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

675 モデル

公開日の新しい順
Google

Gemini Nano Banana 2.1

Gemini Nano Banana 2.1は、Nano Banana 2を更新した、高効率な画像生成・対話型画像編集モデルです。Google DeepMindによるとGemini 3.6 Flashを基盤としています。Gemini APIでは2026年10月6日に一般提供(GA)が発表されました。 (aistudio.google.com) Gemini APIのモデル仕様では、テキスト、画像、…

Google

EmbeddingGemma 2

Google DeepMind が開発した、端末上での利用を想定したオープンなマルチモーダル埋め込みモデル。Gemma 4 を基盤とし、重みは Apache 2.0 ライセンスで公開されている。公開日:2026年10月6日。(blog.google) テキスト、コード、画像、動画、音声、およびそれらの組み合わせを共通のベクトル空間に変換する。標準出力は768次元で、512・256・128次元への短…

Alibaba

Qwen-Image-2.1-Pro

Qwenシリーズの画像生成・編集モデル。テキストからの画像生成と画像編集を単一モデルに統合し、生成品質、推論効率、コストのバランスを重視している。視覚生成コンポーネントは70億パラメータ。(docs.modelstudio.console.alibabacloud.com) テキストや画像を入力し、画像を出力する。通常画像と透明なRGBA画像の生成、透明レイヤーの編集、写真からの被写体抽出に対応す…

Google

Gemini 4 Argon

GoogleのGemini 4世代に属するフロンティア推論モデル。複雑で長期にわたるソフトウェア開発、企業の知識業務、サイバーセキュリティ防御などを対象とする。(blog.google) テキスト、画像、音声、動画、PDFを入力でき、テキストを出力する。入力と出力を合わせたコンテキストは最大100万トークン。(storage.googleapis.com) 複数段階の調査、コードの移行・改修、文書…

OpenAI

GPT-6.1 Sol

OpenAIが2026年9月29日に発表した、GPT-6 Solの後継モデルです。複雑なコーディング、コンピューター操作、専門業務向けに、能力とコストのバランスを重視しています。OpenAIによると、これらの分野の一部評価ではGPT-6 Astraに近い性能を示しています。(openai.com) コードの作成・デバッグ、文書理解、複数段階の業務フロー、コンピューター操作、科学研究ワークフローを支…

Anthropic

Claude Sonnet 5.5

Claude Sonnet 5.5は、速度とコスト効率を重視したClaude 5.5ファミリーのモデルで、複雑な判断向けのClaude Opus 5.5を補完します。公開日は2026年9月28日です。(anthropic.com) 範囲が明確な日常業務、バグ修正、文書・スライド・スプレッドシートの作成、デザイン作業に適しています。長期的なタスクや画像理解にも対応します。(anthropic.com…

Alibaba

Decision-Model-Preview

高頻度の業務判断向けに設計された、プレビュー版の構造化意思決定モデル。テキストや業務状態を基に、分類、二者択一の判断、段階評価を並行して行い、確率分布や信頼度を返す。公開日は2026年9月24日。(docs.qwencloud.com) 1回の推論で複数の質問を処理できる。質問形式は選択式、はい/いいえ、段階評価。 入力はテキストまたはシリアライズされた業務状態。回答は自由文ではなく構造化された意…

OpenAI

GPT-6 Luna

GPT-6 Lunaは、特定の大量タスクを効率よく処理するためのモデルです。OpenAIは、日常的な業務や大規模なワークフローを、速度とコストを重視して実行する用途に位置づけています。(openai.com) 公開日: 2026年9月22日。(openai.com) APIモデルID: gpt-6-luna 主な用途: 業務ワークフローの自動化、コーディング、エージェントによるツール利用、長い文脈…

OpenAI

GPT-6 Sol

GPT-6 Solは、複雑なコーディングとエージェント型ワークフロー向けの推論モデルです。GPT-6 Astraより低コストで、高度な業務に利用できるモデルとして位置付けられています。OpenAIは後継モデルとしてGPT-6.1 Solも案内しています。(openai.com) テキストと画像を入力し、テキストを出力します。複雑なソフトウェア開発、複数アプリにまたがる業務、コンピューター操作などに…

Anthropic

Claude Opus 5.5

Claude Opus 5.5は、長時間にわたるエージェント型コーディングと知識労働向けのモデルです。Anthropicは2026年9月22日に発表しました。(anthropic.com) 複数時間に及ぶ自律的なコーディング、大規模なリファクタリング、複雑なシステムエンジニアリング、画像を多用する作業、コンピューター操作に適しています。 テキストと画像を入力し、テキストを出力します。コンテキストウ…

Google

Gemini 3.8 Flash-Lite TTS

Googleの高スループット・低遅延・低コストを重視したテキスト音声合成(TTS)モデル。gemini-3.1-flash-tts-previewからの移行先として位置付けられている。Gemini APIのリリースノートでは、2026年9月22日に一般提供(GA)を開始したと記載されている。なお、Google公式ブログの発表日は2026年9月23日。(aistudio.google.com) テキ…

Google

Gemini 3.8 Flash TTS

Googleの創作向け主力テキスト読み上げ(TTS)モデル。テキストを入力して音声を生成し、音声の忠実度、表現力、地域アクセント、長い対話での声の安定性を重視しています。(aistudio.google.com) 話し方のスタイル指定、複数話者の音声生成、ストリーミングに対応。長い会話やナレーションでも声質などの一貫性を保つよう設計されています。 プリセット音声のほか、音声デザイン、本人の同意確認…

Tencent

Hy Image3.5 preview

Tencent Hunyuanの画像生成モデルのプレビュー版。Tencent Cloud TokenHubのAPIを通じて、テキストからの画像生成、参考画像を使った生成、複数ターンにわたる画像編集に利用できます。ポスター、UIデザイン、商品画像の編集などが想定用途です。 (cloud.tencent.com) テキストと参考画像を含む会話形式の入力に対応し、生成結果を同期的に返します。外部検索によ…

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…