Gemini 2.5 Flash Preview Native Audio Dialog
Google Gemini 2.5 Flash シリーズのプレビューモデルで、Live API によるリアルタイム対話向けに設計され、ネイティブ音声出力機能を備えています。別途リリースされた Thinking バリアントやテキスト読み上げモデルとは異なるモデルです。(aistudio.google.com) 音声を理解し、音声を生成できます。リアルタイム音声アシスタントや対話アプリケーションの構築…
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。
Google Gemini 2.5 Flash シリーズのプレビューモデルで、Live API によるリアルタイム対話向けに設計され、ネイティブ音声出力機能を備えています。別途リリースされた Thinking バリアントやテキスト読み上げモデルとは異なるモデルです。(aistudio.google.com) 音声を理解し、音声を生成できます。リアルタイム音声アシスタントや対話アプリケーションの構築…
Gemini 2.5 Flash Preview TTS は、低遅延、コストパフォーマンス、制御可能な音声生成に重点を置いた Google のプレビュー版テキスト音声合成モデルです。入力はテキスト、出力は音声です。(aistudio.google.com) 一人または二人の音声を生成でき、指示によって音声スタイル、アクセント、話速を調整できます。(aistudio.google.com) ナレーシ…
Google Gemini 2.5 Pro シリーズのプレビュー版テキスト音声合成モデル。高品質で制御可能な音声合成を目的としており、比較的複雑な音声生成プロンプトの処理に適している。(blog.google) テキストを受け取り、音声を生成する。単一話者の音声と二人の対話をサポートする。(aistudio.google.com) 自然言語のプロンプトを通じて、音声のスタイル、イントネーション、感…
Gemini 2.5 Flash Preview は、Google が 2025 年 5 月 20 日にリリースしたプレビュー版モデルで、速度、コスト、推論能力を兼ね備えた高効率モデルとして位置付けられています。Google は、以前のバージョンと比べ、推論、マルチモーダル、コード、長いコンテキストのベンチマークで改善が見られたと報告しています。(blog.google) 推論と制御:思考予算に対…
Tencent Hunyuan TurboSシリーズの大規模言語モデルのバージョンで、汎用的なテキストおよび推論タスクを対象としています。このバージョンは、長短の思考連鎖を適応的に融合します。(cloud.tencent.com) 公式によると、従来のバージョンと比べて、このバージョンでは数学、コード、論理、科学などの理系能力が向上し、文系分野の性能は維持されています。数学や論理の問題分析、コード…
codex-1 は、OpenAI がソフトウェアエンジニアリング向けに最適化した o3 のバージョンであり、クラウド型コーディングエージェント Codex の初公開研究プレビュー版を支えています。さまざまな環境における実際のコーディングタスクを用いた強化学習によって訓練され、指示に従い、人間のコーディングスタイルやコードレビューの好みに合ったコードを生成します。(openai.com) 機能の実装…
hunyuan-t1-vision は、テンセント混元のマルチモーダル理解・深層思考モデルです。Tencent Cloud の製品動向によると、正式版は 2025 年 5 月 16 日にリリースされました。(cloud.tencent.com) このモデルはマルチモーダルネイティブの長い思考連鎖に対応し、画像推論を得意とします。公式によると、理系の難問における性能は、高速思考モデルと比べて向上して…
Qianfan-Sug は、百度千帆プラットフォームが独自開発した対話予測の垂直モデルであり、複数ターンの対話における次の質問の推薦を目的としています。百度はこれを推論サービス API V2 のテキスト生成モデルとして掲載しています。(ai.baidu.com) モデルは既存の対話コンテキストからユーザーの意図を識別し、ユーザーが次に尋ねる可能性のある質問を予測します。インテリジェントカスタマーサ…
Wan2.1-VACE-Plus は万相 2.1 の動画制作・編集統合モデルで、テキスト、画像、動画などを条件入力として受け取り、動画を出力します。公式公告では動画生成モデルとして掲載されています。(help.aliyun.com) 動画の部分編集、動画の再描画、画面の拡張、動画の長さの延長、画像を参照した生成に対応しています。 動画内の部分的な要素の変更や置き換え、画面境界の拡張、画像や動画の内…
Seedance 1.0 lite の画像から動画を生成するバージョンで、ByteDance が効率とコストの最適化を目的として提供する、小パラメータ数の動画生成モデルです。この API ID は画像から動画を生成するモデルに対応しています。同シリーズのテキストから動画を生成するモデルには別のモデル ID が使用されます。(docs.volcengine.com) 入力画像から動画を生成し、テキス…
Seedance 1.0 lite のテキストから動画を生成するバージョンで、生成速度とコストの最適化を目的とした、小規模なパラメータ数の動画生成モデル。テキストプロンプトとオプションのパラメータを入力し、動画を出力する。画像からの動画生成には独立した I2V バージョンを使用する。(developer.volcengine.com) テキストによる説明に基づいて動画を生成でき、プロンプトで人物、…
千問のリアルタイム全モダリティ理解・生成モデルの2025年5月8日付スナップショット版で、リアルタイム音声インタラクション向け。(docs.modelstudio.console.alibabacloud.com) テキスト、画像、動画、音声の入力に対応し、音声に他のモダリティを伴う混合入力を理解できる。 テキストと音声の同時ストリーミング生成に対応し、4種類の自然な対話用音声を提供する。 リアル…
Google が 2025 年 5 月 7 日にリリースした Gemini 2.0 Flash の画像生成プレビューモデルで、開発者による対話型の画像生成・編集アプリケーションの構築を対象としています。リリース時には Google AI Studio と Vertex AI を通じて利用できました。(developers.googleblog.com) テキストプロンプトに基づいて画像を生成し、レ…
Google が 2025 年 5 月 6 日に前倒しでリリースした Gemini 2.5 Pro のプレビュー更新。プログラミング能力、特にインタラクティブなウェブアプリケーションとフロントエンドインターフェースの開発能力の強化に重点を置いている。(blog.google) コードの生成、変換、編集、および複雑なエージェントワークフローをサポートする。Google は、関数呼び出しのトリガー率が…
kimi-thinking-preview は、Moonshot AI が公開した長考モデルのプレビュー版です。公式は、マルチモーダル推論と汎用推論の能力を備え、深い推論を得意とし、複雑なコード、数学、仕事上の問題の処理に使用できるモデルと説明しています。発表では、対応するモダリティの全てとそのインターフェース仕様は詳しく列挙されていません。(platform.kimi.com) API レスポン…
DeepSeek-Prover-V2-7B は Lean 4 による形式的定理証明向けの 7B パラメータモデルで、DeepSeek-Prover-V1.5-Base を基盤として構築され、最大 32K token のコンテキストをサポートします。公式からモデルの重みがダウンロード提供されており、使用にあたってはモデルライセンスを遵守する必要があります。(huggingface.co) モデルは形…
DeepSeek-Prover-V2-671B は、Lean 4 による形式的定理証明を対象とする数学的推論モデルであり、DeepSeek-V3-Base を基に学習され、DeepSeek-V3 と同じアーキテクチャを使用しています。公式にモデルの重みがダウンロード提供されており、使用にあたってはモデルライセンスを遵守する必要があります。(github.com) 形式化された定理に基づいて証明計画…
aitryon-plus は阿里雲百錬のバーチャル試着画像生成モデルで、2025 年 4 月 28 日に提供開始されました。(docs.bailian.console.aliyun.com) このモデルは、衣服の平置き画像と人物の正面全身写真を入力として、対応する試着結果の画像を生成します。公式によると、Plus バージョンは aitryon と比べて画像の鮮明さ、衣服の質感の細部、ロゴの再現性が…
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…