独Black Forest Labsがマルチモーダル基盤モデルFlux3を発表。Self-Flowアーキテクチャと専用コーデックで物理・デジタル環境の統合理解・生成を実現。LumaやRunwayを上回り、初のネイティブ音声生成で20秒の同期動画を出力可能。テキスト/画像/動画からの変換、キーフレーム遷移、多言語対話にも対応。....
AnthropicはClaudeの音声モードをアップグレードしており、英語に限らず中国語、広東語、日本語、ドイツ語など複数言語に対応し、多言語でのインタラクション体験を向上させています。
マスク氏のAI企業xAIは、多言語・音声対話技術の研究開発を加速し、最近、中国語AIトレーナーのグローバル募集を発表。リモートワーク対応で、主に大規模モデルGrokの音声対話と多言語処理能力の最適化を担当。米国での時給は35〜45ドルと競争力がある。....
マスク氏傘下のxAIが、中国語AIトレーナーを世界規模で募集開始。時給35～45ドル（約237～304元）、フルタイム・パート・リモート対応。大規模言語モデルGrokの多言語処理・音声対話能力向上が目的。....
Boson AIは音声エージェントを構築し、音声から音声へのモデル、リアルタイムアバター、多言語TTSを提供します。
Flux3は独立したAIプラットフォームで、画像編集や音声・ビデオの生成が可能で、多言語のワークフローをサポートしています。
AriaFlow.aiは、無顔ビデオの迅速な作成を支援し、複数のプラットフォームに自動で投稿します。
KidVoiceはAI童声生成器で、無料で50種類以上のスタイルがあり、多言語と音声クローンに対応しています。
Google
$0.49
入力トークン/百万
$2.1
出力トークン/百万
1k
コンテキスト長
$17.5
Alibaba
$6
$24
256
$4
$16
$8
$240
52
Bytedance
$1.2
$3.6
4
-
$3.9
$15.2
64
$15.8
$12.7
$0.8
$2
128
Baidu
$0.75
Tencent
24
Chatglm
Iflytek
thenexthub
これは多言語処理をサポートするマルチモーダルモデルで、自然言語処理、コード処理、音声処理などの複数の分野をカバーし、自動音声認識、音声要約、音声翻訳、ビジュアル質問応答などの様々なタスクを実行できます。
kenpath
Svara-TTSはインド語を対象としたオープンソースの多言語テキスト読み上げモデルで、19種類の言語（18種類のインド語 + インド英語）をサポートしています。このモデルはOrpheusスタイルの離散音声トークン方式に基づいて構築され、一般的なGPU/CPU上で明瞭で表现力に富み、低遅延の音声合成を実現することを目的としています。
MERaLiON
MERaLiON-SER-v1はパラメータ効率的な多言語音声感情認識モデルで、7種類の離散的感情カテゴリと連続的な感情次元値を同時に予測できます。このモデルはWhisper-Mediumエンコーダをベースに構築され、LoRA適応技術を採用し、多言語音声感情認識タスクで優れた性能を発揮します。
malaysia-ai
Qwen/Qwen3-1.7B-Baseをベースに継続事前学習を行った多言語音声変換とテキスト読み上げモデルで、多言語、複数話者の音声生成と変換機能をサポートします。
nineninesix
KaniTTSは高速で高忠実度のテキスト音声変換モデルで、リアルタイム対話型人工知能アプリケーション向けに最適化されています。このモデルは2段階の処理フローを採用し、大規模言語モデルと効率的なオーディオコーデックを組み合わせています。Nvidia RTX 5080で15秒の音声を生成する際の遅延は約1秒だけで、MOS自然度評価は4.3/5で、英語、中国語、日本語などの多言語をサポートしています。
notmax123
Zonos-v0.1は、20万時間以上の多言語音声データを基にトレーニングされた、最先端のオープンソースのテキスト読み上げ（TTS）モデルです。表现力と品質は、トップレベルのTTSサプライヤーと匹敵します。ゼロショット音声クローン、多言語合成、および細かいオーディオ制御をサポートしています。
FluidInference
parakeet-tdt-0.6b-v3は強力な多言語自動音声認識モデルで、英語、スペイン語、フランス語、ドイツ語などの多くの欧州言語をサポートしています。FastConformer-TDTアーキテクチャに基づき、公開データセットを使用して訓練され、言語を超えた音声認識に効率的な解決策を提供します。
istupakov
NVIDIA Parakeet TDT 0.6B V3は多言語自動音声認識モデルで、パラメータ数は6億で、英語、スペイン語、フランス語、ドイツ語など25種類のヨーロッパ言語をサポートし、音声をテキストに変換できます。
snorbyte
snorTTS-Indic-v0は、9種類のインド語の音声を生成できる多言語インド語音声合成（TTS）モデルです。
kyutai
京都台テキスト音声変換（TTS）モデルは、ストリーミングテキスト音声変換に使用されるモデルで、リアルタイム音声生成と多言語処理をサポートしています。
okezieowen
これは16ビット量子化され、マージされたテキスト音声変換モデルです。canopylabs/orpheus-3b-0.1-ftをベースに微調整され、UnslothとLoRAで最適化されており、アフリカの低リソース言語に特化して最適化されています。多言語音声合成と感情表現をサポートします。
fixie-ai
Ultravoxはマルチモーダル音声大規模言語モデルで、事前学習された大規模言語モデルと音声エンコーダを組み合わせており、音声入力を理解して処理することができ、多言語音声認識、翻訳、オーディオ分析などの機能をサポートしています。
cocktailpeanut
OpenAudio S1は、200万時間以上の多言語オーディオデータを基にトレーニングされた、先進的なテキスト読み上げ（TTS）モデルです。13種類の一般的な言語をサポートし、高品質の音声合成サービスを提供し、豊富な感情、語調、特殊効果のマーキングをサポートします。
Mungert
OuteTTS-1.0-0.6B GGUFは多言語テキストを音声に変換するモデルで、音声合成とクローニングをサポートし、効率的かつ正確な音声生成能力を提供します。
unsloth
OuteTTS 1.0はLlamaアーキテクチャに基づく多言語テキスト読み上げモデルで、20言語をサポートし、高品質な音声合成と音声クローン機能を備えています。
panchajanya-ai
speechbrain/lang-id-commonlanguage_ecapa を基にした多言語音声分類モデルで、5つのインド言語を識別可能
Lorenzob
Aurora-1.6BはDia-1.6Bをファインチューニングした多言語感情・歌唱音声合成モデルで、複数言語と感情制御をサポートし、ゼロショット音色クローン能力を備えています。
nvidia
軽量多言語音声活動検出モデル、中英仏独露西6言語対応、パラメータ数わずか91.5K、リアルタイム音声処理に最適
Dia-1.6Bをファインチューニングした多言語感情・歌唱音声合成モデル、音色クローンと感情制御をサポート
walterheart
BarkはSunoによって作成されたTransformerベースのテキストからオーディオへのモデルで、非常にリアルな多言語音声、音楽、背景ノイズ、音響効果を生成できます。
Zonos MCP統合プロジェクトはClaudeにテキスト読み上げ機能を提供し、Model Context Protocolを通じて直接音声を生成し、多言語と感情の口調設定に対応しています。
Votars MCP は、多言語対応のツールで、Votars AI プラットフォームと統合し、音声文字起こしと AI タスクを処理します。
Markdownify MCP UTF - 8拡張版は、多言語コンテンツの変換をサポートするMarkdown処理サービスで、UTF - 8エンコーディングのサポートを最適化し、PDF/画像/音声・動画/Office文書などのさまざまな形式のMarkdown変換機能を提供し、Windowsシステムに特化した最適化が行われています。
Speech MCPはGoose用に設計された音声対話拡張機能で、リアルタイムの音声認識、高品質のテキスト読み上げ、多言語サポート、および最新のオーディオビジュアライゼーションインターフェイスを提供し、多キャラクター対話生成と音声文字起こし機能をサポートします。
Transcribe MCPは、AI駆動の自動文字起こしツールで、高速かつ高品質の多言語音声から文字への変換をサポートし、ローカルとクラウドのサービスを提供し、さまざまなAIアシスタントと統合できます。
YouTube動画の文字起こしAPIを提供するPythonサービスで、RESTとMCPインターフェースに対応し、多言語の文字起こし、自動検出、音声文字起こしのフォールバック機能を備えています。
macOSの組み込みsayコマンドに基づくMCPテキストを音声に変換するサーバーで、豊富な音声カスタマイズ機能と多言語サポートを提供します。
MCPプロトコルに基づく音声通話サーバーで、TwilioとOpenAI技術を統合し、AIアシスタントがリアルタイム音声通話を開始し管理できるようにします。多言語切り替えと事前設定シーンテンプレートをサポートします。
Transformers多言語%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
VIPメンバー
