100万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。
タイプ
仕様
料金
入力
1Mプロンプトトークンあたり
$1.40
ソリューション
生成された1Mトークンあたり
$4.40
ウェブ検索
リクエストごとに
$0.033
使い分を使いながら支払うか、週ごとの手当付きのプランを選ぶのも良いでしょう。
価格カタログ
EmpirioLabsの料金はモデルや単位によって異なり、トークン、画像、音声または動画の秒数、メッセージ、3Dアセット、検索リクエストなどが含まれます。インタラクティブな価格表は現在のカタログを読み込みますが、これらの代表的なレートはクライアントJavaScriptなしでも読みやすいままです。
画像入力$0.051枚あたり。480pで毎秒$0.096、720pで毎秒$0.168回の映像出力が始まります。
コスト効率の高い長コンテキストマルチモーダルAPIに対して、入力は100万プロンプトトークンあたり$0.40から始まります。
マルチモーダル推論、コーディング、エージェントワークロードに対して、入力は100万プロンプトトークンあたり$0.30から始まります。
画像から3Dへの生成は生成された3Dアセットごとに料金が設定され、フォーマットや解像度の管理に関するドキュメントが用意されています。
モデルAPI料金はUSDで表示され、USDで請求されます。対象の場合、チェックアウトで地域の支払い方法が表示されることがあります。
Weekly allowances across models, media, search and tasks, on top of pay as you go. Usage inside your allowances is included and never touches your credit balance.
3 of these are free to run, so they never draw from your allowance.
MiniMax M3.1 Flash
DeepSeek V4.1 Flash 1017
Aplomb 1
MiMo V2.6 Flash
Qwen3.8 Omni FlashGLM 5.3 FlashQwen3.8 FlashQwen3.8 27B
Muse Glimmer 30BDeepSeek V4 Flash 0731Qwen3.7 FlashQwen3.7 Flash (Variant 1)ミニマックス M3MiniMax M3 (Priority)
Step 3.7 FlashQwen3.6 FlashQwen3.6 Flash (Variant 1)Qwen3.6 35B A3B
Step 3.5 Flash 2603
Gemma 4 26B-A4BMiniMax M2.7 HighspeedMiniMax M2.7
Mistral Small 4Qwen3.5 4BQwen3.5 122B-A10BQwen3.5 35B-A3BQwen3.5 27BQwen3.5 Flash (Variant 1)Qwen3.5 FlashQwen3.5 9BQwen3.5 397B-A17B
Seed 2.0 Mini
Step 3.5 FlashGLM 4.7 Flash無料This model is free to run, so using it never draws from your weekly allowance.GLM 4.7 FlashXGLM 4.6V Flash無料This model is free to run, so using it never draws from your weekly allowance.GLM 4.5 Flash無料This model is free to run, so using it never draws from your weekly allowance.
Mistral Small 3.1Gemma 3 27B
Nova Lite 1.0
Nova Micro 1.0GLM 4.6V FlashXQwen Audio 3.1 TTSQwen Audio 3.1 TTS Next
MiMo V2.6 Pro
MiMo V2.6 Pro UltraSpeedQwen3.8 Omni Flash RealtimeQwen Audio 3.1 Realtime PlusQwen3.8 LiveTranslate Flash Realtime
Step 5 Preview
Gemini 3.8 LiveGemini 3.8 Live Extended Thinking
Fugu Max
Fugu Ultra v2.0
StepAudio 3 ChatQwen3.8 Max 0902Muse Spark 1.3GLM 5.3DeepSeek V4 Pro 0813
StepAudio 3 RealtimeMuse Spark 1.2Qwen3.8 MaxQwen3.8 Max (Variant 1)
Fugu Ultra v1.1
StepAudio 2.5 Realtime
Kimi K3
Seed 2.1 TurboMuse Spark 1.1
Fugu Ultra v1.0Kimi K2.7 CodeGLM 5.2Kimi K2.7 Code HighspeedGLM 5.2 (Variant 1)Kimi K2.7 Code (Variant 1)Qwen3.7 プラスQwen3.7 Plus (Variant 1)Qwen3.7 MaxQwen3.7 Max (Variant 1)DeepSeek V4 Pro (Variant 2)DeepSeek V4 ProDeepSeek V4 Pro (Variant 1)Qwen3.6 27BKimi K2.6GLM 5.1Qwen3.6 Plus (Variant 1)Qwen3.6 Plus
Qwen3.5 Omni FlashQwen3.5 Omni PlusQwen3.5 Plus (Variant 1)Qwen3.5 Plus
Seed 2.0 Code
Seed 2.0 Lite
Seed 2.0 Pro
Nova Lite 2
DeepReasoning
Nova Pro 1.0
Perplexity Sonar
StepAudio 2.5 Chat
Qwen3.5 Omni Flash Realtime
Qwen3.5 Omni Plus RealtimeAllowances cover models, media, search and tasks, including generation templates and Compose. Past them, usage bills at normal pay-as-you-go rates. Personal use only, no reselling. Allowances refresh weekly and do not roll over.
100万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。
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。
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。
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。
Kimi 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。
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。
1,048,576トークンのコンテキストに加え、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たメタフロンティア推論モデル。
ハード推論、コーディング、研究用に更新されたマルチエージェントコンダクターで、最大努力量1M、画像入力、ウェブ検索に対応しています。
テキスト、画像、動画、コーディング、ツール使用、GUI理解、1Mコンテキストワークフローのためのコスト効率のQwen3.7ビジョン言語モデル。
テキスト、画像、動画、コーディング、ツール使用、GUI理解、1Mコンテキストワークフローのためのコスト効率のQwen3.7ビジョン言語モデル。
Kimi K2.7 Code Highspeedは、Moonshotのエージェントコーディングモデルの中でより高速なサービング層で、256Kのコンテキスト、常時オンの推論、画像および映像入力を備えています。
ハード推論、コーディング、研究のためのオリジナルマルチエージェントコンダクターで、1Mのコンテキスト、画像入力、関数呼び出し、ウェブ検索を備えています。
テキスト、画像、動画、ツール使用、エージェントタスク向けの高速Qwen3.7ビジョン言語モデルで、暗黙的キャッシュと1Mトークンコンテキストを備えています。
テキスト、画像、動画、ツール使用、エージェントタスク向けの高速Qwen3.7ビジョン言語モデルで、暗黙的キャッシュと1Mトークンコンテキストを備えています。
MiniMax M3は、テキスト、画像、ビデオ入力を用いたコーディング、エージェント、長文脈解析のためのマルチモーダル推論モデルです。
MiniMax M3は、テキスト、画像、ビデオ入力を用いたコーディング、エージェント、長文脈解析のためのマルチモーダル推論モデルです。
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。
Qwen3.7 Maxは、コーディング、生産性、長期エージェント、深い思考、ツール、1Mトークンコンテキストのための旗艦テキストモデルです。
Qwen3.7 Maxは、コーディング、生産性、長期エージェント、深い思考、ツール、1Mトークンコンテキストのための旗艦テキストモデルです。
コーディング、長期的なエージェント、プロフェッショナルな仕事のための兆スケールのMoEフラッグシップであり、100万トークンの文脈で画像と映像の理解を兼ね備えています。
コーディング、長期的なエージェント、プロフェッショナルな仕事のための兆スケールのMoEフラッグシップであり、100万トークンの文脈で画像と映像の理解を兼ね備えています。
Fast Qwen3.8 視覚言語モデルで、画像と映像入力、5つの組み込みツール、1Mトークンコンテキストを備えています。
強化されたQwen3.8 Maxスナップショットで、より強力なコーディング、安定したマルチツールエージェント実行、そして1Mトークンコンテキストにわたるより鮮明なチャートとドキュメントビジョンを実現しました。
テキスト、画像、音声、動画を読み、回答をテキストで行うオムニモーダル推論器で、100万トークンのコンテキスト、思考、ネイティブのウェブ検索を備えています。
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。
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。
高速推論にチューニングされた高速M2.7バリアントで、強力な汎用性能と強いエージェント能力を備えています。
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。
202Kのコンテキスト、128Kの出力、ツール呼び出し、構造化出力、キャッシュサポートを備えた長コンテキストのZhipu AI推論モデル。
Kimi K2.6は、256Kのコンテキスト、強力なコーディング、テキスト、画像、ビデオ入力を備えたMoonshotマルチモーダル推論モデルです。
コーディング、リポジトリ作業、ツール使用、フルスタックタスクの面で大幅な向上を遂げたポストトレーニング済みの0731リリースで、さらに100万のコンテキストウィンドウも備えています。
コーディング、リポジトリ作業、ツール使用、フルスタックタスクの面で大幅な向上を遂げたポストトレーニング済みの0731リリースで、さらに100万のコンテキストウィンドウも備えています。
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。
公式の0813 Proリリースで、コーディング、リポジトリ作業、ツール使用、エージェントタスクの面で大きな進歩があり、ハイブリッド思考と100万のコンテキストウィンドウを備えています。
Metaの長期的なエージェント推論モデルで、1,048,576トークンのコンテキスト、画像、動画、PDFの理解、ウェブ検索、ツール呼び出しが可能です。
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。
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。
MiniMax M2.7は、インターリーブ思考、関数呼び出し、プロンプトキャッシュを備えた汎用推論チャットモデルです。
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。
Qwen3.5 122B-A10Bは、256Kのコンテキスト、効率的なスパースMoE推論、テキスト、画像、ビデオ入力を持つマルチモーダル推論モデルです。
Qwen3.5 397B-A17Bは、言語、コード、エージェント、GUIタスク、画像および映像の理解のための旗艦的なマルチモーダル推論モデルです。
Qwen3.5 35B-A3Bは、効率的なネイティブ視覚言語モデルで、MoEルーティングが稀で、深い思考、テキスト、画像、ビデオ入力を備えています。
Qwen3.5 27Bは、高速応答、256Kのコンテキスト、テキスト、画像、動画の理解を持つ密度の高いマルチモーダル推論モデルです。
256Kのコンテキスト、画像・映像入力、関数ツール、構造化JSON、そしてデフォルトで思考可能なマルチモーダル推論器。
Qwen3.6 27Bは、256Kのコンテキスト上でエージェント的コーディング、STEM推論、空間視覚、OCR、テキスト、画像、動画の理解を向上させます。
Fast Qwen3.6 エージェントコーディング、数学推論、空間理解、OCR、テキスト、画像、ビデオ入力のための視覚言語モデル。
Fast Qwen3.6 エージェントコーディング、数学推論、空間理解、OCR、テキスト、画像、ビデオ入力のための視覚言語モデル。
Gemma 4 26B A4Bは、Googleのオープンなマルチモーダルモデルで、256Kのコンテキスト、テキスト、画像、ビデオ入力、ツール、構造化出力を備えています。
画像理解、128Kのコンテキスト、ツール呼び出し、構造化出力、制御可能な推論力を備えたMetaオープン30Bエージェントモデル。
Qwen3.5 9Bは、256Kのコンテキスト、画像・映像入力、関数ツール、構造化出力を備えたコンパクトなマルチモーダル推論モデルです。
Qwen3.5 4Bは、256Kのコンテキスト、画像・映像入力、関数ツール、構造化出力を備えた低コストのマルチモーダル推論モデルです。
Qwen3.6 35B A3Bは、128Kのコンテキスト、関数ツール、厳格構造化JSON出力を持つ256人のエキスパートmixture-of-experts推論モデルです。
コーディング、推論、長い文脈作成、一般的なチャット用の無料の軽量GLM-4.7テキストモデル。
推論、コーディング、長文チャット、一般的な言語タスク用の無料の軽量GLM-4.5テキストモデル。
コーディング、推論、長文脈作成、チャット用の高速GLM-4.7テキストモデルで、20万のコンテキスト、関数呼び出し、ウェブ検索に対応しています。
画像、動画、ファイル、テキストの理解を用い、ネイティブ関数呼び出しに対応した無料のマルチモーダルGLM-4.6Vモデル。
画像、動画、ファイル、テキストの理解を目的とした高速GLM-4.6Vビジョンモデルで、128Kのコンテキストとネイティブ関数呼び出しに対応しています。
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。
Nova-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。
DeepSeek R1chain-of-thought論理とAnthropic Claudeのクリエイティブおよびコード生成を組み合わせ、統合されたデータ制御インターフェースの背後にあります。
1.6Tトータル/49Bアクティブパラメータとネイティブ1Mコンテキストを備えたフラッグシップMoE LLM(高度な数学、論理推論、専門的なコーディング用)。
1.6Tトータル/49Bアクティブパラメータとネイティブ1Mコンテキストを備えたフラッグシップMoE LLM(高度な数学、論理推論、専門的なコーディング用)。
1.6Tトータル/49Bアクティブパラメータとネイティブ1Mコンテキストを備えたフラッグシップMoE LLM(高度な数学、論理推論、専門的なコーディング用)。
1.6Tトータル/49Bアクティブパラメータとネイティブ1Mコンテキストを備えたフラッグシップMoE LLM(高度な数学、論理推論、専門的なコーディング用)。
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。
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。
低遅延text-to-speech、シングルスピーカーおよびマルチスピーカーの音声、コントロール可能なスタイル、アクセント、表現力豊かな本番アプリに対応しています。
ポッドキャスト、オーディオブック、カスタマーサポート向けの高品質TTSプレビューを提供し、23+言語にわたる多言語の多言語による表現力豊かな音声も提供します。
ナレーション、アシスタント、ボイスアプリをまたいで、新しいオーディオタグで正確なスタイル、トーン、テンポ、伝え方を実現し、高度にコントロールしやすいTTS。
128Kのコンテキスト、140+言語、改良されたmath/reasoning、構造化出力、関数呼び出しを備えたオープンソースのビジョン言語モデル。
LLMベースのtext-to-speechで、3〜10秒の音声からゼロショットのボイスクローンと、マルチリワード強化学習(RL)による感情表現で制御可能な出力を実現しています。
AI生成と人間生成のテキスト部分を検出し、完全に人間生成、AI、混合コンテンツを分類するディープラーニング検出器。
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。
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。
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。
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。
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 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。
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。
画像解析、プログラミング、数学、多言語タスクに128Kのコンテキストを持つ24Bパラメータのマルチモーダルモデルで、効率的な局所推論に最適化されています。
インストラクト、推論(マジストラル)、デヴストラルファミリーを統合したハイブリッドモデル:スモール3と比べて完了時間が40%短縮され、スループットは3倍です。
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。
30万のコンテキスト(最大~30分の動画)でテキスト、画像、動画を扱う低コストのマルチモーダル基盤モデルで、速度とコストを重視して調整されています。
テキスト、画像、文書、動画の1Mコンテキスト(長文ドキュメントと~90分のクリップ)に対して、高速でコスト効率の高いマルチモーダル推論モデルです。
128Kコンテキストで超低遅延とコストを最適化したテキストのみの基盤モデル。要約、翻訳、チャットに優れており、キャッシュ割引が44%あります。
30万のコンテキスト(最大~30分の動画)におけるテキスト、画像、動画の精度、速度、コストのマルチモーダル基礎モデルのバランス。
Whisper-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。
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。
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。
Sonar Proをエージェント研究者として:ウェブ検索を連鎖し、ページ全体を取得し、ライブ推論をストリーミングし、複雑なクエリに戦略を適応させます。
ドメイン、言語、日付などでフィルタリングできるリアルタイムウェブ検索。検索結果を返しますが、LLMの回答ではありません。ファイルのアップロードはありません。
リアルタイムのウェブ接続検索で、正確な引用とカスタマイズ可能なソースを提供し、本番アプリでのAI検索統合up-to-date。
検索に基づくモデルで、引用数が2倍でコンテキストウィンドウが大きく、詳細な回答を必要とする複雑なクエリに対応しています。
複数のウェブ検索ラウンドを経て調査し、複数の情報源に証拠を連鎖させて回答し、インライン引用を付ける推論モデルです。
テキストからビデオ、イメージからビデオ、トランジションモードでのシネマティックビデオ生成を、高ディテール、流れるような動き、リアルなアニメーションを特徴としています。
テキストや1〜2フレームの画像プロンプトから最大1080pまで動画を生成し、複数のアスペクト比、5〜10秒の再生時間、オプションで同期音声も可能です。
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。
Qwen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。
ハイブリッドな線形注意とスパースなMoE、1Mのコンテキスト、高速マルチモーダルtext/image/ビデオ推論を備えた視覚言語モデル。
ハイブリッドな線形注意とスパースなMoE、1Mのコンテキスト、高速マルチモーダルtext/image/ビデオ推論を備えた視覚言語モデル。
テキスト、画像、音声、動画を処理できるコスト効率の良いオムニモーダルモデルで、90+言語で最大3時間の音声と1時間の動画を可能にします。
テキスト、画像、音声、ビデオのフラッグシップ・オムニモーダルモデル。3Hオーディオ、1Hビデオ、90+入力・30+出力言語、55種類の音声音色。
テキスト、画像、動画を横断し、100万人のコンテキスト上で効率的な深い思考と視覚的理解を可能にするハイブリッドアーキテクチャのマルチモーダルモデル。
テキスト、画像、動画を横断し、100万人のコンテキスト上で効率的な深い思考と視覚的理解を可能にするハイブリッドアーキテクチャのマルチモーダルモデル。
3.5より大幅にアップグレードされたビジョン言語モデル:エージェント型およびフロントエンドコーディング、マルチモーダル認識、OCR、オブジェクトローカライゼーション。
3.5より大幅にアップグレードされたビジョン言語モデル:エージェント型およびフロントエンドコーディング、マルチモーダル認識、OCR、オブジェクトローカライゼーション。
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。
強力なフロントエンド結果と、AIコーディングツールおよびエージェント向けの多言語プログラミングサポートを持つ、コーディング調整された256Kコンテキストモデル。
高頻度企業ワークロード向けのバランスの取れた汎用モデル:情報処理、コンテンツ、検索、データ分析。
256Kのコンテキスト、4つの推論努力モード、image/video理解を備えたレイテンシ重視のマルチモーダルモデルで、高並行性の利用に向けられています。
複雑な推論、多様理解、構造化生成、ツール拡張実行のための旗艦モデルで、256Kのコンテキストに対応しています。
ネイティブの音声同期、カメラ制御、安定した動きを備え、レンダリング1回あたりのコストを抑えたシネマティッククリップ用のスピード最適化2.0ビデオバリアント。
テキスト、画像、音声、または映像入力からのシネマティック出力のためのマルチモーダルビデオモデルで、安定した動きと一貫したキャラクターを持ちます。
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。
プレミアムSeedream画像モデルで、1枚の画像を編集可能なレイヤーに分割し、座標マーカーやスケッチマーカーで編集し、最大10の参照を融合させます。
Fast Seedreamの画像モデルで、1つの画像を編集可能なレイヤーに分割し、座標マーカーやスケッチマーカーで編集し、最大10の参照を融合させます。
長尺の多話者ポッドキャスト対話のためのオープンソース音声モデルで、パラリンガスティック制御(笑い、ため息)とゼロショット音声クローンを備えています。
テキストプロンプトから最大3分間の音声を生成し、持続時間、ステップ、CFGスケールを調整可能な、text-to-audioとaudio-to-audioをサポートします。
テキストからのアップto-3-minuteオーディオに、音楽制作、サウンドデザイン、リミックスのためのtext-to-audio、audio-to-audio、オーディオインペインテインメント。
WAN 2.2のStable Video Infinity 2.0 Pro:静止画を理論上無限長の動画に拡張しつつ、文字IDを一貫性を保ちます。
クロール、抽出、URLマッピングによるウェブ検索により、ページやドメイン間での迅速かつ構造化された検索が下流パイプラインに提供されます。
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。
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。
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。
ネイティブの視聴覚同期(リップシンク、セリフ、音楽、SFX)を備えたシネマティックでマルチショットのマルチモーダルビデオ生成モデル。
T2V、I2V、ビデオ編集、reference-to-videoをサポートするマルチモーダルビデオモデルで、テキスト、画像、ビデオ入力からの高忠実度出力が可能です。
画像生成および編集の伴随モデル:text-to-image、バウンディングボックス編集、そして一貫した画像セット、Proで最大4K出力が可能です。
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。
高レベルのプロンプトをサブタスクに変換し、ツールやAPIを呼び出し、手動のオーケストレーションなしにend-to-end結果を提供する自律型AIエージェントです。
テキストからビデオへの生成、image-to-video、reference-to-video生成が可能で、最大7枚の参照画像で一貫したキャラクターを表現し、1080pで最大15秒の時間が可能です。
テキスト、画像、reference-to-videoを一つのモデルにまとめています。シネマティックな動き、最大9つのリファレンスにわたるキャラクターの一貫性、そして同期されたネイティブ音声。
480pおよび720pでネイティブオーディオ、カメラ制御、画像や映像入力に対応した、最も高速で手頃な価格のSeedance 2.0層です。
StepFunは、画像と映像の入力、ツール呼び出し、調整可能な推論努力、そして256Kのコンテキストを備えたマルチモーダル推論モデルです。
StepFun はエージェント向けのテキスト推論モデル、コーディング、ツール呼び出し、長いコンテキスト分析を対象としています。
エージェント最適化されたStep 3.5 フラッシュバリアントで、低・高推論努力モードがあります。
StepFunは音声およびテキスト会話モデルで、テキスト出力とパラリンガスティック理解を特徴としています。
文脈型StepFuntext-to-speech自然な言語による音声指示と表現力のある表現を持つモデルです。
StepFun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。
次世代のコーディングとエージェントモデルで、エンジニアリンググレードのコード配信、長期的な自律性、256Kのマルチモーダル理解を特徴としています。
1,000以上の音声、16言語、20の中国方言、自然言語の伝え方、インライン感情タグを備えた階層的な音声合成。
テキスト、画像、動画、音声の参照を1回のリクエストで、ネイティブステレオ音声で最大2Kで4秒から15秒のクリップを生成します。
OpenAIの旗艦画像モデルで、強力なプロンプトの忠実度、鮮明なテキストレンダリング、最大16枚の参照画像にわたる指示ベースの編集機能を備えています。
KuaishouのKling 3.0ビデオジェネレーターで、text-to-video、最初と最後のフレームimage-to-video、ネイティブオーディオ、720p、1080p、または4K出力を備えています。
アリババのWan 2.5ビデオモデルで、text-to-videoとimage-to-video、ネイティブオーディオ、オプションのカスタムオーディオトラック、480pから1080p出力に対応しています。
アリババのWan 2.2ビデオファミリーは、標準およびフラッシュティア、第一フレームと最後のフレーム補間、低コストで480pから1080pまでの出力を備えています。
AlibabaのWan 2.1ビデオモデルで、text-to-video、image-to-video、そして最初と最後のフレームクリップを480pまたは720pで表示できるターボおよびプラスティアがあります。
アリババのワン2.5画像モデルで、最大3枚の画像を約1.7メガピクセルで撮影できるtext-to-imageおよびマルチリファレンス編集が可能です。
アリババのWan 2.2 text-to-imageモデルで、プラスとフラッシュのティアがあり、最大1440x1440の出力を低価格で提供しています。
アリババのワン2.1text-to-imageモデルで、ターボおよびプラスティア、最大1440x1440出力を低価格で提供しています。
最大30秒の一貫したクリップ、最大50の参照画像、動画、音声クリップ、ネイティブ音声、編集、拡張を含む長尺ビデオモデル。
テキストから画像への編集に加え、最大5枚のソース画像、自動またはピン留めの品質ティア、1Kまたは2Kの出力解像度に対応しています。
テキスト、画像、最初と最後のフレーム、または最大7つの参照から映像を生成し、ネイティブ音声、マルチショットカット、クリップ拡張も備えています。
アクションや特殊効果作業用のシネマグレードビデオモデルで、テキスト、画像、最初と最後のフレーム、または参照から、ネイティブの同期音声付きで処理できます。
既存の動画の口の動きをアップロードされた音声トラックや、14の内蔵音声のいずれかが話すテキストに同期させます。
1つのモデルに6つのビデオ変換:プロンプト編集、リスタイリング、被写体入れ替え、モーション転送、アップスケール、生成効果音です。
ミリ秒リップシンクによる音声・映像合成、6言語のセリフ、シネマティックなカメラムーブ、そして最大1080p出力。
最大14枚の参照画像、強力なテキストレンダリング、2Kまたは4Kの出力を一つの定価で実現する高精度な画像生成と編集。
最大14枚のリファレンス画像、最大15枚のバッチセット、1Kから4Kの出力を1枚の定額価格で統一した画像生成と編集が可能です。
Rodin 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。
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。
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。
最大30秒のオールインワン動画生成で、ネイティブ音声、オムニモーダル参照(画像、動画、音声、ファイル、ウェブリンク)、そして高速なPrimeティアに対応しています。
コスト効率の良いマルチエージェントコンダクターで、タスクごとに適切な規模の専門家チームを編成し、100万のコンテキスト、画像入力、ウェブ検索を備えています。
最も難しい推論、コーディング、研究作業に向けられた旗艦のマルチエージェントコンダクターで、100万のコンテキスト、画像入力、ウェブ検索に対応しています。
6言語にわたる人間レベルの音声合成、12のシステムボイス、自然言語の伝達方向、ストリーミング再生が可能です。
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。
音声とテキストの会話モデルで、応答前に推論し、関数呼び出しとJSON出力があります。
書かれたシーンからセリフ、効果音、環境音、背景音楽を一つのクリップにまとめて生成します。
スタイル説明からボーカル、アレンジ、ミキシング、またはインストゥルメンタルやカバーを含む完全な曲を書く。
音声入力、音声出力、1つのソケットで。返信途中で割り込み可能で、音声活動検出が応答のタイミングを判断します。
スピーチイン、アウト、一つのソケットで、語調やペースをパラランゲージス的に理解する。
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。
音声入力・音声出力が1つのソケットで行われ、テキストトークンとオーディオトークン料金は別々で、ターンごとの課金方式も設定されています。
音声入力・音声出力が1つのソケットで、より大きなOmni階層で、テキストトークンとオーディオトークンレート、ターンごとの請求が別々です。
話者が話している間に中間結果を返し、各フレーズが終わると確定した書き起こしをスポントで行う。
WebSocketを使った同時音声翻訳。目標言語を設定し、次に話す;モデルはその言語でテキストと音声で応答します。
1Mトークンコンテキスト、画像および映像入力、並列ツール呼び出し、厳密なJSONスキーマ出力を用いたFrontierマルチモーダル推論。
フレーム同期したサウンドトラックは、ビデオから直接生成されたり、テキストプロンプトから音楽を生成したり、セグメントごとの方向性とステムの分離が特徴です。
映像内のアクションにフレーム精度の高い効果音を配置したり、テキストの説明から生成され、セグメントごとに方向性が設定されます。
生成されたサウンドトラック、フレーム同期効果、またはその両方を混ぜて元の映像を手つかずにして返送します。
リップシンクで合わせられた声で24言語に吹き替え、言語ごとに完成した動画1本とオプションの字幕トラックを返送します。
音楽ベッドの上にナレーションを混ぜ、音声の下に音楽を自動で浸し、手動の自動化なしで会話をクリアに保つ。
動画を読み、音楽やサウンドデザインのシーンごとのプロンプト付き時間制限付きのクリエイティブブリーフを書き、後の世代を動かす準備を整えます。
エージェント作業のための兆パラメータの旗艦であり、1Mの文脈でネイティブな画像、映像、音声の理解と推論を備えています。
1Mのコンテキスト上でネイティブな画像、映像、音声の理解を持つ低コストのフルモダリティ推論器で、高周波の制作ワークロード向けに構築されています。
1兆パラメータのフラッグシップのハイスループットビルドで、フルモダリティの推論にマッチしつつ、出力を大幅に高速に生成します。
音声とライブ映像のフレーム入力、1つのソケットでの音声出力(56音声対応)、会話中のツールコール、そしてテキストトークンと音声トークンの分離率が特徴です。
1つのソケットで27音声を搭載し、ネイティブのウェブ検索、ツール呼び出し、テキストトークンと音声トークンの分離率を実現。
表現豊かな音声、インラインボーカルタグ付き、スタイルディレクション、2話者対話が130言語、2,000以上の音声ライブラリをカバーしています。
音声エージェントや吹き替えのためのコスト効率の良い音声、ストリーミング、ボーカルタグ、101言語、2,000+音声での2話者対話に対応しています。
1つのソケットで低遅延の音声会話が可能で、30の音声、ライブビデオ入力、ツール呼び出し、話しながら割り込める返信も可能です。
バックグラウンドで推論しながら話し続ける音声会話、30の音声、ライブ映像入力、ツール呼び出し、調整可能な推論努力が特徴です。
短いクリップや長い録音用の音声入力で、文のセグメント、単語のタイムスタンプ、多言語および中国語の方言認識に対応しています。
ソケットでのライブ文字起こし、スピーカーが話す間に部分的な単語をストリーミングし、各間ごとに安定した文をストリーミングし、トークンごとに料金がかかります。
音声メッセージと音声入力に合わせて調整された文字起こしで、話者が一時停止すると各発話を一つの完全な書き起こしとして返します。
19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。
Pro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。
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。
テキストおよびimage-to-videoは1080pで最大15秒、5,000文字のプロンプト、shot-by-shot方向、そしてネイティブの同期音声を備えています。
PDF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。
OpenMOSStext-to-image、アスペクト比とシード制御を備えた、看板、ポスター、レイアウトで正確な英語および中国語テキストをレンダリングするモデルです。
Stability AItext-to-audio音楽と効果音のモデルで、44.1 kHzのステレオクリップで最大380秒まで、長さ、ステップ、シードのコントロールを備えています。
196 / 212 モデル
