Qwen4-Max-Preview
Qwen シリーズの次世代フラッグシップ・マルチモーダルモデルのプレビュー版。テキスト生成、画像・動画理解、深い推論を組み合わせ、コーディング、オフィス業務、フロントエンド設計、複雑なエージェントタスクに向けて提供される。公開日は 2026年11月11日。(alibabacloud.com) テキスト・画像・動画を入力し、テキストで回答する。Function Calling、Web 検索、組み込み…
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 シリーズの次世代フラッグシップ・マルチモーダルモデルのプレビュー版。テキスト生成、画像・動画理解、深い推論を組み合わせ、コーディング、オフィス業務、フロントエンド設計、複雑なエージェントタスクに向けて提供される。公開日は 2026年11月11日。(alibabacloud.com) テキスト・画像・動画を入力し、テキストで回答する。Function Calling、Web 検索、組み込み…
Alibabaのリアルタイム双方向音声対話モデル。テキストと音声の入力・出力に対応し、音声アシスタントやリアルタイム対話アプリケーションに利用できる。公開日は2026年10月27日。(docs.qwencloud.com) Function Calling、ウェブ検索、音声クローンに対応。検索は enable_search で有効化し、Function Callingと併用できる。 接続プロトコル…
AlibabaのQwen-Audio-3.1-TTS-Plusは、高品質な音声とコンテンツ制作を重視したプロ向け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。公式発表日は2026年10月21日です。(docs.qwencloud.com) 多言語・方言、ストリーミング音声合成に対応します。自然言語の指示や細かなタグにより、感情、口調、役柄、話速、音量を調整できます。 既存音声、音声クロー…
リアルタイム対話向けに低遅延を重視した、テキストから音声を生成するモデルです。公式リリース日は 2026年10月12日 です。(docs.qwencloud.com) ストリーミング音声合成、システム音声、音声クローニング、音声デザインに対応します。 日本語を含む複数言語・方言に対応し、自然言語による指示やタグで感情、声の調子、話者の人物像、速度、音量などを調整できます。 音声アシスタント、リアル…
Qwen-Image-2.1の高速化チェックポイントで、テキストからの画像生成と画像編集を行うモデルです。画像生成用の7Bパラメータのアーキテクチャを用い、8ステップのノイズ除去で推論できます。Alibaba Cloud Model StudioのAPIでも提供されています。(huggingface.co) 公開日: 2026年10月9日。公式リポジトリは同日にTurboモデルとAPIの公開を告知…
Qwenシリーズの画像生成・編集モデル。テキストからの画像生成と画像編集を単一モデルに統合し、生成品質、推論効率、コストのバランスを重視している。視覚生成コンポーネントは70億パラメータ。(docs.modelstudio.console.alibabacloud.com) テキストや画像を入力し、画像を出力する。通常画像と透明なRGBA画像の生成、透明レイヤーの編集、写真からの被写体抽出に対応す…
高頻度の業務判断向けに設計された、プレビュー版の構造化意思決定モデル。テキストや業務状態を基に、分類、二者択一の判断、段階評価を並行して行い、確率分布や信頼度を返す。公開日は2026年9月24日。(docs.qwencloud.com) 1回の推論で複数の質問を処理できる。質問形式は選択式、はい/いいえ、段階評価。 入力はテキストまたはシリアライズされた業務状態。回答は自由文ではなく構造化された意…
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…
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 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…
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 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 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 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…
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…
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 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…
Qwen3.8-Max の改良版スナップショット。テキスト生成、深い推論、視覚理解を備え、複雑なソフトウェア開発や長期的な自律作業、複数ツールを使うエージェントの協調、図表・文書の解析に適する。別名は qwen3.8-max-2026-09-02。(help.aliyun.com) テキスト・画像・動画を入力し、テキストを出力する。思考モード、関数呼び出し、構造化出力、ウェブ検索、コンテキストキャ…