モデルディレクトリ

最新の AI モデル

新しいモデルを公開日順に見つけられます。

公開日の新しい順7 言語
クリア

400 モデル

公開日の新しい順
Alibaba

Qwen-Audio-3.0-ASR-Flash

Alibabaの短い音声向け非リアルタイム音声認識モデル。音声を入力し、文字起こしテキストを出力する。公開日は2026年7月30日。(alibabacloud.com) 日本語、中国語、英語、韓国語を含む30言語に対応。中国語の主要方言や地域アクセントにも対応する。 ホットワードとコンテキストによる専門用語の認識支援、句読点予測、数字・日付・金額の表記正規化に対応。中国古典詩の認識も最適化されてい…

Alibaba

Qwen-Audio-3.0-ASR-Flash-Filetrans

録音済みの長時間音声・動画ファイルを非リアルタイムで文字起こしする音声認識モデル。入力は音声、出力はテキスト。通常は非同期タスクを送信し、完了後に結果を取得する。(alibabacloud.com) 中国語、英語、日本語、韓国語などに対応し、中国語の方言や地域アクセントも認識する。ホットワードと文脈を指定して、専門用語などの認識を補強できる。句読点の予測や、数字・日付・金額の正規化にも対応する。(…

Alibaba

Qwen-Audio-3.0-ASR-Flash-Streaming

通義実験室が開発した、低遅延・高並行のリアルタイム音声認識モデル。音声を入力し、認識したテキストを逐次出力する。Alibaba Cloud Model Studioで提供される。(alibabacloud.com) 中国語、英語、日本語、韓国語など30言語に対応。中国語の7方言群と20以上の地域アクセントをサポートする。 事前登録・即時指定のホットワードとコンテキストを利用でき、専門用語の認識を強…

Google

Lyria 3.5

Googleの音楽生成モデル。テキストなどの指示から、歌唱や楽器編成を含む楽曲を生成する。モデルカードによると、時間方向の音声潜在表現に潜在拡散を適用している。 (deepmind.google) 発表日:2026年7月29日。 同日、Google Flow Musicでの提供開始が発表された。 (blog.google) Gemini API、Google AI Studio、Geminiアプリ…

OpenAI

GPT-Live-Transcribe

GPT-Live-Transcribeは、ライブ音声を低遅延で文字起こしするストリーミング音声認識モデルです。音声が届くにつれてテキストの差分を返し、各音声ターンの確定時に最終的な文字起こしを返します。マイク音声、通話、ライブ字幕などに利用できます。(developers.openai.com) 遅延設定を調整でき、低遅延と認識精度のバランスを選べます。 自由形式の文脈、キーワード、複数の想定入力…

OpenAI

GPT-Transcribe

GPT-Transcribeは、録音済みファイルやRealtimeセッションの確定済みターンを高精度に文字起こしする音声認識モデルです。APIモデルIDは gpt-transcribe です。(developers.openai.com) 完成済み音声ファイルの文字起こしに対応し、最終結果の取得またはファイル処理中のテキストのストリーミング出力が可能です。…

Anthropic

Claude Opus 5

Claude Opus 5は、コーディングや知識労働を日常的に効率よく行うためのモデルです。Anthropicは、前モデルのOpus 4.8と同じ基本料金で性能を改善し、多くのタスクでClaude Fable 5に近い能力を提供すると説明しています。2026年11月16日時点の公式ドキュメントでは、稼働中の旧世代モデル(legacy)と表示されています。(anthropic.com) ソフトウェア…

Google

Gemini 3.5 Flash Cyber

Gemini 3.5 Flashを基盤に、ソフトウェアの脆弱性の発見・検証・修正に向けて調整された軽量なサイバーセキュリティモデル。Googleは2026年7月21日に発表した。(deepmind.google) CodeMenderと組み合わせて大規模なコードベースの多数の実行経路を調査し、脆弱性の発見・検証とレポート作成を支援する。定期スキャン、リリース前の検査、コミットのスキャンにも適してい…

Google

Gemini 3.5 Flash-Lite

Gemini 3.5 Flash-Liteは、低遅延・高スループットの処理とエージェント型ワークフローに最適化された、低コストのマルチモーダル推論モデルです。Gemini 3.1 Flash-Liteを基盤としています。(deepmind.google) テキスト、画像、動画、音声、PDFを入力し、テキストを出力します。入力上限は1,048,576トークン、出力上限は65,536トークンです。(a…

Google

Gemini 3.6 Flash

Gemini 3.6 Flashは、Gemini 3.5 Flashを基盤とする、速度とマルチモーダル能力のバランスを重視した汎用モデルです。Googleは、コーディング、知識作業、マルチモーダル処理の性能とトークン効率の向上を挙げています。発表日は2026年7月21日です。(blog.google) テキスト、画像、音声、動画を入力し、テキストを出力できます。モデルカードでは、入力コンテキストは…

Alibaba

Qwen-Image-3.0

Qwen-Imageシリーズの第3世代に当たる画像生成基盤モデルです。公式ブログの公開日は2026年7月21日です。なお、Alibaba Cloudの更新履歴では、API ID qwen-image-3.0 のStandard版は2026年8月4日に掲載されており、ブログの公開日とは区別する必要があります。 (qwen.ai)…

Alibaba

Qwen3.7-Flash

Qwen3.7のネイティブな視覚言語モデル系列に属するFlashモデル。Alibaba Cloud Model Studioで提供される日付固定のスナップショット版。公式リリース一覧での掲載日は2026年7月21日。(alibabacloud.com) テキスト・画像・動画を入力し、テキストを出力する。テキスト生成、推論、画像理解に対応する。(alibabacloud.com) Function…

Baidu

HPD-Parsing

HPD-Parsingは、高スループットの文書解析を目的とした軽量な視覚言語モデルです。モデル規模は約10億パラメータで、重みはApache-2.0ライセンスで公開されています。(huggingface.co) 文書画像のレイアウトを解析し、ブロックの種類、位置座標、テキストを含む構造化結果を出力します。大量の文書ページの解析や、後続処理用の構造化に利用できます。(paddleocr.ai) 主レ…

ByteDance

Seed Audio 1.0

Seed Audio 1.0は、音声、効果音、環境音などを単一の枠組みで生成し、場面全体の音を制作するモデルです。ByteDance Seedの公式発表日は2026年7月20日です。 (seed.bytedance.com) 一つのプロンプトで、登場人物の台詞、感情、効果音、環境音を組み合わせた音声シーンを生成できます。台詞の開始時刻は100ミリ秒間隔で指定できます。 テキストによる声の説明や、使…

Alibaba

Qwen-Image-3.0-Pro

Qwen-Image-3.0-Proは、複雑なレイアウトや細かな文字表現に重点を置いた画像生成・編集モデルです。テキストと画像を入力し、画像を出力します。Alibaba Cloud Model Studioの公式リリース一覧では、シンガポールの国際デプロイ向けに2026年7月20日に掲載されています。(alibabacloud.com) 最大4.5kトークンの入力に対応。新聞、絵コンテ、メニュー、…

Alibaba

Qwen 3.8-Max-Preview

Qwen 3.8-Max-Previewは、AlibabaのQwenシリーズに属するプレビュー版基盤モデルです。公式発表によると、パラメータ数は2.4兆で、2026年7月19日にToken Plan、Qoder、QoderWorkで公開されました。(alibabagroup.com) Alibabaは、前世代のQwen3.7-Maxと比べ、コード開発や専門的なオフィス業務の能力が向上したと説明して…

MiniMax

Music-3.0

MiniMaxの音楽生成モデル。創作イメージのテキストと任意の歌詞から、作曲、編曲、歌唱、音声制作を一度に行い、最長5分の楽曲を生成する。オープンウェイト版も公開されている。 (minimax.io) ジャンル、テンポ、楽器、感情、歌唱表現などを記述して楽曲の方向性を指定できる。 歌詞中の [verse]、[chorus]、[bridge] などのタグで楽曲の構成を指定できる。 歌唱入り楽曲やイン…

Moonshot AI

Kimi K3

Kimi K3は、長時間にわたるコーディング、知識労働、推論を対象とするオープンウェイトのマルチモーダルモデルです。公開日は2026年7月16日です。 (kimi.com) 総パラメータ数は2.8兆、トークンごとの活性化パラメータ数は1040億。MoE構成で896の専門家のうち16を選択します。コンテキスト長は1,048,576トークンです。 (huggingface.co) テキスト、画像、動画…

Tencent

Hy-Embodied-RxBrain-1.0

Hy-Embodied-RxBrain-1.0(RxBrain)は、Tencent Robotics X、福田実験室、Tencent Hyチームが開発した、身体性認知向けのマルチモーダル基盤モデルです。世界の理解、推論・計画、行動の結果予測を統合し、下流のロボット動作モデルに高水準の指針を与えることを目的としています。約62億パラメータ規模で、Hy-Embodied-VLM系列を基盤とし、50,1…

Tencent

Hy-Embodied-VLM-1.0

物理世界で動作するエンボディドエージェント向けの視覚言語基盤モデル。Hy3-A3B言語バックボーンとHy-ViT2視覚エンコーダーを採用したMoEモデルで、総パラメータ数は約300億、トークンごとの活性化パラメータ数は約30億。Tencent Robotics X、Hy Vision Team、Futian Laboratoryによる成果として公開された。(github.com) 画像や言語に基づ…