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…
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。
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…
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…
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…
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…