# エンドツーエンドモデル

OpenEMMA
Openemma
OpenEMMAは、WaymoのEMMAモデルを再現したオープンソースプロジェクトです。自動運転車両のモーションプランニングのためのエンドツーエンドフレームワークを提供します。このモデルは、GPT-4やLLaVAなどの事前学習済みの視覚言語モデル(VLMs)を利用し、テキストと前方のカメラ入力を取り込むことで、車両自身の将来の経路点の正確な予測を実現し、その意思決定の根拠も提示します。OpenEMMAの目標は、研究者や開発者が自動運転研究と応用を推進するための使いやすいツールを提供することです。
モデルトレーニングとデプロイメント
48.0K
GLM-4-Voice
GLM 4 Voice
GLM-4-Voiceは、清華大学チームが開発したエンドツーエンドの音声モデルです。日本語と英語の音声を直接理解し生成することで、リアルタイムの音声対話を可能にします。高度な音声認識と音声合成技術により、音声からテキスト、そして再び音声へのシームレスな変換を実現し、低遅延かつ高精度な対話能力を備えています。音声モーダルにおける知性と合成表現力に最適化されており、リアルタイムの音声インタラクションが必要な場面に適しています。
言語識別
61.5K
LLaMA-Omni
Llama Omni
LLaMA-Omniは、Llama-3.1-8B-Instructをベースとした、低遅延かつ高品質のエンドツーエンド音声対話モデルです。GPT-4oレベルの音声能力を目指しており、低遅延の音声対話に対応し、テキストと音声の両方の応答を同時に生成できます。わずか3日未満で4つのGPUのみを使用して訓練されたことで、その高い訓練効率が示されています。
AIモデル
50.8K
OptiSpeech
Optispeech
OptiSpeechは、デバイス上でのテキスト読み上げ変換向けに設計された、効率的で軽量かつ高速なテキスト読み上げモデルです。高度な深層学習技術を活用し、自然に聞こえる音声にテキストを変換できます。モバイルデバイスや組み込みシステムでの音声合成が必要なアプリケーションに最適です。OptiSpeechの開発は、Pneuma Solutions提供のGPUリソースによって大幅に加速されました。
AI音声合成
56.6K
CyberHost
Cyberhost
CyberHostは、エンドツーエンドのオーディオ駆動型人体アニメーションフレームワークです。領域コードブックアテンションメカニズムにより、手の完全性、同一性、自然な動きの生成を実現しています。このモデルは、双U-Netアーキテクチャを基本構造として使用し、モーションフレーム戦略によって時間的継続性を確保することで、オーディオ駆動型人体アニメーションの基盤を構築しています。CyberHostは、ボディモーションマップ、ハンドクリアネススコア、ポーズアライメントリファレンス特徴、ローカルエンハンスメントスーパービジョンなど、人間中心のトレーニング戦略を数多く採用することで、合成結果の品質を向上させています。CyberHostは、人体範囲でゼロショットビデオ生成を実現した最初のオーディオ駆動型人体拡散モデルです。
AI動画生成
55.5K
高品質新製品
SpeechGPT2
Speechgpt2
SpeechGPT2は、復旦大学計算機科学学院が開発したエンドツーエンドの音声対話言語モデルです。感情を感知して表現し、コンテキストと人間の指示に基づいて、様々なスタイルで適切な音声応答を提供します。このモデルは超低ビットレート音声コーデック(750bps)を採用し、意味情報と音響情報を模倣し、多入力多出力言語モデル(MIMO-LM)を用いて初期化されます。現在、SpeechGPT2はまだターン制の対話システムですが、全二重リアルタイム版の開発が進められており、有望な進展が見られています。計算資源とデータ資源の制約から、音声認識のノイズ耐性と音声生成の音質安定性にはまだ課題がありますが、今後、技術レポート、コード、モデルウェイトをオープンソース化する予定です。
AI音声アシスタント
108.5K
おすすめAI製品
海外精選
Jules AI
Jules AI
Jules は、自動で煩雑なコーディングタスクを処理し、あなたに核心的なコーディングに時間をかけることを可能にする異步コーディングエージェントです。その主な強みは GitHub との統合で、Pull Request(PR) を自動化し、テストを実行し、クラウド仮想マシン上でコードを検証することで、開発効率を大幅に向上させています。Jules はさまざまな開発者に適しており、特に忙しいチームには効果的にプロジェクトとコードの品質を管理する支援を行います。
開発プログラミング
40.8K
NoCode
Nocode
NoCode はプログラミング経験を必要としないプラットフォームで、ユーザーが自然言語でアイデアを表現し、迅速にアプリケーションを生成することが可能です。これにより、開発の障壁を下げ、より多くの人が自身のアイデアを実現できるようになります。このプラットフォームはリアルタイムプレビュー機能とワンクリックデプロイ機能を提供しており、技術的な知識がないユーザーにも非常に使いやすい設計となっています。
開発プラットフォーム
40.3K
ListenHub
Listenhub
ListenHub は軽量級の AI ポッドキャストジェネレーターであり、中国語と英語に対応しています。最先端の AI 技術を使用し、ユーザーが興味を持つポッドキャストコンテンツを迅速に生成できます。その主な利点には、自然な会話と超高品質な音声効果が含まれており、いつでもどこでも高品質な聴覚体験を楽しむことができます。ListenHub はコンテンツ生成速度を改善するだけでなく、モバイルデバイスにも対応しており、さまざまな場面で使いやすいです。情報取得の高効率なツールとして位置づけられており、幅広いリスナーのニーズに応えています。
AI
39.7K
中国語精選
腾讯混元画像 2.0
腾讯混元画像 2.0
腾讯混元画像 2.0 は腾讯が最新に発表したAI画像生成モデルで、生成スピードと画質が大幅に向上しました。超高圧縮倍率のエンコード?デコーダーと新しい拡散アーキテクチャを採用しており、画像生成速度はミリ秒級まで到達し、従来の時間のかかる生成を回避することが可能です。また、強化学習アルゴリズムと人間の美的知識の統合により、画像のリアリズムと詳細表現力を向上させ、デザイナー、クリエーターなどの専門ユーザーに適しています。
画像生成
39.5K
OpenMemory MCP
Openmemory MCP
OpenMemoryはオープンソースの個人向けメモリレイヤーで、大規模言語モデル(LLM)に私密でポータブルなメモリ管理を提供します。ユーザーはデータに対する完全な制御権を持ち、AIアプリケーションを作成する際も安全性を保つことができます。このプロジェクトはDocker、Python、Node.jsをサポートしており、開発者が個別化されたAI体験を行うのに適しています。また、個人情報を漏らすことなくAIを利用したいユーザーにお勧めします。
オープンソース
40.3K
FastVLM
Fastvlm
FastVLM は、視覚言語モデル向けに設計された効果的な視覚符号化モデルです。イノベーティブな FastViTHD ミックスドビジュアル符号化エンジンを使用することで、高解像度画像の符号化時間と出力されるトークンの数を削減し、モデルのスループットと精度を向上させました。FastVLM の主な位置付けは、開発者が強力な視覚言語処理機能を得られるように支援し、特に迅速なレスポンスが必要なモバイルデバイス上で優れたパフォーマンスを発揮します。
画像処理
39.2K
海外精選
ピカ
ピカ
ピカは、ユーザーが自身の創造的なアイデアをアップロードすると、AIがそれに基づいた動画を自動生成する動画制作プラットフォームです。主な機能は、多様なアイデアからの動画生成、プロフェッショナルな動画効果、シンプルで使いやすい操作性です。無料トライアル方式を採用しており、クリエイターや動画愛好家をターゲットとしています。
映像制作
17.6M
中国語精選
LiblibAI
Liblibai
LiblibAIは、中国をリードするAI創作プラットフォームです。強力なAI創作能力を提供し、クリエイターの創造性を支援します。プラットフォームは膨大な数の無料AI創作モデルを提供しており、ユーザーは検索してモデルを使用し、画像、テキスト、音声などの創作を行うことができます。また、ユーザーによる独自のAIモデルのトレーニングもサポートしています。幅広いクリエイターユーザーを対象としたプラットフォームとして、創作の機会を平等に提供し、クリエイティブ産業に貢献することで、誰もが創作の喜びを享受できるようにすることを目指しています。
AIモデル
6.9M
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase