VTP-Small-f16d64
VTP-Small-f16d64は、MiniMaxと華中科技大学の研究者による、画像生成向け視覚トークナイザーのSmall版です。画像から視覚的特徴を抽出し、生成モデルが利用できる表現を提供します。公開モデルの規模は約0.2Bパラメータです。(github.com) 画像・テキストの対照学習、自己教師あり学習、画像再構成を組み合わせて事前学習されています。(arxiv.org) 画像特徴抽出、画像…
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。
VTP-Small-f16d64は、MiniMaxと華中科技大学の研究者による、画像生成向け視覚トークナイザーのSmall版です。画像から視覚的特徴を抽出し、生成モデルが利用できる表現を提供します。公開モデルの規模は約0.2Bパラメータです。(github.com) 画像・テキストの対照学習、自己教師あり学習、画像再構成を組み合わせて事前学習されています。(arxiv.org) 画像特徴抽出、画像…
AlibabaのQwen系列に属する画像編集モデルの、2025年12月15日付スナップショットです。公式更新情報では同日に掲載されています。画像と編集指示を入力し、編集後の画像を出力します。(docs.modelstudio.console.alibabacloud.com) 2025年10月30日版と比較して、キャラクターの一貫性、工業デザイン、幾何学的推論が改善され、照明などのLoRA機能を統…
Wan2.6-Imageは、画像生成・編集向けのマルチモーダルモデルです。テキストと画像を入力し、画像やテキストと画像を組み合わせたコンテンツを出力できます。複数画像の融合、被写体の一貫性を保った生成、画風の転用、構図や照明の制御に対応します。広告・商用ビジュアルの制作、画像編集、図解や手順コンテンツの作成などに利用できます。(docs.modelstudio.console.alibabaclo…
Wan2.6-T2Iは、テキストの指示から画像を生成するWan 2.6シリーズのモデルです。公式掲載日は2025年12月15日です。 (docs.modelstudio.console.alibabacloud.com) 公式発表では、画質・美的表現・指示追従の改善に加え、芸術スタイルの制御、写実的な人物画像、長いテキストの理解、幅広い歴史・文化的題材への対応を挙げています。イラスト、人物画像、ビ…
Qwen Speech Model系列の音声デザインモデル。短いテキストによる声の説明から、用途に合ったカスタム音声を設計する。公式リリース一覧では2025年12月12日の項目に掲載されている。 (docs.modelstudio.console.alibabacloud.com) 音声サンプルを用意せずに声を設計できる。qwen3-tts-vd-realtimeと組み合わせることで、設計した声に…
GoogleのLive API向けネイティブ音声モデルのプレビュー版。低遅延のリアルタイム音声・動画対話に適している。2025年12月12日の発表では、複雑なワークフローへの対応能力が改善されたと説明されている。(aistudio.google.com) 音声、動画、テキストの連続入力を処理し、音声またはテキストを出力する。リアルタイムの会話型アシスタントや音声・動画エージェントに利用できる。(a…
GLM-TTSは、テキストから音声を生成する産業向け音声合成システムです。2025年12月10日に発表され、モデルの重みが公開されました。BigModelではAPIとしても提供されています。(zhipuai.cn) 短い参照音声を用いたゼロショット音声クローンに対応します。公式モデルカードは参照音声の長さを3〜10秒としています。 多報酬強化学習によって感情や韻律の表現を改善し、ストリーミング推論…
GLM-ASR-Nano-2512は、実世界の複雑な音声環境を対象とする、約15億パラメータのオープンソース音声認識モデルです。音声を入力し、文字起こしを出力します。公式発表によると、特徴抽出に用いるWhisper V3音声エンコーダーの追加パラメータは、この15億には含まれていません。モデルカードのライセンス表記はMITです。 (zhipuai.cn) 標準中国語、英語に加え、広東語などの方言に…
Qwen3-Omniを基盤とする多言語の音声・動画通訳モデル。音声または動画を入力し、翻訳結果をテキストまたは音声で出力する。リアルタイム翻訳と録音・動画ファイルの翻訳に利用できる。公式説明では19言語を理解し、10言語と8種類の中国語方言を話せるとしている。日本語はテキスト・音声出力に対応する。(help.aliyun.com) コンテキスト長は53,248トークン、最大入力は49,152トーク…
Qwen3-Omni-Flashの2025年12月1日付スナップショット。Thinker–Talker混合エキスパート(MoE)アーキテクチャに基づくマルチモーダルモデルで、Alibaba Cloud Model Studioの公式一覧では2025年12月4日に掲載された。 (help.aliyun.com) テキスト、画像、音声、動画を入力として理解し、テキストと音声を出力する。 公式説明では1…
Qwen3-Omni-Flashのリアルタイム版マルチモーダルモデルです。Thinker–Talker型のMoEアーキテクチャを採用し、テキスト、画像、音声、動画を理解して、テキストや音声で応答します。2025年12月1日時点のスナップショットで、公式発表日は2025年12月4日です。(docs.modelstudio.console.alibabacloud.com) テキスト119言語、音声2…
Wan2.6-I2Vは、入力画像を起点に動画を生成するWan2.6シリーズのモデル。テキストや音声も入力でき、音声付き動画を生成する。公開日は2025年12月3日。(help.aliyun.com) 画像を動画の初フレームとして利用し、指示に沿った映像を生成する。音声入力にも対応する。(alibabacloud.com) 自動的なショット構成による複数シーンのストーリー表現、音声と映像の同期、複数…
AlibabaのWan2.6シリーズに属するテキストから動画を生成するモデルです。Alibaba Cloud Model Studioの公式モデル一覧では、公開日は2025年12月3日とされています。(help.aliyun.com) テキストと音声を入力し、音声付き動画を生成できます。音声と映像の同期、複数ショットによるストーリー表現に対応します。(alibabacloud.com) インテリジ…
Qwen-Plusのテキスト生成・推論モデルの固定スナップショット。Alibaba Cloud Model Studioが推論サービスを提供する。公式発表では、以前のスナップショットと比べて推論、エージェント、多ターンのツール呼び出し、創作タスクの能力が向上したと説明している。公開日・スナップショット日はいずれも 2025年12月1日。(help.aliyun.com) テキスト入力・テキスト出力…
DeepSeek-V3.2-Specialeは、DeepSeek-V3.2を長時間の思考に向けて強化し、DeepSeek-Math-V2の定理証明能力を組み合わせた研究向けの推論モデルです。2025年12月1日に公開されました。モデルの重みは公開されており、MITライセンスが示されています。(deepseek.com) 指示への追従、数学的証明、論理検証など、複雑な推論課題やモデル評価・研究を主な…
DeepSeek-V3.2は、2025年12月1日に公開された、推論とエージェント用途を重視する汎用言語モデルです。DeepSeek-V3.2-Expの正式な後継モデルとして発表されました。(deepseek.com) テキストの入力と出力に対応し、質問応答や一般的なエージェントタスクに利用できます。 推論能力と出力長のバランスを重視し、思考モード・非思考モードの両方でツール呼び出しをサポートしま…
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…
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…