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…
ERNIE-iRAG-Edit は百度が独自開発した画像編集モデルです。公式更新履歴に掲載されたバージョンは ERNIE-iRAG-Edit-1.0 で、2025年4月17日に千帆推論サービス API V2 の画像編集カテゴリに追加されました。(cloud.baidu.com) オブジェクトの消去(erase):マスクで選択した局所領域、主体、または背景を消去します。…
ERNIE X1 は百度の深い思考と推論のためのモデルです。入力で指定されたバージョンは ERNIE-X1-32K です。百度のモデル更新記録では、これを当該バージョンのメインバージョンと説明しており、対話 API を提供しています。(cloud.baidu.com) 百度によると、このモデルは理解、計画、振り返り、推論に重点を置いており、中国語の知識に関する質疑応答、文学創作、文章作成、日常会話…