10月13日、QwenはAIグラスN1／N1ProとBose協業のAIイヤクリップ型イヤホンを発表。AI個人エージェントの物理世界への拡張を示す。N1シリーズは5000万画素カメラ、1G5Pレンズ、端末側視覚モデルを搭載し、環境認識・翻訳・議事録・音声操作に対応。N1Proは心拍・血中酸素・皮膚温測定に対応する初のAIグラスで、視線操作と低誤識別率の虹彩認証も導入。....
唯品会は自社開発AIアシスタント「AI小唯」をひっそり公開。社内大規模モデルチーム製で、文字・音声対話に対応し、商品検索、イベント確認、割引案内が可能。AI人材強化として月給5万～8万元、年収60万～96万元で、大規模モデルの事後訓練、データ統合、SFTテキストデータ等の核心職を高給募集。....
唯品会は最近、自社開発AIアシスタント「AI小唯」を公開。大規模モデルチームが開発し、テキスト・音声対話に対応。商品検索、キャンペーン検索、割引相談などを提供し、EC導購にLLMを導入。また、大規模モデル人材の採用を強化し、ポストトレーニング責任者、LLMデータ統合責任者、SFTテキストデータ責任者などを募集、月給5万元から。....
Cloudflareが新たなオープンウェイト意思決定モデル「Clef-omni」を公開。Clef系を基に、テキスト・画像に加え、音声と動画全体の直接入力処理に初対応。重みはHugging Faceで完全オープンソース化。従来の動画を時系列で分割する処理を刷新。....
統合マルチモーダルAI APIプラットフォーム。100種類以上の画像・動画・音声モデルを集約し、オンラインデバッグとAPI接続サービスを提供します。
ワンストップのAIデジタル人間およびマルチモーダルビデオ生産プラットフォームです。画像生成、ビデオ作成、音声クローンおよびデジタル人間の唇同期機能を統合しています。
テキストや画像をワンクリックで音声付きのAIビデオに変換でき、複数のモデルを比較し、一度に積分を購入できます。
ワンストップAIクリエイションプラットフォーム。動画、画像、音楽、音声生成に対応し、Seedance 2.5などのトップモデルを集結。
Openai
$2.8
入力トークン/百万
$11.2
出力トークン/百万
1k
コンテキスト長
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$1
$10
256
Baidu
128
$6
$24
$2
$20
$4
$16
Clemylia
ピカチュウ言語モデルはClemyliaが起こした独自の実験的な言語プロジェクトで、完全にゼロから訓練され、「ピカチュウ」の音声コーパスのみに基づいており、小型言語モデルがネイティブ言語のアイデンティティを創造する能力を示しています。
kyr0
これはAppleシリコンチップデバイス用に最適化された自動音声認識モデルで、MLXフレームワークに変換し、FP8形式に量子化することで、Appleデバイス上での高速なエッジ上の音声文字起こしを実現します。このモデルは逐語的な精度に合わせて微調整されており、高精度の文字起こしが必要なシーンに特に適しています。
ai-sage
GigaAM-v3はConformerアーキテクチャに基づくロシア語自動音声認識の基礎モデルで、2.2 - 2.4億のパラメータを持っています。これはGigaAMシリーズの第3世代モデルで、70万時間のロシア語音声データを使用してHuBERT - CTC目標で事前学習され、幅広いロシア語ASR分野で最先端の性能を提供します。
onnx-community
Supertonic-TTS-ONNXは、ONNX形式に基づくテキストから音声への変換モデルで、英語のテキストを自然で流れる音声に変換することができます。このモデルはSupertone/supertonic基礎モデルに基づいて開発され、Transformers.jsライブラリ用に最適化されており、ブラウザ環境で効率的に動作します。
pnnbao-ump
VieNeu-TTS-1000hは、約1000時間の高品質ベトナム語音声データを基にトレーニングされた、先進的なベトナム語エッジ側テキスト音声変換モデルです。即時音声クローニング機能を備え、ベトナム語と英語のシームレスな切り替えをサポートし、CPUまたはGPU上で24kHz波形をリアルタイムで合成できます。
nari-labs
Dia2はNari Labsによって開発されたストリーミング対話テキストを音声に変換する(TTS)モデルで、リアルタイム音声生成をサポートし、完全なテキストがなくても音声生成を開始でき、対話のコンテキストに応じて調整し、自然でスムーズな対話体験を実現します。
Dia2はNari Labsによって開発されたストリーミング対話テキスト音声変換（TTS）モデルで、リアルタイム音声生成をサポートし、完全なテキストがなくても音声生成を開始でき、自然な対話シーンに特化して設計されています。
abr-ai
これはApplied Brain Research（ABR）によって開発された、状態空間モデル（SSM）に基づく英語の自動音声認識モデルです。約1900万のパラメータを持ち、英語の音声を効率的かつ正確にテキストに変換することができます。このモデルは複数のベンチマークデータセットで優れた性能を発揮し、平均単語誤り率はわずか10.61%です。リアルタイム音声認識をサポートし、低コストのハードウェアで動作することができます。
IbrahimSalah
これは300時間の純粋なアラビア語音声データを基に微調整されたテキスト音声変換モデルで、完全な母音記号付きの現代標準アラビア語に特化した高品質な音声合成を提供し、音声クローンと長文処理機能をサポートしています。
Marvis-AI
これはMLXフレームワークに基づいて最適化されたテキスト音声変換モデルで、元のモデルMarvis-AI/marvis-tts-100m-v0.2から変換され、6ビット量子化技術を採用し、Apple Siliconハードウェア用に特別に最適化され、効率的な音声合成能力を提供します。
labhamlet
WavJEPAは波形ベースの結合埋め込み予測アーキテクチャに基づく音声基礎モデルで、高度な意味表現学習を利用して音声単位またはタグレベルの表現学習の不足を解決します。多くの下流のベンチマークタスクで、最先端の時間領域音声基礎モデルを大幅に上回り、同時に必要な計算リソースを大幅に削減します。
dinhthuan
NeuTTS - Airベトナム語テキストを音声に変換するモデルは、260万以上のベトナム語オーディオサンプルに基づき、NeuTTS - Air基礎モデルから微調整された高品質のベトナム語音声合成モデルです。このモデルは、自然で流暢なベトナム語音声合成を実現でき、音声クローニング機能をサポートし、生産環境に合わせて最適化されています。
ycngin2024
これは微調整されたWhisper音声認識モデルで、unsloth/whisper-large-v3-turboアーキテクチャに基づいており、UnslothとHuggingface TRLライブラリを使用して訓練速度を2倍に加速し、訓練効率を大幅に向上させています。
OpenMOSS-Team
MOSS-TTSDはオープンソースのバイリンガル口語対話合成モデルで、中国語と英語をサポートし、二人の対話脚本を自然で表现力豊かな対話音声に変換できます。音声クローニングをサポートし、単一ラウンドの音声生成時間は最大1700秒に達することができます。
adoamesh
このモデルは、OpenAIのWhisper-smallモデルをベースに、スワヒリ語に対して微調整された自動音声認識モデルです。FLEURS - SLUデータセットのスワヒリ語部分で訓練され、スワヒリ語の文字起こしの精度が大幅に向上し、単語誤り率がベースモデルに比べて68%低下しました。
VieNeu-TTSは、個人デバイス上で動作可能な最初のベトナム語のテキスト音声変換モデルで、即時音声クローニング機能を備えています。NeuTTS Airをベースに微調整され、自然でリアルなベトナム語音声を生成でき、CPU上でリアルタイム性能を備えています。
mradermacher
SoulX-Podcast-1.7B は、Soul-AILab/SoulX-Podcast-1.7B に基づく静的量子化バージョンで、テキストを音声に変換するタスクに特化しています。このモデルは英語と中国語をサポートし、さまざまなハードウェアとパフォーマンス要件に対応するための複数の量子化バージョンを提供します。
TheStageAI
TheWhisper-Large-V3-Turboは、OpenAI Whisper Large V3モデルの高性能ファインチューニング版で、TheStage AIによって多プラットフォームのリアルタイム、低遅延、低消費電力の音声テキスト変換推論に最適化されています。ストリーミング文字起こし、単語のタイムスタンプ、拡張可能なパフォーマンスをサポートし、リアルタイム字幕、会議、デバイス端末の音声インターフェイスなどのシーンに適しています。
TheWhisper-Large-V3はOpenAI Whisper Large V3モデルの高性能ファインチューニング版で、TheStage AIによって多プラットフォーム（NVIDIA GPUとApple Silicon）のリアルタイム、低遅延、低消費電力の音声テキスト変換推論用に最適化されています。
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。
mcp-hfspaceは、Hugging Face Spacesに接続するMCPサーバーで、画像生成、音声処理、ビジュアルモデルなど、さまざまなAI機能をサポートし、Claude Desktopとの統合を簡素化します。
TeamSpeak MCPは、Model Context Protocolに基づくサーバー制御ツールで、ClaudeなどのAIモデルがTeamSpeak音声サーバーを管理できるように設計されています。ユーザー管理、チャンネル制御、権限設定などの包括的な操作をカバーする39種類の機能ツールを提供し、複数のデプロイ方法（PyPI/Docker/ローカル）をサポートして、TeamSpeakの自動管理を実現します。
MCPプロトコルに基づくビデオオーディオテキスト抽出サーバーで、複数のプラットフォームからビデオをダウンロードし、Whisperモデルを利用して音声をテキストに変換する処理をサポートします。
Chatterbox TTSモデルに基づく簡易MCPサーバーで、テキストを音声に変換して自動再生する機能を提供し、リアルタイムの進捗通知と自動モデルロードをサポートしています。
Whisperモデルベースの音声録音と文字起こしMCPサーバーで、Goose AI拡張としても独立して動作することもでき、様々な録音シーンとモデル設定をサポートします。
Message MCPはAIタスク通知システムで、デスクトップ通知、カスタム音声、モバイルプッシュ、メール通知、APIプッシュ機能を提供し、ユーザーが画面を見続けることなくタスクの完了状態をタイムリーに知ることができます。
Voicevox MCP ServerはVOICEVOX互換の音声合成サーバーで、MCPプロトコルを通じてAivisSpeech/VOICEVOX/COEIROINKとのインタラクションを実現し、CursorなどのエディタでのClaude 3.7代理モードの音声合成をサポートします。
これは、Model Context Protocol（MCP）エコシステムに関する選りすぐりのリソースリストで、公式リソース、開発ツール、MCPサーバー、Web統合、データベース、ブロックチェーン、AI統合、音声、モバイルアプリ、開発環境、セキュリティテスト、生産性ツール、システムツールなどの複数のカテゴリを網羅しています。
Pixeltableの多モーダルモデルコンテキストプロトコルサーバーセットで、音声、ビデオ、画像、ドキュメントのインデックスとクエリ機能を提供します。
Whisperモデルに基づく音声録音と文字起こしのMCPサーバーで、Goose AIの拡張機能として、または独立したサービスとして動作させることができます。
このプロジェクトは、ビデオ音声認識機能を拡張し、ローカルのWhisperモデルのみをサポートする状態から、簡影とB站クリッピングのオンライン音声認識サービスを新たにサポートするようになり、柔軟なマルチサービス選択アーキテクチャを提供します。
TeamSpeak MCPは、Model Context Protocolに基づくサービスで、AIモデル（Claudeなど）を通じてTeamSpeakサーバーを制御し、包括的なチャンネル管理、ユーザー権限制御、音声調整などの機能を提供します。
Faster Whisperに基づく高性能の音声認識MCPサーバーで、効率的な音声転写機能を提供し、バッチ処理、複数のモデルサイズ、複数の出力形式をサポートします。
Groq MCPサーバーはModel Context Protocol（MCP）を通じて高速なモデル推論を提供するサービスで、テキスト生成、音声変換、画像分析、バッチ処理などのさまざまな機能をサポートします。
MCPollinationsは、Model Context Protocol（MCP）に基づくマルチモーダルAIサービスで、Pollinations APIを通じて画像、テキスト、音声を生成することができます。認証不要の軽量サービスを提供し、複数のAIモデルと互換性があり、画像の保存とBase64エンコードの返却をサポートしています。
ExotelMCPはモデルコンテキストプロトコル（MCP）サーバーで、Claude AIとExotelの通信APIをシームレスに統合し、SMSサービス、音声通話、高速オーディオツールサービスをサポートします。
MCP-hfspaceは、Hugging Face Spacesへの接続を簡素化するサーバーツールです。画像生成、音声処理、ビジュアルモデルなどのさまざまなAI機能をサポートし、Claude Desktopとシームレスに統合されます。
whisper.cppに基づくローカルオーディオ転写MCPサーバーで、複数のモデルとオーディオ形式をサポートし、Apple音声メモMCPと連携して完全な音声ワークフローを実現します。
Kokoro TTSモデルに基づくテキストを音声に変換するMCPサーバーで、高品質な音声合成サービスを提供します
このプロジェクトはPixeltableのマルチモーダルモデルコンテキストプロトコルサーバーの集合で、音声、ビデオ、画像、文書のインデックスとクエリサービスを提供し、Dockerを使用したローカルデプロイをサポートしています。
Transformersその他%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
