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

244 モデル

公開日の新しい順
Alibaba

Wan3.0-Video

Wan3.0-Videoは、テキスト、画像、動画、音声などを参照して動画を生成するオールインワンモデルです。テキストからの動画生成、画像からの動画生成(開始フレームまたは開始・終了フレーム指定)、参照素材を用いた動画生成に対応します。文書やウェブリンクも参照できます。 (docs.qwencloud.com) 480P・720P・1080P、2〜30秒、30fpsのMP4動画を生成します。 音声生…

ByteDance

SeedRealtime

SeedRealtimeは、音声・映像・テキストを単一のアーキテクチャに統合した、ネイティブな音声・映像フルデュプレックス大規模言語モデルです。連続するマルチモーダル情報を扱い、見ながら、聞きながら、話すリアルタイム対話を目的としています。公開日は2026年8月5日です。(seed.bytedance.com) 音声、映像、時間的な手掛かりを組み合わせ、曖昧な発話や映像内の指示対象を理解します。…

Tencent

Hunyuan3D-Buffalo 1.0

Tencent Hunyuan3Dによる、3D生成・理解・編集を単一の枠組みで扱う統合マルチモーダルモデル。Hunyuan3D-VLMによる意味・構造・空間の理解と、Hunyuan3D DiTによる3D生成を組み合わせている。(tencent-hunyuan.github.io) テキストからの3Dアセット生成。 既存の3Dオブジェクトに対する自然言語指示に基づく編集。 3Dオブジェクトに関する質…

Alibaba

Qwen-Image-3.0

Qwen-Image-3.0は、画質と生成速度のバランスを重視した画像生成・編集モデルの標準版です。公式リリース日は2026年8月4日です。(docs.qwencloud.com) テキストからの画像生成と、画像を入力した編集に対応します。同じモデルIDを使用します。(docs.qwencloud.com) 約4,500トークンまでのプロンプト、複雑な画像・テキストの指示、情報量の多いレイアウトに…

Alibaba

Qwen3.8-Max

2026年8月3日に発表された、AlibabaのQwenシリーズのフラッグシップ・マルチモーダル基盤モデル。総パラメータ数は2.4兆、推論時の活性化パラメータ数は950億で、Sparse Mixture-of-Expertsとハイブリッドアテンションを採用する。発表時には、Alibaba Cloud Model StudioのAPIで提供された。(alibabacloud.com) テキスト・画像…

ByteDance

Seed-Evolving

Seed-Evolvingは、Agentおよびコーディング向けのSeedシリーズの深い推論モデルです。複雑なタスクの編成、長期計画、コード生成、ツール呼び出しに対応します。同一のモデルIDで自動的に更新版を利用できる、継続的に進化するモデルです。(console.volcengine.com) テキスト・画像・動画の理解、テキスト生成、構造化出力、ツール呼び出しに対応します。(console.vo…

MiniMax

MiniMax H3

MiniMax H3は、テキスト・画像・動画・音声を組み合わせた文脈を理解し、音声付き動画を生成する汎用マルチモーダル生成モデル。2026年7月31日に発表され、同年8月3日にモデルの重みが公開された。(minimax.io) テキストからの動画生成、画像からの動画生成、始点・終点フレームを指定した生成、画像・動画・音声を参照した生成に対応。複数の素材と指示を組み合わせた生成・編集を想定している。…

ByteDance

Seedance 2.5

Seedance 2.5は、音声と映像を統合的に生成する動画制作モデル。長い物語の生成、マルチモーダル素材の参照、生成後の編集に重点を置く。公式発表日は2026年7月31日。(seed.bytedance.com) 1回につき最大30秒の音声付き動画を生成し、複数回の延長に対応する。公式製品ページでは2回の延長に言及している。(seed.bytedance.com) 1回の生成で、参考素材として最…

DeepSeek

DeepSeek-V4-Flash

DeepSeek-V4-Flash-0731は、汎用の質問応答やエージェント作業、特にコーディング・エージェント向けの能力を強化したFlashモデルです。2026年7月31日に正式版APIの公開ベータが開始されました。Preview版とモデル構造・サイズは同じで、事後学習をやり直した更新です。(api-docs.deepseek.com) エージェント能力を強化し、公式評価ではTerminal…

Alibaba

Qwen3.7-Text-Embedding

Qwen3.7を基にした多言語テキスト埋め込みモデル。Alibaba Cloud Model Studioが推論サービスを提供する。テキストやコードをベクトル化し、検索、クラスタリング、分類などに利用できる。(docs.modelstudio.console.alibabacloud.com) 日本語、中国語、英語など201の言語・方言に対応する。ベクトル次元は256、512、768、1,024、…

Google

Gemini Robotics On-Device 2

Gemini Robotics On-Device 2は、ロボット上でのローカル実行に最適化された視覚・言語・行動(VLA)モデルです。Gemini Robotics 1.5の技術とオンデバイスGemmaモデルを基盤とし、汎用的なロボット操作を目的としています。(deepmind.google) テキストの指示、画像、数値化されたロボットの自己受容情報を入力し、ロボットの行動を数値として出力します…

Google

Gemini Robotics ER 2 Streaming Preview

ロボット向けの身体性推論を行う視覚言語モデル(VLM)のプレビュー版。Live API を使ったリアルタイムの双方向ストリーミングと、低遅延のロボットエージェント向けに最適化されている。2026年7月30日に公開プレビューとして提供開始。(aistudio.google.com) テキスト、画像、動画、音声を入力し、テキストを出力する。関数呼び出し、推論、Google 検索によるグラウンディングに…

Google

Gemini Robotics ER 2 Preview

ロボット向けの具身推論に特化した、Gemini 3.5 Flashベースの視覚言語モデルです。物理環境の理解、空間・時間推論、複数段階のタスクやツールの調整を支援します。(ai.google.dev) テキスト、画像、動画、音声を入力し、テキストを出力します。入力上限は131,072トークン、出力上限は65,536トークンです。 空間推論、動画内の場面検索や進捗分類、成功検出、計器の読み取り、複数…

Google

Gemini Robotics 2

Gemini Robotics 2は、視覚と言語の入力をロボットの動作制御に変換する視覚・言語・行動モデル(VLA)です。ヒューマノイドの全身や双腕ロボットを制御し、手やグリッパーを使った操作を行います。2026年7月30日に発表されました。 (deepmind.google) 全身制御:歩く、しゃがむ、手を伸ばす、物を持ち上げるといった動作を組み合わせ、散らかった空間での片付けなどに利用できます…

Alibaba

Qwen-Audio-3.0-ASR-Flash

Alibabaの短い音声向け非リアルタイム音声認識モデル。音声を入力し、文字起こしテキストを出力する。公開日は2026年7月30日。(alibabacloud.com) 日本語、中国語、英語、韓国語を含む30言語に対応。中国語の主要方言や地域アクセントにも対応する。 ホットワードとコンテキストによる専門用語の認識支援、句読点予測、数字・日付・金額の表記正規化に対応。中国古典詩の認識も最適化されてい…

Alibaba

Qwen-Audio-3.0-ASR-Flash-Filetrans

録音済みの長時間音声・動画ファイルを非リアルタイムで文字起こしする音声認識モデル。入力は音声、出力はテキスト。通常は非同期タスクを送信し、完了後に結果を取得する。(alibabacloud.com) 中国語、英語、日本語、韓国語などに対応し、中国語の方言や地域アクセントも認識する。ホットワードと文脈を指定して、専門用語などの認識を補強できる。句読点の予測や、数字・日付・金額の正規化にも対応する。(…

Alibaba

Qwen-Audio-3.0-ASR-Flash-Streaming

通義実験室が開発した、低遅延・高並行のリアルタイム音声認識モデル。音声を入力し、認識したテキストを逐次出力する。Alibaba Cloud Model Studioで提供される。(alibabacloud.com) 中国語、英語、日本語、韓国語など30言語に対応。中国語の7方言群と20以上の地域アクセントをサポートする。 事前登録・即時指定のホットワードとコンテキストを利用でき、専門用語の認識を強…

Google

Lyria 3.5

Googleの音楽生成モデル。テキストなどの指示から、歌唱や楽器編成を含む楽曲を生成する。モデルカードによると、時間方向の音声潜在表現に潜在拡散を適用している。 (deepmind.google) 発表日:2026年7月29日。 同日、Google Flow Musicでの提供開始が発表された。 (blog.google) Gemini API、Google AI Studio、Geminiアプリ…

OpenAI

GPT-Live-Transcribe

GPT-Live-Transcribeは、ライブ音声を低遅延で文字起こしするストリーミング音声認識モデルです。音声が届くにつれてテキストの差分を返し、各音声ターンの確定時に最終的な文字起こしを返します。マイク音声、通話、ライブ字幕などに利用できます。(developers.openai.com) 遅延設定を調整でき、低遅延と認識精度のバランスを選べます。 自由形式の文脈、キーワード、複数の想定入力…

OpenAI

GPT-Transcribe

GPT-Transcribeは、録音済みファイルやRealtimeセッションの確定済みターンを高精度に文字起こしする音声認識モデルです。APIモデルIDは gpt-transcribe です。(developers.openai.com) 完成済み音声ファイルの文字起こしに対応し、最終結果の取得またはファイル処理中のテキストのストリーミング出力が可能です。…