメントの呼び出し例では、API モデル ID glm-asr が使用されている。(docs.bigmodel.cn) 文脈を利用して書き起こしテキストの流暢さと読みやすさを改善する。公式によると、騒音環境下で高い耐干渉性を持つ。 中国語、英語および中国の8種類の地方方言に対応する:東北官話、…
モデルを見る日本語
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
GLM-ASR は智譜の音声認識モデルで、音声を入力、テキストを出力として音声を書き起こす。公式モデルドキュメントの呼び出し例では、API モデル ID glm-asr が使用されている。(docs.bigmodel.cn) 文脈を利用して書き起こしテキストの流暢さと読みやすさを改善する。公式によると、騒音環境下で高い耐干渉性を持つ。 中国語、英語および中国の8種類の地方方言に対応する:東北官話、…
Qwen-VL をベースに訓練された視覚理解・OCR モデルで、統一モデルを使用して画像とテキストの認識、解析、処理タスクを扱う。このバージョンは 2025 年 4 月 13 日のスナップショット。(docs.bailian.console.aliyun.com) 汎用認識、文書解析、表解析、情報抽出、多言語認識、数式認識の 6 種類のタスクを内蔵。文書、表、その他の画像から文字情報を抽出・整理す…
Tencentが発表した3Dコンテンツ生成モデルで、高精度かつテクスチャ付きの3Dアセットを作成するクリエイターや開発者を対象とする。技術レポートでは、形状生成とテクスチャ生成の2段階のプロセスを採用した3D拡散モデル体系と説明されている。(arxiv.org) テキストプロンプトまたは画像からの3Dモデル生成に対応し、複数の視点からの画像を使用したモデルおよびPBRマテリアルの生成にも対応する。…