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

151 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、…

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

Gemini 3.5 Flash Cyber

Gemini 3.5 Flashを基盤に、ソフトウェアの脆弱性の発見・検証・修正に向けて調整された軽量なサイバーセキュリティモデル。Googleは2026年7月21日に発表した。(deepmind.google) CodeMenderと組み合わせて大規模なコードベースの多数の実行経路を調査し、脆弱性の発見・検証とレポート作成を支援する。定期スキャン、リリース前の検査、コミットのスキャンにも適してい…

Google

Gemini 3.5 Flash-Lite

Gemini 3.5 Flash-Liteは、低遅延・高スループットの処理とエージェント型ワークフローに最適化された、低コストのマルチモーダル推論モデルです。Gemini 3.1 Flash-Liteを基盤としています。(deepmind.google) テキスト、画像、動画、音声、PDFを入力し、テキストを出力します。入力上限は1,048,576トークン、出力上限は65,536トークンです。(a…

Google

Gemini 3.6 Flash

Gemini 3.6 Flashは、Gemini 3.5 Flashを基盤とする、速度とマルチモーダル能力のバランスを重視した汎用モデルです。Googleは、コーディング、知識作業、マルチモーダル処理の性能とトークン効率の向上を挙げています。発表日は2026年7月21日です。(blog.google) テキスト、画像、音声、動画を入力し、テキストを出力できます。モデルカードでは、入力コンテキストは…

Alibaba

Qwen-Image-3.0

Qwen-Imageシリーズの第3世代に当たる画像生成基盤モデルです。公式ブログの公開日は2026年7月21日です。なお、Alibaba Cloudの更新履歴では、API ID qwen-image-3.0 のStandard版は2026年8月4日に掲載されており、ブログの公開日とは区別する必要があります。 (qwen.ai)…

Alibaba

Qwen3.7-Flash

Qwen3.7のネイティブな視覚言語モデル系列に属するFlashモデル。Alibaba Cloud Model Studioで提供される日付固定のスナップショット版。公式リリース一覧での掲載日は2026年7月21日。(alibabacloud.com) テキスト・画像・動画を入力し、テキストを出力する。テキスト生成、推論、画像理解に対応する。(alibabacloud.com) Function…

Baidu

HPD-Parsing

HPD-Parsingは、高スループットの文書解析を目的とした軽量な視覚言語モデルです。モデル規模は約10億パラメータで、重みはApache-2.0ライセンスで公開されています。(huggingface.co) 文書画像のレイアウトを解析し、ブロックの種類、位置座標、テキストを含む構造化結果を出力します。大量の文書ページの解析や、後続処理用の構造化に利用できます。(paddleocr.ai) 主レ…

ByteDance

Seed Audio 1.0

Seed Audio 1.0は、音声、効果音、環境音などを単一の枠組みで生成し、場面全体の音を制作するモデルです。ByteDance Seedの公式発表日は2026年7月20日です。 (seed.bytedance.com) 一つのプロンプトで、登場人物の台詞、感情、効果音、環境音を組み合わせた音声シーンを生成できます。台詞の開始時刻は100ミリ秒間隔で指定できます。 テキストによる声の説明や、使…