Qwen-Audio-3.0-TTS-Plus
Qwen-Audio-3.0-TTS-Plusは、高品質な音声生成を重視したテキスト音声合成モデルです。テキストを入力し、音声を出力します。公開日:2026年7月14日。(alibabacloud.com) 従来版より多くの低リソース言語や中国語の方言に対応し、方言の自然さを改善したとされています。 自由形式の指示と詳細なタグにより、感情、口調、役柄、話速、音量、合成スタイルを制御できます。ノイズ…
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-Audio-3.0-TTS-Plusは、高品質な音声生成を重視したテキスト音声合成モデルです。テキストを入力し、音声を出力します。公開日:2026年7月14日。(alibabacloud.com) 従来版より多くの低リソース言語や中国語の方言に対応し、方言の自然さを改善したとされています。 自由形式の指示と詳細なタグにより、感情、口調、役柄、話速、音量、合成スタイルを制御できます。ノイズ…
Seedream 5.0 Proは、複雑なデザインや実制作向けのマルチモーダル画像生成・編集モデルです。公式発表日は2026年7月8日です。(seed.bytedance.com) テキストからの画像生成、単一・複数の参照画像を使った生成、複数画像の合成。 データや文章を含む情報図、広告・販促物、教育・科学解説用ビジュアルの制作。 点、囲み、座標、手描きの印などを使った部分編集。色や素材の変更、人…
HunyuanOCR-1.5は、文字を中心とする視覚タスク向けの軽量なエンドツーエンドOCR特化型視覚言語モデルです。モデルカードには約10億パラメータと記載されています。公開日は2026年7月7日です。 (github.com) 文書解析、文字の検出・認識、情報抽出、画像内テキストの翻訳を単一モデルで扱います。文書のデジタル化や構造化情報の抽出に利用できます。 古文字や低リソース言語のOCR、複…
Hy3は、Tencentが2026年7月6日に正式公開した、実用性とエージェント用途を重視する大規模言語モデルです。Hy3 previewを基盤に、性能、安定性、コスト効率を改善したとしています。高速・低速の思考を組み合わせたMixture-of-Experts(MoE)モデルで、総パラメータは2950億、活性化パラメータは210億です。(tencent.com) 複雑な推論、指示追従、文脈内学習…