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

80 モデル

公開日の新しい順
Alibaba

Qwen-Audio-3.1-ASR-Flash-Filetrans

長時間の録音・動画ファイルを対象とする、エンドツーエンドの非リアルタイム音声認識モデルです。会議の文字起こし、コンテンツ制作、通話分析などに利用できます。(alibabacloud.com) 日本語、英語、中国語などの多言語と、中国語の複数の方言に対応します。(help.aliyun.com) ホットワードや文脈による認識補助、話者分離、句読点予測、テキスト正規化に対応します。(alibabacl…

Alibaba

Qwen-Audio-3.1-ASR-Flash

短い音声の効率的な認識を目的とした音声認識モデル。音声を入力し、テキストを出力する。多言語および中国各地の方言に対応し、中国古典詩の韻律や文語表現にも最適化されている。高品質な多言語・文化コンテンツの文字起こしに利用できる。(alibabacloud.com) 文脈による認識補強、句読点予測、テキスト正規化。 複数の方言についてASR/AST出力を制御可能。 文字起こし結果の推敲と、複数話者の会話…

Alibaba

Qwen-Audio-3.1-ASR-Flash-Streaming

Alibaba Cloud Model Studioで提供される、エンドツーエンドのリアルタイム音声認識モデル。音声を入力し、ストリーミングで文字起こしテキストを出力する。リアルタイム会議、ライブ字幕、音声による対話などに適している。(alibabacloud.com) 日本語、英語、中国語の複数の方言を含む多言語の音声認識に対応し、中国語と英語の混在にも対応する。 ホットワードや文脈による認識精…

Alibaba

Qwen-Audio-3.1-ASR-Flash-Message

音声メッセージ、音声入力、企業業務向けに最適化された生成型音声認識モデル。音声を入力し、テキストを出力する。公式リリース告知には、2026年9月21日のリリースとして掲載されている。(alibabacloud.com) 中国語、英語などの多言語認識に対応し、日本語、インドネシア語、タイ語、フィリピン語、ベトナム語、韓国語、マレー語を重点的に最適化。 ストリーミング表示、P0/P1ホットワード、テキ…

Alibaba

Qwen-Audio-3.1-TTS-Next

Alibaba Cloud Model Studioが提供する、統合音声生成向けのAudioGenモデル。テキスト、タイムスタンプ、参照音声を基に、人の声、効果音、環境音などを一度に生成する。単独話者の発話、複数人の対話、ポッドキャスト、映像向け音響、環境音や効果音に対応し、動画、映画・テレビ、ゲームなどの音声制作に利用できる。(alibabacloud.com) 入力はテキストと参照音声、出力は…

Alibaba

Qwen3.8-Omni-Flash-Realtime

Alibaba Cloud Model Studioが提供する、リアルタイムの音声・映像対話向けマルチモーダルモデル。公式のモデル更新一覧には、2026年9月21日付で掲載されている。(alibabacloud.com) テキスト、ストリーミング音声、連続画像フレームによる動画を入力し、テキストと音声を出力する。 カスタムツールのFunction Calling、リモートMCPツール、動画の集約に…

Alibaba

Qwen-Audio-3.1-Realtime-Plus

Alibaba Cloud Model Studioが提供する、リアルタイム全二重音声対話モデルです。テキストと音声の入出力、Function Calling、ウェブ検索、音声クローンに対応します。ウェブ検索とFunction Callingは同時に有効化できます。(help.aliyun.com) 対話の途中での割り込みや応答、多言語交流、外部ツールの呼び出しに対応します。公式には、カスタマーサ…

Alibaba

Qwen-Image-2.1

Qwen-Image-2.1は、テキストからの画像生成と画像編集を統合した、重み公開型の画像モデルです。視覚生成部分は約70億パラメータです。公式リポジトリによる公開日は2026年9月20日です。(github.com) テキストによる画像生成、画像を参照した編集、複数被写体の合成に対応します。参照画像は最大10枚です。 円による指定、描画注釈、別途用意したマスクによる局所編集や、人物・商品の同一…

Alibaba

Qwen3.8-Omni-Flash

Alibaba Cloud Model Studioが提供する、音声・動画の理解とコンテンツ分析を目的としたマルチモーダルモデル。テキスト、画像、音声、動画を入力し、テキストを出力する。(alibabacloud.com) 思考・非思考モード、カスタムツール呼び出し、ウェブ検索、コンテキストキャッシュに対応。思考モードは既定で有効で、推論強度を調整できる。(alibabacloud.com) 音声…

Baidu

端到端语音语言大模型(Flex)

Flexは、柔軟な設定とタスク実行を重視したエンドツーエンドの音声言語モデルです。2026年9月16日に公開ベータが発表されました。自然なリアルタイム音声対話と音声合成を基盤に、音声による指示から外部システムを使った処理までを支援します。(cloud.baidu.com) サーバー側の自動VADと、クライアント側で音声送信・応答開始を制御する手動モードに対応します。 Function Callを通…

Google

Gemini 3.8 Live Extended Thinking

Googleのリアルタイム音声対話向けモデル。Gemini 3.8 Liveのうち、複雑な複数ステップのタスクや、対話を続けながらのバックグラウンド推論に重点を置いたモデルです。公式発表日は2026年9月15日です。(blog.google) 音声応答をストリーミングしながら、背景で推論や非同期のツール呼び出しを実行できます。進行状況を音声で伝えることも可能です。推論レベルは low、medium…

Google

Gemini 3.8 Live

Googleの低遅延なリアルタイム対話モデル。大規模利用とコスト効率を重視し、音声対話と視覚情報の理解を組み合わせる。複雑な多段階推論向けのGemini 3.8 Live Extended Thinkingとは別モデル。(blog.google) **発表日:2026年9月15日。**公式発表は同年9月17日に更新された。(blog.google) Google CloudのGemini…

Moonshot AI

K2.8 Preview

K2.8 Previewは、Kimi Code向けのプレビュー版コーディング・エージェントモデルです。2026年9月11日にKimi Codeで全面提供が発表されました。既存のモデルID kimi-for-coding は変更されていません。公式発表では、総合性能はK3に近く、K2.7 Codeより思考効率が高いとされています。(kimi.com) コード補完、一般的なソフトウェア開発、コーディン…

DeepSeek

DeepSeek-V4.1-Flash

DeepSeekが2026年9月10日に発表した、ネイティブな画像理解に対応するマルチモーダルモデル。新しいモデル構造系列の中では最小サイズに位置付けられ、推論速度、スループット、拡張性の向上を目指している。(deepseek.com) 552Bのバックボーンパラメータを持つMoEモデル。Causal Encoder–Decoder構造を採用し、入力の処理時には8B、出力の生成時には16Bのパラメ…

Tencent

AuK-Flash

AuK-Flashは、音声生成・編集向け基盤モデルAuKの蒸留版です。自然言語の指示と、必要に応じた音声を入力し、音声を生成・編集します。AuKは15億パラメータのモデルとして紹介されています。(huggingface.co) 参照音声の声を用いたゼロショット音声合成、声の特徴を文章で指定する音声合成。 発話内容や歌詞の編集、ピッチ・速度・音量の調整、感情・声質・アクセントやささやき声の編集。 音…

Tencent

AuK

AuKは、音声の生成と編集を自然言語の指示で行う、15億パラメータのオープンソース基盤モデルです。指定された公式リポジトリには、高品質な生成を目的としたベースモデルの重みが収録されています。別モデルのAuK-Flashは、4ステップの高速推論向けに蒸留された版です。(huggingface.co) 参照音声の声を使うゼロショット音声合成、および声の説明に基づく音声合成。 発話内容の置換・挿入・削除…

Google

WeatherNext 3

Google DeepMindとGoogle Researchが開発した、全球を対象とするAI気象予測モデル。リアルタイムの静止衛星観測と従来の気象解析データを入力し、地上観測データも学習に利用する。予測は1時間ごとに更新される。(blog.google) 64メンバーのアンサンブル予測を生成する。6時間ごとの基準時刻に初期化した予測は最大15日先、その他の毎時初期化予測は最大48時間先までを対象…

Google

Gemini 3.8 Flash Cyber

Gemini 3.8 Flashをサイバーセキュリティ用途向けに追加学習したモデルです。Googleは、脆弱性の自律的な発見と修正に重点を置いたモデルとして位置付けています。2026年9月2日に発表されました。Google Cloudのモデル一覧では、2026年9月16日をリリース日としています。(blog.google)…

Google

Gemini 3.8 Flash

Gemini 3.8 Flashは、Gemini 3.7 Flashを基盤とする汎用モデルです。長期的なソフトウェア開発、自律エージェント、複雑な知識業務向けに設計され、速度とコスト効率を重視しています。Googleは2026年9月2日に発表しました。(blog.google) テキスト、画像、音声、動画、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,…