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

71 モデル

公開日の新しい順
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-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…

DeepSeek

DeepSeek-V4.1-Flash

DeepSeekが2026年9月10日に発表した、ネイティブな画像理解に対応するマルチモーダルモデル。新しいモデル構造系列の中では最小サイズに位置付けられ、推論速度、スループット、拡張性の向上を目指している。(deepseek.com) 552Bのバックボーンパラメータを持つMoEモデル。Causal Encoder–Decoder構造を採用し、入力の処理時には8B、出力の生成時には16Bのパラメ…

Tencent

AuK-Flash

AuK-Flashは、音声生成・編集向け基盤モデルAuKの蒸留版です。自然言語の指示と、必要に応じた音声を入力し、音声を生成・編集します。AuKは15億パラメータのモデルとして紹介されています。(huggingface.co) 参照音声の声を用いたゼロショット音声合成、声の特徴を文章で指定する音声合成。 発話内容や歌詞の編集、ピッチ・速度・音量の調整、感情・声質・アクセントやささやき声の編集。 音…

Tencent

AuK

AuKは、音声の生成と編集を自然言語の指示で行う、15億パラメータのオープンソース基盤モデルです。指定された公式リポジトリには、高品質な生成を目的としたベースモデルの重みが収録されています。別モデルのAuK-Flashは、4ステップの高速推論向けに蒸留された版です。(huggingface.co) 参照音声の声を使うゼロショット音声合成、および声の説明に基づく音声合成。 発話内容の置換・挿入・削除…