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

446 モデル

公開日の新しい順
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…

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…