Gemini 3.5 Transcribe Live
Googleの低遅延リアルタイム音声文字起こしモデル。Gemini Live APIをWebSocketまたはSDKから利用し、音声を連続入力しながらテキストを段階的に受け取れる。会話応答や音声生成を主目的とするモデルではなく、音声認識専用のパイプラインである。(aistudio.google.com) 発話中の暫定結果と、発話区間終了後の確定結果を返す。音声アプリ、リアルタイム字幕、音声入力など…
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の低遅延リアルタイム音声文字起こしモデル。Gemini Live APIをWebSocketまたはSDKから利用し、音声を連続入力しながらテキストを段階的に受け取れる。会話応答や音声生成を主目的とするモデルではなく、音声認識専用のパイプラインである。(aistudio.google.com) 発話中の暫定結果と、発話区間終了後の確定結果を返す。音声アプリ、リアルタイム字幕、音声入力など…
Googleの音声認識・文字起こしモデル。入力音声をテキストに変換し、録音済みの会議、通話記録、音声分析などに利用できる。85以上の言語を自動検出し、会話中の言語切り替えにも対応する。(blog.google) 発話の言い直しやフィラーを整理し、テキストを整形するスマート文字起こしに対応。 録音音声では話者分離、単語単位のタイムスタンプ、専門用語などのカスタム語彙に対応。 リアルタイム字幕や音声イ…
GLM-5.3-Flashは、GLM-5シリーズ初のネイティブマルチモーダルモデル。低コストの推論と、コーディング、視覚理解、エージェント業務を重視している。総パラメーターは320B、活性化パラメーターは18Bで、疎注意と線形注意を組み合わせたアーキテクチャを採用する。公式発表日は2026年8月26日。(z.ai) テキスト、画像、動画、ファイルを入力し、テキストを出力する。コンテキスト長は1Mト…
Qwen3.8-Flashは、推論・生成能力と応答速度を重視した通義千問のマルチモーダルモデルです。APIのモデル指定値はqwen3.8-flashです。公式発表日は2026年8月26日です。(docs.qwencloud.com) テキスト・画像・動画を入力し、テキストを出力します。長文書やコードベースの処理、プログラミング支援、エージェント型ワークフロー、図表や長い動画の分析に利用できます。…
Qwen3.8-Flash-Nextは、Qwen4向けアーキテクチャの早期プレビューを兼ねる、重み公開型のマルチモーダルMoEモデルです。メインモデルは125Bパラメータ、追加のN-gram埋め込みは51Bパラメータで、1トークン当たり6Bパラメータが活性化します。(alibabacloud.com) テキストと画像を扱い、テキストを生成できます。長文処理、コーディング支援、オフィス業務、高頻度の…