Gemini 3.5 Transcribe Live
Googleの低遅延リアルタイム音声文字起こしモデル。Gemini Live APIをWebSocketまたはSDKから利用し、音声を連続入力しながらテキストを段階的に受け取れる。会話応答や音声生成を主目的とするモデルではなく、音声認識専用のパイプラインである。(aistudio.google.com) 発話中の暫定結果と、発話区間終了後の確定結果を返す。音声アプリ、リアルタイム字幕、音声入力など…
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。
Googleの低遅延リアルタイム音声文字起こしモデル。Gemini Live APIをWebSocketまたはSDKから利用し、音声を連続入力しながらテキストを段階的に受け取れる。会話応答や音声生成を主目的とするモデルではなく、音声認識専用のパイプラインである。(aistudio.google.com) 発話中の暫定結果と、発話区間終了後の確定結果を返す。音声アプリ、リアルタイム字幕、音声入力など…
Googleの音声認識・文字起こしモデル。入力音声をテキストに変換し、録音済みの会議、通話記録、音声分析などに利用できる。85以上の言語を自動検出し、会話中の言語切り替えにも対応する。(blog.google) 発話の言い直しやフィラーを整理し、テキストを整形するスマート文字起こしに対応。 録音音声では話者分離、単語単位のタイムスタンプ、専門用語などのカスタム語彙に対応。 リアルタイム字幕や音声イ…
GLM-5.3-Flashは、GLM-5シリーズ初のネイティブマルチモーダルモデル。低コストの推論と、コーディング、視覚理解、エージェント業務を重視している。総パラメーターは320B、活性化パラメーターは18Bで、疎注意と線形注意を組み合わせたアーキテクチャを採用する。公式発表日は2026年8月26日。(z.ai) テキスト、画像、動画、ファイルを入力し、テキストを出力する。コンテキスト長は1Mト…
Qwen3.8-Flashは、推論・生成能力と応答速度を重視した通義千問のマルチモーダルモデルです。APIのモデル指定値はqwen3.8-flashです。公式発表日は2026年8月26日です。(docs.qwencloud.com) テキスト・画像・動画を入力し、テキストを出力します。長文書やコードベースの処理、プログラミング支援、エージェント型ワークフロー、図表や長い動画の分析に利用できます。…
Qwen3.8-Flash-Nextは、Qwen4向けアーキテクチャの早期プレビューを兼ねる、重み公開型のマルチモーダルMoEモデルです。メインモデルは125Bパラメータ、追加のN-gram埋め込みは51Bパラメータで、1トークン当たり6Bパラメータが活性化します。(alibabacloud.com) テキストと画像を扱い、テキストを生成できます。長文処理、コーディング支援、オフィス業務、高頻度の…
TencentのWeChat Visionチームが開発した、約90億パラメータの汎用マルチモーダル埋め込みモデル。異なる種類のコンテンツを共通のベクトル空間で表現する。(github.com) テキスト、画像、動画、視覚文書、およびそれらを組み合わせた入力に対応する。 出力次元は64、128、256、512、1024、2048、4096から選択できる。 検索、推薦、分類、エージェントシステムなどに…
Tencentの微信視覚チームが開発した、Qwen3.5ベースの汎用マルチモーダル埋め込みモデルです。入力を共通のベクトル空間に表現し、テキスト生成ではなく特徴抽出や類似度計算に用います。(huggingface.co) テキスト、画像、動画、視覚文書、それらを交互に組み合わせた入力に対応します。 出力はL2正規化された埋め込みベクトルで、最大2,560次元です。Matryoshka方式により64…
TencentのWeChat Visionチームが開発した、Qwen3.5ベースの汎用マルチモーダル埋め込みモデルです。入力を共通のベクトル表現に変換し、検索や推薦などに利用できます。(huggingface.co) テキスト、画像、動画、視覚文書、およびそれらを交互に含む入力に対応します。通常は2,048次元のL2正規化済み埋め込みを出力します。(huggingface.co)…
DeepSeek が 2026年8月21日に公開した、画像理解に対応する実験的なマルチモーダルモデルです。公式発表によると、テキストのみのエージェント、推論、世界知識の能力は DeepSeek-V4-Flash と同等で、視覚理解を要するエージェントのベンチマークでは同モデルを上回りました。(api-docs.deepseek.com) テキストと画像を混在させた入力に対応。画像理解とツールを組み…
Wan3.0-Video-Primeは、Wan3.0の動画生成モデルを高速化した版です。標準版と同等の機能を備え、生成速度の向上を目的としています。Alibaba Cloud Model Studioから利用できます。(alibabacloud.com) テキスト、画像、動画、音声、ファイル、リンクを入力し、動画を生成できます。テキストからの動画生成、画像からの動画生成(最初のフレームまたは最初と…
2026年8月14日に発表された、複雑なコーディング、長期にわたるエージェント作業、サイバーセキュリティ向けのテキストモデル。GLM-5.2と同じ基盤モデルを使い、追加学習の拡大によって能力を改善したと公式に説明されている。(z.ai) コード生成・修正、複数段階のソフトウェア開発、ターミナル操作、長期的なエージェント作業に適する。公式の社内評価では、コーディング能力がGLM-5.2比で50%向上…
Qwen3.8-27Bは、AlibabaのQwenチームが開発した、270億パラメータのネイティブなマルチモーダル・密モデルです。モデルの重みはApache 2.0ライセンスで公開されています。公開日は2026年8月14日です。(github.com) テキスト・画像・動画を入力し、テキストを出力します。思考モードと非思考モードを切り替えられ、コーディング、文書や画像の理解、オフィス業務、調査、複…
Googleが2026年8月13日に発表した、コーディングとエージェント向けの高速・効率的なGemini 3系列モデル。Gemini 3.6 Flashを基盤とし、推論や複数段階のタスク実行を改善している。(blog.google) テキスト、画像、音声、動画を入力し、テキストを出力する。最大コンテキストは1,048,576トークン、最大出力は65,536トークン。(docs.cloud.goog…
MiniMax Music 3.0は、制作向けのオープンウェイト音楽生成モデルです。音楽のアイデアや歌詞を基に、作曲・編曲・歌唱・音声制作を一度の生成で行い、最長5分の楽曲を作成します。公式発表日は2026年8月13日です。(minimax.io) 歌詞と音楽の説明から、ボーカル入りの楽曲やインストゥルメンタルを生成できます。歌詞にセクションタグを付け、曲の構成を指定できます。APIには歌詞の自動…
DeepSeek-V4-Pro は、推論やエージェント用途を対象とする汎用言語モデルです。正式版 DeepSeek-V4-Pro-0813 は2026年8月13日に公開され、アプリ、ウェブ版、APIで提供されました。APIのモデルIDは deepseek-v4-pro です。(api-docs.deepseek.com) 正式版ではエージェント能力が強化され、コーディングエージェントや複雑なタスク…
AlibabaのQwenチームが公開した、Qwen-Max級のオープンウェイト言語モデル。スパースMoEとハイブリッド注意機構を採用し、総パラメータ数は2.4兆、各ステップで約950億を活性化する。公開日は 2026年8月12日。(github.com) コーディング、業務文書、研究、複数段階のエージェント作業を想定。計画、環境からのフィードバックへの対応、推論の深さの調整に対応する。(huggi…
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…
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…
この言語の紹介は準備中です。