独自エンドポイント新着
100万のコンテキストを持つ高速なマルチモーダルコーディングとエージェントモデル、調整可能な推論深度、画像および映像入力、関数呼び出し、組み込みのウェブ検索。
テキスト、画像、音声、動画、3Dなど、モデルの全カタログを閲覧できます。
モデルカタログ
テキスト、画像、動画、音声、3D、検索、エージェントエンドポイントをpay-as-you-go価格で閲覧できます。インタラクティブなカタログはEmpirioLabsから現在の利用可能性を読み込み、これらのモデルドキュメントはクライアントJavaScriptなしでもクロール可能です。
xAIimage-to-videoプロンプトガイド付きのモーション、ネイティブ音声、480pまたは720p出力、最大15秒のクリップを備えています。
テキスト、画像、音声、または映像入力からシネマティッククリップを生成するためのマルチモーダルビデオ生成。
高解像度のクリエイティブ、ブランド、商品ビジュアルのための統一画像生成と編集。
テキスト、画像、動画、コーディング、ツール、1Mコンテキストワークフロー向けのコスト効率の高いビジョン言語モデル。
コーディング、生産性、長期エージェント、深い思考、ツール使用のための旗艦的な長期コンテキストモデル。
コーディング、エージェント、長文脈解析、テキスト、画像、ビデオ入力のためのマルチモーダル推論。
強力なコーディングサポート、256Kのコンテキスト、画像や映像入力を備えたムーンショットマルチモーダル推論。
ツール呼び出し、構造化出力、キャッシュサポート、128K出力を伴う長いコンテキスト推論。
参照画像をテクスチャ付きのGLBアセットに変換するイメージから3Dへの生成。
100万のコンテキストを持つ高速なマルチモーダルコーディングとエージェントモデル、調整可能な推論深度、画像および映像入力、関数呼び出し、組み込みのウェブ検索。
Alibaba Cloud書面による説明から音声生成、ナレーション、最大3つのクローン音声の会話、効果音、環境音、音楽を1つのファイルにまとめています。
DeepSeekポストトレーニング済みの1017リリースで、より強力なコーディングとエージェント結果、より高速なタスク完了、短い出力、画像入力、1Mのコンテキストウィンドウを備えています。
Alibaba CloudProおよびTurboのバリエーションによる画像生成と編集、最大10枚の参照画像、透明なPNG出力、最大2560x2560のカスタムサイズに対応しています。
Alibaba Cloud19の音声によるリアルタイム音声合成、平易な言語での伝え方、インラインの感情・音声タグ、そしてSSEまたはWebSocketを経由した音声ストリーミング。
EmpirioLabsテキスト、JSON、画像、動画、音声に関する質問yes/no、選択、スコア、ツールの質問に最大100万トークンで回答し、入力に答えがないと判断できます。
Z.ai100万トークンコンテキスト、128K出力、低・高・最大努力での常時オン推論、ネイティブウェブ検索、ツール呼び出しによるコーディングとエージェントモデル。
Z.aiネイティブなマルチモーダルフラッシュモデルで、1Mトークンコンテキスト、画像および映像入力、常時オンの推論、ネイティブのウェブ検索、ツール呼び出し機能を備えています。
1Mトークンコンテキスト、128Kの出力、調整可能な推論努力、ネイティブのウェブ検索、ツール呼び出しを備えた推論・コーディングモデル。
Moonshot AIKimi K3は、1Mトークンコンテキスト、常時稼働型思考、ネイティブウェブ検索、テキスト、画像、動画入力を備えたMoonshotの旗艦推論モデルです。
Meta AIMetaの更新されたフロンティア推論モデルは、1,048,576トークンのコンテキスト、画像、動画、音声、PDFの理解、ウェブ検索、ツール呼び出しを備えています。
Kimi K2.7 Codeは、Moonshotの兆パラメータエージェントコーディングモデルで、256Kのコンテキスト、常時オンの推論、テキスト、画像、ビデオ入力を備えています。
Apacheライセンスの4B FLUX.2 Klein画像生成・編集モデルで、text-to-image、参照画像編集、クリエイティブワークフローサポートを備えています。
TencentマルチモーダルなMixture-of-Expertアーキテクチャ上のオープンソースtext-to-imageモデルで、フォトリアルなディテールと強力な多言語テキストレンダリングを備えています。
DeepSeekマルチモーダル理解と画像生成を一つのアーキテクチャに統合する、Janus Pro 7Bモデル上の自己回帰的フレームワーク。
Alibaba Cloudクラスリードの複雑なChinese/Englishテキストレンダリング、リアルなテクスチャ、多画像融合を備えた統一画像生成および編集モデル。
Alibaba CloudQwenの画像生成と編集(ベースおよびProバリアント)、多言語タイポグラフィ、マルチイメージ参照、そして制御可能な1Kまたは2K出力に対応しています。
ByteDanceレンダリング前にプロンプトを推論し、高解像度で一貫した編集とブランドビジュアルを生成する統一されたマルチモーダル画像モデル。
Kling AIテキストからビデオへの変換とimage-to-video、720pまたは1080pで3秒から15秒間、アスペクト比とプロンプト制御付きで同期したネイティブ音声が提供されます。
Alibaba Cloudテキストからビデオ、画像からビデオ、参照ビデオ、ビデオ編集の各モードを提供し、高忠実度でモーションスムースな出力を実現します。
8.3Bパラメータのビデオモデルで、ネイティブ720p出力(1080pまでアップスケーリング可能)、強いモーションコヒーレンス、そして最大10秒のバイリンガルプロンプト理解能力を持つ。
Kling AIスタンダードまたはプロモードでのビデオモデルで、テキストからビデオ、イメージからビデオ、参照ビデオ、編集、ネイティブサウンド、マルチシーントランジションに対応します。
Kling AIKling 3.0モデルで、リファレンス動画からリファレンス画像のキャラクターにモーションを転送するもので、標準720pとPro 1080pの両層があります。
OpenMOSSオープンソースの32B MoE基盤モデルで、精密なデュアルタワーリップシンクを用いて、1ステップの推論で同期した映像と音声を生成する。
オープンソースの音楽生成モデルで、text-to-songおよび歌詞ガイド音声のための高速8ステップXLターボ推論による曲の制御可能な反復が可能です。
リアルタイム音声モデルは、平易な英語の伝達方向を取り、200+言語にわたる一つの音声アイデンティティを保持し、ワードタイムスタンプでストリーミングします。
15言語で271+音声を使った130ms未満のTTFB音声合成、表現豊かな韻律、そして低遅延の音声エージェント向けのリアルタイムSSEストリーミング。
放送品質の音声合成と豊かな表現力豊かな韻律、15言語にわたる271+音声、そして単語ごとのタイムスタンプ付きのリアルタイムSSEストリーミング。
歌詞とスタイルプロンプトから完全なステレオ曲を生成し、長さ、シード、フォーマットのコントロールは最大5分まで可能です。
レイテンシ優先のリアルタイム音声合成で、200+言語で一つの音声アイデンティティを保持し、大音量ストリーミングワークロードに最適化されています。
DeepgramNova-3モデルを用いた音声・テキスト転写で、多言語対応と高度なカスタマイズ可能な設定を本番ワークロード向けに提供します。
OpenAIWhisper-1speech-to-text多言語監督付き音声で学習された文字起こしで、ファイルあたりアップロード制限は25MBです。
制御されたWhisper Large v3ターボの文字起こしを多言語ASR、翻訳、VAD、タイムスタンプ、字幕、ホットワード、デコーダー制御付きで行います。
StepFunStepFunは中国語と英語の音声書き起こしのためのストリーミング音声認識モデルです。
StepFun固有名詞、専門用語、方言、ささやき声、早口の話し方、歌唱など難しい音声の文脈認識した転写。
StepFunソケットを通じたライブ文字起こしは、話者が話す間に部分的な結果を返し、音声活動検出で各文をマークします。
Exa自然言語の質問に対する素早いLLMスタイルの回答で、新しいExaのウェブ検索結果に基づき、インライン引用とソースリンクを添えています。
Exaウェブ検索エンジンは、AIエージェント向けにオープンウェブ上でページ検索、類似ページの検索、クロール、専用コード検索を行っています。
Linkup初期結果が不十分でもクエリを続け、標準モードよりも包括的な回答を返す反復AI検索。
LinkupAI搭載のウェブ検索で、ディープサーチよりも速い詳細な概要と回答を提供します。
Perplexity機関レベルのリサーチエージェントで、ウェブ検索やページ閲覧を複数回行い、最大限の深さと広範な情報源カバーを提供します。
Perplexity複雑なテーマにわたる資料の自律的な検索、読解、評価を行う多段階の検索、統合、推論のための研究モデル。
TRELLIS.2 イメージから3Dへのモデルで、参照画像を解像度、シード、メッシュ、テクスチャ、エクスポートコントロールを備えたテクスチャ付きGLBアセットに変換します。
DeemosRodin Gen-2エンジンは、テキストプロンプトや最大5枚の参照画像をPBRマテリアルとクアッドまたは生メッシュを用いた生産用3Dアセットに変換します。
Hitem3D構造認識テクスチャを備えた生産特化したイメージから3Dへの変換、1536および1536 Proの精密ティア、最大200万面のメッシュ、5つのエクスポートフォーマット。
Alibaba Cloud選択可能な出力寸法を持つ多言語テキスト埋め込み(64–2048)。入力あたり最大8,192トークン。
Alibaba Cloud速度最適化されたマルチモーダル埋め込み、Vision-Plusと同じ形状、3×安価なimage/videoトークン。
Alibaba Cloudテキスト、画像、ビデオ入力に対して独立したベクトルを生成するマルチモーダル埋め込み。
ByteDanceテキスト、画像、動画を1024次または2048次元ベクトルに融合させ、クロスモーダル検索と検索を行うマルチモーダル埋め込み。
Alibaba Cloudセマンティックドキュメントのリランク。1クエリあたり最大500の候補を関連性でソートし、100+言語をサポートし、カスタムソート命令も受け入れます。
LightOnPDFや画像をページごとに構造化されたMarkdownに読み込むドキュメントOCR(文書OCR)で、表、数学、チャート、画像領域、レイアウトも含めて。
