Qwen-Voice-Enrollment
Qwen音声モデルの音声クローニング用モデル。5秒以上の音声サンプルから、元の声に近い音色を作成する。公開日は2025年11月27日。(help.aliyun.com) 入力は音声、出力はテキスト。作成した音色をqwen3-tts-vc-realtimeと組み合わせ、高忠実度の音声合成に利用できる。公式説明では、組み合わせによる音声出力は10言語に対応する。 合成音声はテキストに応じて声の調子を調…
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。
Qwen音声モデルの音声クローニング用モデル。5秒以上の音声サンプルから、元の声に近い音色を作成する。公開日は2025年11月27日。(help.aliyun.com) 入力は音声、出力はテキスト。作成した音色をqwen3-tts-vc-realtimeと組み合わせ、高忠実度の音声合成に利用できる。公式説明では、組み合わせによる音声出力は10言語に対応する。 合成音声はテキストに応じて声の調子を調…
DeepSeekMath-V2は、自然言語による数学の定理証明に特化した推論モデルです。DeepSeek-V3.2-Exp-Baseを基盤とし、証明の生成、問題点の検出、自己検証と反復的な修正を行います。公開日は2025年11月27日です。(deepseek.com) 数学問題の解答や証明の草案作成、証明に含まれる論理的な欠陥の検討、数学的推論の研究に利用できます。 開発元の評価では、推論時の計算…
Tongyi Labの非リアルタイム音声合成モデルのスナップショット版です。テキストを入力し、音声を生成します。リアルタイム版とは別のモデルです。公式のモデル更新一覧では、2025年11月27日の項目に掲載されています。(help.aliyun.com) 低遅延・高安定性の音声合成を目的とし、テキストに応じた抑揚の調整や複雑な文章の読み上げに対応します。同じ音色で複数言語を出力できます。 日本語、…
2025年11月27日に公開された、通義千問のリアルタイム音声合成モデル。テキストを入力し、低遅延で音声を生成する。公式のモデル更新一覧では、多言語・方言への対応、言語をまたいで一貫した声質、テキストの意味に応じた抑揚調整、複雑な文章の合成能力が説明されている。(help.aliyun.com) WebSocketを使ったリアルタイム音声合成に対応する。音声アシスタントの応答や、逐次表示される文章…
2025年11月27日に公開された、音声クローンを用いるリアルタイム音声合成モデルのスナップショット版です。テキストを入力し、音声を出力します。(help.aliyun.com) 音声登録サービスで複製した声を使い、高忠実度の音声をリアルタイムに合成します。同じ声質で11言語の音声出力に対応すると公式発表に記載されています。テキストに応じた語調の調整や、複雑なテキストの合成にも対応します。(hel…
Claude Opus 4.5は、Anthropicが2025年11月24日に発表した高性能モデルです。発表時には、コーディング、エージェント、コンピューター操作に強みを持つモデルとして紹介されました。現在の公式ドキュメントではレガシーモデルに分類されています。(anthropic.com) ソフトウェア開発、コードの作成・修正、複雑なエージェント型タスク、コンピューター操作に利用できます。 調査…
Nano Banana Pro(Gemini 3 Pro Image)は、Gemini 3 Proを基盤とする画像生成・編集モデルです。Googleは2025年11月20日に発表しました。(blog.google) テキスト指示や参照画像を使った画像生成・編集。多言語の文字を含む画像や、図表、広告素材、製品モックアップなどに利用できます。 最大14枚の画像を組み合わせ、最大5人の人物の外観の一貫性…
Qwen-VL-OCRは、画像内の文字認識・解析・処理に特化したOCRモデルです。本バージョンはQwen-VL3アーキテクチャに基づくスナップショットで、文書解析と文字位置の特定が改善され、従来版に比べて遅延と幻覚が低減されたと公式に説明されています。(help.aliyun.com) 画像からテキストを出力し、文書画像の文字抽出や解析に利用できます。証明書や請求書などからの情報抽出にも利用できま…
GPT-5.1-Codex-Maxは、長時間の複雑な作業に最適化されたエージェント型コーディングモデルです。OpenAIが2025年11月19日に発表しました。ソフトウェアエンジニアリングのほか、数学や研究などのエージェント型タスクを基盤として訓練されています。(openai.com) プルリクエストの作成、コードレビュー、フロントエンド開発、コードに関する質疑応答に対応します。 コンテキストを圧…
GPT-5.1 Proは、複雑な作業に対して明確で高度な回答を提供するためのChatGPTモデルです。GPT-5 Proの後継として、2025年11月19日に発表されました。 (help.openai.com) OpenAIによると、初期テストでは文章作成支援、データサイエンス、ビジネスに関する質問で高く評価されました。テスターは、GPT-5 Proと比較した回答の明確さ、関連性、構成の改善を評価…
Qwen-MT-Liteは、Qwen3を基盤とする、低コスト・高速なテキスト翻訳向けの基礎モデルです。Alibaba Cloud Model StudioがAPI推論サービスを提供します。公開日は2025年11月19日です。(docs.bailian.console.aliyun.com) テキストを入力し、テキストで翻訳結果を出力します。用語の指定、書式保持、分野別の翻訳指示に対応します。 リア…
Gemini 3 Proは、高度な推論、マルチモーダル理解、エージェント型コーディングを重視したGoogleのモデルです。gemini-3-pro-previewはそのプレビュー版API IDです。2025年11月18日に発表されました。(blog.google) テキスト、画像、動画、音声、PDFを入力し、テキストを出力できます。入力上限は1,048,576トークン、出力上限は65,536トーク…
Googleの動画生成モデル「Veo 3.1」の高速版。テキストや画像を基に動画を生成し、制作ワークフローでの迅速な動画作成に利用できる。2025年11月17日にVertex AIで一般提供(GA)された。 (docs.cloud.google.com) テキストからの動画生成、画像からの動画生成、最初と最後のフレームを使った動画生成に対応。 参照画像の利用、動画の延長、音声生成、Content…
Googleの動画生成モデルVeo 3.1の標準版。Vertex AIのリリースノートによると、2025年11月17日に一般提供(GA)となった。 (docs.cloud.google.com) テキストからの動画生成、画像からの動画生成、開始フレームと終了フレームを指定した生成に対応する。 参照画像を使った生成、動画の延長、音声・効果音の生成に対応する。動画の延長は、生成時の入力モダリティとは別…
通義実験室のCosyVoiceシリーズに属する高性能な音声合成・音声クローンモデル。テキストを入力し、音声を出力する。Alibaba Cloud Model Studioで利用できる。(help.aliyun.com) テキストからのリアルタイム・ストリーミング音声合成に対応。従来版に比べ、自然さ、音質、韻律、感情表現が改善されたとしている。 5〜20秒の参照音声からカスタム音声を生成できる。公式…
Qwen3-ASR-Flashの長尺ファイル文字起こし向けスナップショット版。音声を入力し、テキストを出力する非リアルタイムの多言語音声認識モデルです。言語を自動判別し、日本語を含む複数言語の音声を認識します。会議録、インタビュー、録音・動画の字幕作成などに利用できます。(help.aliyun.com) リアルタイムのストリーミング認識用ではありません。 Filetrans系列のファイル入力は、…
GPT-5.1-Codex-Miniは、GPT-5.1-Codexを小型化し、コスト効率を高めた一方、能力を抑えたモデルです。Codexや類似環境でのエージェント型コーディング、コード生成などに適しています。(developers.openai.com) 公開日: 2025年11月13日。OpenAIは同日、Responses…
GPT-5.1-Codexは、Codexや同様の環境でのエージェント型コーディングに最適化されたGPT-5.1のバージョンです。コード生成や、ツールを使うソフトウェア開発ワークフローを用途としています。(developers.openai.com) API公開日: 2025年11月13日。Responses API向けに公開されました。(developers.openai.com) 提供状況:…
ERNIE 5.0 Previewは、Baiduのネイティブなオムニモーダル基盤モデルERNIE 5.0のプレビュー版です。Baiduは2025年11月13日のBaidu World 2025でERNIE 5.0を発表し、プレビュー版を一般向けにはERNIE Bot、企業向けには百度智能云の千帆プラットフォームで提供すると案内しました。(prnewswire.com) テキスト、画像、音声、動画を…
GPT-5.1 Thinkingは、OpenAIのGPT-5.1シリーズにおける高度な推論モデルです。質問の難しさに応じて思考時間を調整し、簡単な質問には比較的速く、複雑な問題にはより時間をかけて対応します。技術的な概念の説明や複雑な業務上の課題に加え、APIではコーディングやエージェント型タスクにも利用できます。(openai.com) ChatGPT向け発表日:2025年11月12日。API向…