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

138 モデル

公開日の新しい順
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…

Alibaba

Qwen3.8-LiveTranslate

Alibabaの多言語リアルタイム音声・映像同時通訳モデル。音声と画像を入力し、翻訳テキストと音声を出力する。音声入力とテキスト出力は60言語、音声出力は29言語に対応し、日本語はいずれにも含まれる。音声入力は必須で、画像入力は任意。(qwen.ai) 話者をリアルタイムで区別し、発言者の識別情報を返す。話者の声色を保つ音声生成にも対応する。 原文と訳文を同期して出力でき、字幕表示や原文の確認に利…

Alibaba

HappyOyster Acting

HappyOyster Acting は、リアルタイムで対話できるキャラクター演技モデルです。テキストと画像を基に、指定した人物像に沿うキャラクターや場面を生成し、途中でテキスト指示を与えて演技や対話を進められます。出力は動画です。Alibaba Cloud Model Studio の推論サービスとして提供されています。(alibabacloud.com) 入力:テキスト、画像。Acting モ…

Alibaba

HappyOyster Directing

HappyOyster Directingは、テキストや画像から世界のシーンを生成し、テキスト指示によってその展開をリアルタイムに制御できる、インタラクティブなオープンワールドモデルです。入力はテキスト・画像、出力は動画です。(help.aliyun.com) 動画をストリーミング生成し、途中で指示を追加して展開を変えられます。一時停止、巻き戻し、分岐制作に対応します。参考画像は人物や小道具の外観…

Alibaba

HappyOyster Adventure

HappyOyster Adventureは、テキストと画像から探索可能な世界を生成する、リアルタイム対話型のオープンワールドモデルです。出力は、参加して操作できるリアルタイム動画ストリームです。(alibabacloud.com) 自然言語の指示と初期フレーム画像から世界を生成し、一人称または三人称で移動、視点変更、アクションなどを行えます。 対話型ゲーム、探索可能な世界、AIコンパニオン、仮想…

Alibaba

Qwen3.8-Omni-Flash

Alibaba Cloud Model Studioが提供する、音声・動画の理解とコンテンツ分析を目的としたマルチモーダルモデル。テキスト、画像、音声、動画を入力し、テキストを出力する。(alibabacloud.com) 思考・非思考モード、カスタムツール呼び出し、ウェブ検索、コンテキストキャッシュに対応。思考モードは既定で有効で、推論強度を調整できる。(alibabacloud.com) 音声…

Baidu

端到端语音语言大模型(Flex)

Flexは、柔軟な設定とタスク実行を重視したエンドツーエンドの音声言語モデルです。2026年9月16日に公開ベータが発表されました。自然なリアルタイム音声対話と音声合成を基盤に、音声による指示から外部システムを使った処理までを支援します。(cloud.baidu.com) サーバー側の自動VADと、クライアント側で音声送信・応答開始を制御する手動モードに対応します。 Function Callを通…