AIモデルAPI — 動画・画像・音声生成
ここでは 130 種類のモデル( 16 プロバイダー)を閲覧・お試しいただけます。カードを開くと、そのモデルをプレイグラウンドで試せます。
すべてのサブモデルのバリエーション別料金は 料金ページ に掲載しています。
種類(5)
プロバイダー(16)
機能(12)
Coming soon: the fast Kling 4.0 model. 3-20s at 720p, text-to-video, image-to-video, Omni Reference.
詳細を見る
Kling 4.0 Flash
Kling
Coming soon: the fast Kling 4.0 model. 3-20s at 720p, text-to-video, image-to-video, Omni Reference.
- テキストから動画
- 画像から動画
- 参照から動画
Coming soon: 5-20s video with native audio, up to 10 keyframes, video continuation, draft mode.
詳細を見る
FLUX 3 Video
Black Forest Labs
Coming soon: 5-20s video with native audio, up to 10 keyframes, video continuation, draft mode.
- テキストから動画
- 画像から動画
- 動画から動画
5.6B open weights, text-to-image, editing, up to 4 references, 7 aspect ratios to 4 MP, 16 steps.
このモデルを試すFLUX 3 Image Klein
Black Forest Labs
5.6B open weights, text-to-image, editing, up to 4 references, 7 aspect ratios to 4 MP, 16 steps.
- テキストから画像
- 画像から画像
Undistilled 5.6B FLUX 3 Klein, 50 steps, CFG guidance, negative prompt, 4 refs, 7 ratios to 4 MP.
このモデルを試すFLUX 3 Image Klein Base
Black Forest Labs
Undistilled 5.6B FLUX 3 Klein, 50 steps, CFG guidance, negative prompt, 4 refs, 7 ratios to 4 MP.
- テキストから画像
- 画像から画像
T2V, I2V or 14 references, end frame, voices, 1–15s at native 1080p.
このモデルを試す
Grok Imagine 1.5 Video
xAI
T2V, I2V or 14 references, end frame, voices, 1–15s at native 1080p.
- テキストから動画
- 画像から動画
- 参照から動画
Cheapest Grok video: T2V or I2V, 1–15s, 480p to 1080p, with sound.
このモデルを試すGrok Imagine 1.5 Lite Video
xAI
Cheapest Grok video: T2V or I2V, 1–15s, 480p to 1080p, with sound.
- テキストから動画
- 画像から動画
Add 2–10 seconds to any 2–15 second clip from its URL, 1.0 model, up to 720p.
このモデルを試すGrok Imagine 1.0 Video Extend
xAI
Add 2–10 seconds to any 2–15 second clip from its URL, 1.0 model, up to 720p.
- 動画から動画
Prompt-driven edit of any clip by URL, 1.0 model, same length and ratio, up to 720p.
このモデルを試すGrok Imagine 1.0 Video Edit
xAI
Prompt-driven edit of any clip by URL, 1.0 model, same length and ratio, up to 720p.
- 動画から動画
xAI TTS: preset voices, 20 languages, speed control, mp3, wav, or pcm.
このモデルを試すGrok Text to Speech
xAI
xAI TTS: preset voices, 20 languages, speed control, mp3, wav, or pcm.
- テキスト読み上げ
xAI transcription: word timestamps, language detection, speaker diarization.
このモデルを試すGrok Speech to Text
xAI
xAI transcription: word timestamps, language detection, speaker diarization.
- 音声文字起こし
3-30s video with stereo audio, up to 10 reference images, keyframes, 21:9, multi-shot. 10% launch sale.
このモデルを試すKling 4.0
Kling
3-30s video with stereo audio, up to 10 reference images, keyframes, 21:9, multi-shot. 10% launch sale.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
#1 on the Vals Index (68.9%), 77.9% DeepSWE v1.1, 91.7% LVBench, 1M context.
このモデルを試す
Gemini 4 Argon
#1 on the Vals Index (68.9%), 77.9% DeepSWE v1.1, 91.7% LVBench, 1M context.
- テキストからテキスト
Up to 15 reference images and 3 voice references, 540p to 4K, 1-16s, native audio.
このモデルを試す
Vidu Q4
Vidu
Up to 15 reference images and 3 voice references, 540p to 4K, 1-16s, native audio.
- 画像から動画
- 参照から動画
#2 on Artificial Analysis TTS arena, audio tags, multi-speaker dialogue, per-request voice cloning.
このモデルを試す
Eleven v4
ElevenLabs
#2 on Artificial Analysis TTS arena, audio tags, multi-speaker dialogue, per-request voice cloning.
- テキスト読み上げ
#1 on Artificial Analysis TTS arena, ~100 ms median inference, audio tags, dialogue, voice cloning.
このモデルを試すEleven v4 Turbo
ElevenLabs
#1 on Artificial Analysis TTS arena, ~100 ms median inference, audio tags, dialogue, voice cloning.
- テキスト読み上げ
Eleven v4 and v4 Turbo TTS, multi-voice dialogue, sound effects, vocal isolation, speech-to-text.
このモデルを試すElevenLabs
ElevenLabs
Eleven v4 and v4 Turbo TTS, multi-voice dialogue, sound effects, vocal isolation, speech-to-text.
- テキスト読み上げ
- 効果音
- 音声文字起こし
Up to 9 image/video/audio references, T2V or first/last frame, 4–15s, up to 4K on Pro.
このモデルを試す
SeeDance 2.0
ByteDance
Up to 9 image/video/audio references, T2V or first/last frame, 4–15s, up to 4K on Pro.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
- 動画編集
Up to 9 references, T2V or first/last frame, 4–15s, 480p or 720p, cost-optimized.
このモデルを試すSeeDance 2.0 Mini
ByteDance
Up to 9 references, T2V or first/last frame, 4–15s, 480p or 720p, cost-optimized.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
- 動画編集
Up to 9 references, T2V or first/last frame, 4–15s at 480p or 720p, faster turnaround.
このモデルを試すSeeDance 2.0 Fast
ByteDance
Up to 9 references, T2V or first/last frame, 4–15s at 480p or 720p, faster turnaround.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
- 動画編集
1M context, 128k output, 72.4% OSWorld 2.1, the first Haiku with adaptive thinking.
このモデルを試す
Claude Haiku 5.5
Anthropic
1M context, 128k output, 72.4% OSWorld 2.1, the first Haiku with adaptive thinking.
- テキストからテキスト
Nano Banana 2.1: 1K, 2K, or 4K output, 5 aspect ratios plus auto, up to 10 references.
このモデルを試すNano Banana 2.1
Nano Banana 2.1: 1K, 2K, or 4K output, 5 aspect ratios plus auto, up to 10 references.
- テキストから画像
- 画像から画像
Elo 1267 on Artificial Analysis TTS, vocal bursts, two-speaker dialogue, 130+ languages.
このモデルを試すGemini 3.8 Flash TTS
Elo 1267 on Artificial Analysis TTS, vocal bursts, two-speaker dialogue, 130+ languages.
- テキスト読み上げ
The high-volume Gemini 3.8 voice, Elo 1241 on Artificial Analysis TTS, 100+ languages.
このモデルを試すGemini 3.8 Flash Lite TTS
The high-volume Gemini 3.8 voice, Elo 1241 on Artificial Analysis TTS, 100+ languages.
- テキスト読み上げ
Near-Astra coding and computer use at a fifth of Astra's price, 75.2% DeepSWE, 1M context, cached input at half GPT 6 Sol's rate.
このモデルを試す
GPT 6.1 Sol
OpenAI
Near-Astra coding and computer use at a fifth of Astra's price, 75.2% DeepSWE, 1M context, cached input at half GPT 6 Sol's rate.
- テキストからテキスト
1M context, 128k output, 70.6% Terminal-Bench 4.0, 30%+ faster than Sonnet 5.
このモデルを試すClaude Sonnet 5.5
Anthropic
1M context, 128k output, 70.6% Terminal-Bench 4.0, 30%+ faster than Sonnet 5.
- テキストからテキスト
1M context, image input, 56.4% Agents' Last Exam at 60% less per task than Opus 5, half the price of GPT 5.6 Sol.
このモデルを試すGPT 6 Sol
OpenAI
1M context, image input, 56.4% Agents' Last Exam at 60% less per task than Opus 5, half the price of GPT 5.6 Sol.
- テキストからテキスト
OpenAI's cheapest GPT-6, 1M context, 66.6% DeepSWE for $0.22 a task, 93% less than Opus 5.
このモデルを試すGPT 6 Luna
OpenAI
OpenAI's cheapest GPT-6, 1M context, 66.6% DeepSWE for $0.22 a task, 93% less than Opus 5.
- テキストからテキスト
1M context, 384K max output, 552B MoE with 16B active, 74.2% DeepSWE v1.1.
このモデルを試す
DeepSeek V4.1 Flash
DeepSeek
1M context, 384K max output, 552B MoE with 16B active, 74.2% DeepSWE v1.1.
- テキストからテキスト
1.6T MoE with 49B active, 1M context, 384K max output, thinking on by default.
このモデルを試すDeepSeek V4 Pro
DeepSeek
1.6T MoE with 49B active, 1M context, 384K max output, thinking on by default.
- テキストからテキスト
Versioned V4 Flash ID, now answered by V4.1 Flash. 1M context, 384K max output.
このモデルを試すDeepSeek V4 Flash
DeepSeek
Versioned V4 Flash ID, now answered by V4.1 Flash. 1M context, 384K max output.
- テキストからテキスト
1M context, 128k output, 66.4% Terminal-Bench 4.0.
このモデルを試すClaude Opus 5.5
Anthropic
1M context, 128k output, 66.4% Terminal-Bench 4.0.
- テキストからテキスト
500k context, image input, four reasoning efforts, 46.3% CursorBench 4.0, #5 Harvey Legal Agent.
このモデルを試すGrok 4.7
xAI
500k context, image input, four reasoning efforts, 46.3% CursorBench 4.0, #5 Harvey Legal Agent.
- テキストからテキスト
Flare for speed, Sunburst for edit precision: 1K/2K/4K, 15 aspect ratios, 16 reference images, transparent output.
このモデルを試すGPT Image 2.5
OpenAI
Flare for speed, Sunburst for edit precision: 1K/2K/4K, 15 aspect ratios, 16 reference images, transparent output.
- テキストから画像
- 画像から画像
1M context, image input, effort up to max, 58.2% Terminal-Bench 4.0, 59.3% Agents' Last Exam.
このモデルを試すGPT 6 Astra
OpenAI
1M context, image input, effort up to max, 58.2% Terminal-Bench 4.0, 59.3% Agents' Last Exam.
- テキストからテキスト
1M context, 5 reasoning efforts incl. minimal, 83.6% MCP Atlas, 57.9% Finance Agent v2, 189 tok/s.
このモデルを試すGemini 3.5 Flash
1M context, 5 reasoning efforts incl. minimal, 83.6% MCP Atlas, 57.9% Finance Agent v2, 189 tok/s.
- テキストからテキスト
1M context, four reasoning efforts, 73.7% DeepSWE v1.1, 89.4% Terminal-Bench 2.1, 305 tok/s.
このモデルを試すGemini 3.8 Flash
1M context, four reasoning efforts, 73.7% DeepSWE v1.1, 89.4% Terminal-Bench 2.1, 305 tok/s.
- テキストからテキスト
1M context, 128k output, 55.8% Terminal-Bench 4.0, 90.0% ARC-AGI-2.
このモデルを試すClaude Fable 5.1
Anthropic
1M context, 128k output, 55.8% Terminal-Bench 4.0, 90.0% ARC-AGI-2.
- テキストからテキスト
500k context, image input, three reasoning efforts, 79.3% Terminal-Bench 2.1, trained with Cursor.
このモデルを試すGrok 4.5
xAI
500k context, image input, three reasoning efforts, 79.3% Terminal-Bench 2.1, trained with Cursor.
- テキストからテキスト
1M context, image input, four reasoning efforts incl. none, 115.8 tok/s, 98% Tau2-Bench Telecom.
このモデルを試すGrok 4.3
xAI
1M context, image input, four reasoning efforts incl. none, 115.8 tok/s, 98% Tau2-Bench Telecom.
- テキストからテキスト
256k context, image input, agentic coding with function calling and MCP, 0.53s first token.
このモデルを試すGrok Build 0.1
xAI
256k context, image input, agentic coding with function calling and MCP, 0.53s first token.
- テキストからテキスト
1M context, image input, thinking on, agentic tool calling, 98.9 tok/s, 72.2% SWE-bench Verified.
このモデルを試すGrok 4.20 Reasoning
xAI
1M context, image input, thinking on, agentic tool calling, 98.9 tok/s, 72.2% SWE-bench Verified.
- テキストからテキスト
1M context, image input, no thinking phase, 0.64s first token, 95.8 tok/s, agentic tool calling.
このモデルを試すGrok 4.20 Non-Reasoning
xAI
1M context, image input, no thinking phase, 0.64s first token, 95.8 tok/s, agentic tool calling.
- テキストからテキスト
Leader agent plus 4 or 16 sub-agents in parallel, 1M context, image input, Responses API only.
このモデルを試すGrok 4.20 Multi-Agent
xAI
Leader agent plus 4 or 16 sub-agents in parallel, 1M context, image input, Responses API only.
- テキストからテキスト
Text, image, and character references with voice presets; 4-10s videos plus conversational editing.
このモデルを試すGemini Omni Flash 1.1
Text, image, and character references with voice presets; 4-10s videos plus conversational editing.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画編集
Fast Wan 3.0: same 2–30s videos with audio and T2V/I2V/R2V modes, much shorter generation times.
このモデルを試す
Wan 3.0 Prime
Alibaba
Fast Wan 3.0: same 2–30s videos with audio and T2V/I2V/R2V modes, much shorter generation times.
- テキストから動画
- 画像から動画
- 参照から動画
Inline audio tags, two-speaker dialogue, 30 voices, 70+ languages.
このモデルを試すGemini 3.1 Flash TTS
Inline audio tags, two-speaker dialogue, 30 voices, 70+ languages.
- テキスト読み上げ
High-quality narration with 30 voices, dialogue mode, and 70+ languages.
このモデルを試すGemini 2.5 Pro TTS
High-quality narration with 30 voices, dialogue mode, and 70+ languages.
- テキスト読み上げ
Fastest, lowest cost per second, with 30 voices and dialogue mode.
このモデルを試すGemini 2.5 Flash TTS
Fastest, lowest cost per second, with 30 voices and dialogue mode.
- テキスト読み上げ
2–30s videos with audio, T2V/I2V/R2V, document and webpage inputs, up to 20 references, 480P–1080P.
このモデルを試すWan 3.0
Alibaba
2–30s videos with audio, T2V/I2V/R2V, document and webpage inputs, up to 20 references, 480P–1080P.
- テキストから動画
- 画像から動画
- 参照から動画
500k context, image input, four reasoning efforts, 95.6% SWE-bench Verified, #1 CursorBench 3.2.
このモデルを試すGrok 4.6
xAI
500k context, image input, four reasoning efforts, 95.6% SWE-bench Verified, #1 CursorBench 3.2.
- テキストからテキスト
1M context, 64k output, text/image/audio/video input, ~340 tok/s, 97% MRCR long-context recall.
このモデルを試すGemini 3.7 Flash
1M context, 64k output, text/image/audio/video input, ~340 tok/s, 97% MRCR long-context recall.
- テキストからテキスト
Quality-focused xAI text-to-image and reference editing with up to 5 input images.
このモデルを試すGrok Imagine 2.0 Image
xAI
Quality-focused xAI text-to-image and reference editing with up to 5 input images.
- テキストから画像
- 画像から画像
1M context, 65k output, multimodal input, 83% OSWorld-Verified, 234 tok/s output speed.
このモデルを試すGemini 3.6 Flash
1M context, 65k output, multimodal input, 83% OSWorld-Verified, 234 tok/s output speed.
- テキストからテキスト
4-30s, 480p to 1080p, native audio, first/last frames, and up to 50 multimodal references.
このモデルを試すSeeDance 2.5
ByteDance
4-30s, 480p to 1080p, native audio, first/last frames, and up to 50 multimodal references.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
- 動画編集
2K at 24 fps with native audio, 4-15s, six aspect ratios, start/end frames, and reference-to-video.
このモデルを試す
MiniMax Hailuo H3
MiniMax
2K at 24 fps with native audio, 4-15s, six aspect ratios, start/end frames, and reference-to-video.
- テキストから動画
- 画像から動画
- 参照から動画
1M context, 128k output, image input, 43.3% Frontier-Bench v0.1, 30.2% ARC-AGI 3.
このモデルを試すClaude Opus 5
Anthropic
1M context, 128k output, image input, 43.3% Frontier-Bench v0.1, 30.2% ARC-AGI 3.
- テキストからテキスト
2.8T parameters, open weights, 1M context, 131k default output, always-on thinking.
このモデルを試す
Kimi K3
Moonshot AI
2.8T parameters, open weights, 1M context, 131k default output, always-on thinking.
- テキストからテキスト
1M context, 128k output, 88.8% Terminal-Bench 2.1, 80 Coding Agent Index, ultra subagent mode.
このモデルを試すGPT 5.6 Sol
OpenAI
1M context, 128k output, 88.8% Terminal-Bench 2.1, 80 Coding Agent Index, ultra subagent mode.
- テキストからテキスト
1M context, 128k output, 77.4 Coding Agent Index, beats Fable 5 on Agents' Last Exam.
このモデルを試すGPT 5.6 Terra
OpenAI
1M context, 128k output, 77.4 Coding Agent Index, beats Fable 5 on Agents' Last Exam.
- テキストからテキスト
Fastest GPT 5.6, 1M context, beats Fable 5 on Agents' Last Exam, ahead of Opus 4.8 on coding.
このモデルを試すGPT 5.6 Luna
OpenAI
Fastest GPT 5.6, 1M context, beats Fable 5 on Agents' Last Exam, ahead of Opus 4.8 on coding.
- テキストからテキスト
Up to 10 reference images, 8 aspect ratios, 1K/1.5K/2K output, one image per call.
このモデルを試すSeeDream 5.0 Pro
ByteDance
Up to 10 reference images, 8 aspect ratios, 1K/1.5K/2K output, one image per call.
- テキストから画像
- 画像から画像
1M context, 128k output, text and image input, adaptive thinking, top Arena Text and Vision rank.
このモデルを試すClaude Fable 5
Anthropic
1M context, 128k output, text and image input, adaptive thinking, top Arena Text and Vision rank.
- テキストからテキスト
200k context, 64k output, 77.2% SWE-bench Verified, 61.4% OSWorld, extended thinking.
このモデルを試すClaude Sonnet 4.5
Anthropic
200k context, 64k output, 77.2% SWE-bench Verified, 61.4% OSWorld, extended thinking.
- テキストからテキスト
200k context, 64k output, 80.9% SWE-bench Verified, effort controls from low to high.
このモデルを試すClaude Opus 4.5
Anthropic
200k context, 64k output, 80.9% SWE-bench Verified, effort controls from low to high.
- テキストからテキスト
200k context, 64k output, 73.3% SWE-bench Verified, 50.7% OSWorld, extended thinking.
このモデルを試すClaude Haiku 4.5
Anthropic
200k context, 64k output, 73.3% SWE-bench Verified, 50.7% OSWorld, extended thinking.
- テキストからテキスト
Agentic coding, 1M context, 128k output, image input, 85.2% SWE-bench Verified.
このモデルを試すClaude Sonnet 5
Anthropic
Agentic coding, 1M context, 128k output, image input, 85.2% SWE-bench Verified.
- テキストからテキスト
Sub-2s generation, 14 aspect ratios, 1K output, up to 14 reference images.
このモデルを試すNano Banana 2 Lite
Sub-2s generation, 14 aspect ratios, 1K output, up to 14 reference images.
- テキストから画像
- 画像から画像
Up to 9 ref images, 720p or 1080p, 3–15s, native audio and lip-sync in one pass.
このモデルを試す
HappyHorse 1.1
Alibaba
Up to 9 ref images, 720p or 1080p, 3–15s, native audio and lip-sync in one pass.
- テキストから動画
- 画像から動画
- 参照から動画
T2V or I2V, 3–15s at 720p Standard or 1080p Pro, no multi-shot or native audio.
このモデルを試すKling 3.0 Turbo
Kling
T2V or I2V, 3–15s at 720p Standard or 1080p Pro, no multi-shot or native audio.
- テキストから動画
- 画像から動画
1M context, 128k output, 88.6% SWE-bench Verified, 83.4% OSWorld, adaptive thinking.
このモデルを試すClaude Opus 4.8
Anthropic
1M context, 128k output, 88.6% SWE-bench Verified, 83.4% OSWorld, adaptive thinking.
- テキストからテキスト
Agentic coding, 79.8% SWE-Bench Multilingual, 69.3% Terminal-Bench 2.0, tuned for long agent runs.
このモデルを試す
Composer 2.5
Cursor
Agentic coding, 79.8% SWE-Bench Multilingual, 69.3% Terminal-Bench 2.0, tuned for long agent runs.
- テキストからテキスト
Low-latency default variant of Composer 2.5, same intelligence, 79.8% SWE-bench Multilingual.
このモデルを試すComposer 2.5 Fast
Cursor
Low-latency default variant of Composer 2.5, same intelligence, 79.8% SWE-bench Multilingual.
- テキストからテキスト
T2V, I2V, or R2V up to 9 reference images, 720P or 1080P, 3–15s videos with joint audio-video.
このモデルを試すHappyHorse 1.0
Alibaba
T2V, I2V, or R2V up to 9 reference images, 720P or 1080P, 3–15s videos with joint audio-video.
- テキストから動画
- 画像から動画
- 参照から動画
1M context, 128k output, 82.7% Terminal-Bench 2.0, 78.7% OSWorld, 85% ARC-AGI-2.
このモデルを試すGPT 5.5
OpenAI
1M context, 128k output, 82.7% Terminal-Bench 2.0, 78.7% OSWorld, 85% ARC-AGI-2.
- テキストからテキスト
T2I or reference editing, 5 aspect ratios, 1K, 2K, or 4K resolution control.
このモデルを試すGPT Image 2
OpenAI
T2I or reference editing, 5 aspect ratios, 1K, 2K, or 4K resolution control.
- テキストから画像
- 画像から画像
1M context, 128k output, 87.6% SWE-bench Verified, 78% OSWorld, 2576px image input.
このモデルを試すClaude Opus 4.7
Anthropic
1M context, 128k output, 87.6% SWE-bench Verified, 78% OSWorld, 2576px image input.
- テキストからテキスト
T2I or editing up to 2K, thinking mode for better quality, up to 9 reference images.
このモデルを試すWan 2.7 Image
Alibaba
T2I or editing up to 2K, thinking mode for better quality, up to 9 reference images.
- テキストから画像
- 画像から画像
T2I or editing up to 4K, thinking mode for better quality, up to 9 reference images.
このモデルを試すWan 2.7 Image Pro
Alibaba
T2I or editing up to 4K, thinking mode for better quality, up to 9 reference images.
- テキストから画像
- 画像から画像
T2V, I2V, or R2V with first/last frame, video continuation, lip-sync, 2–15s at 720P or 1080P.
このモデルを試すWan 2.7
Alibaba
T2V, I2V, or R2V with first/last frame, video continuation, lip-sync, 2–15s at 720P or 1080P.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
Edit 2–10s videos with up to 4 reference images at 720P or 1080P, plus audio passthrough.
このモデルを試すWan 2.7 Video Edit
Alibaba
Edit 2–10s videos with up to 4 reference images at 720P or 1080P, plus audio passthrough.
- 動画編集
400k context, 128k output, 54.4% SWE-Bench Pro, 72.1% OSWorld, over 2x faster than GPT-5 mini.
このモデルを試すGPT 5.4 Mini
OpenAI
400k context, 128k output, 54.4% SWE-Bench Pro, 72.1% OSWorld, over 2x faster than GPT-5 mini.
- テキストからテキスト
400k context, 128k output, 52.4% SWE-Bench Pro, 82.8% GPQA Diamond, effort levels none to xhigh.
このモデルを試すGPT 5.4 Nano
OpenAI
400k context, 128k output, 52.4% SWE-Bench Pro, 82.8% GPQA Diamond, effort levels none to xhigh.
- テキストからテキスト
Native computer use, 75% OSWorld-Verified, up to 1M context, 128k output, tool search for agents.
このモデルを試すGPT 5.4
OpenAI
Native computer use, 75% OSWorld-Verified, up to 1M context, 128k output, tool search for agents.
- テキストからテキスト
1M context, 128k output, 79.6% SWE-bench Verified, 72.5% OSWorld, adaptive thinking.
このモデルを試すClaude Sonnet 4.6
Anthropic
1M context, 128k output, 79.6% SWE-bench Verified, 72.5% OSWorld, adaptive thinking.
- テキストからテキスト
Edit a 3–60s video by prompt, swap objects from up to 5 reference images, keep the original audio.
このモデルを試すHappyHorse 1.0 Video Edit
Alibaba
Edit a 3–60s video by prompt, swap objects from up to 5 reference images, keep the original audio.
- 動画編集
1M context, 128k output, effort controls, top Arena Document and Search rank.
このモデルを試すClaude Opus 4.6
Anthropic
1M context, 128k output, effort controls, top Arena Document and Search rank.
- テキストからテキスト
Multi-shot 2–6 scenes per call, 3–15s single-shot, 4K mode, with Audio 2.0 lip-sync.
このモデルを試すKling 3.0
Kling
Multi-shot 2–6 scenes per call, 3–15s single-shot, 4K mode, with Audio 2.0 lip-sync.
- テキストから動画
- 画像から動画
- 参照から動画
Motion transfer onto a character with high facial consistency, 720p Std or 1080p Pro.
このモデルを試すKling 3.0 Motion Control
Kling
Motion transfer onto a character with high facial consistency, 720p Std or 1080p Pro.
- 画像から動画
- 参照から動画
- 動画から動画
T2I or editing with up to 10 reference images, 9 aspect ratios incl. auto, and 1K to 4K.
このモデルを試すKling 3.0 Omni Image
Kling
T2I or editing with up to 10 reference images, 9 aspect ratios incl. auto, and 1K to 4K.
- テキストから画像
- 画像から画像
Up to 7 references plus elements, video reference/transform, multi-shot 2–6, 4K mode.
このモデルを試すKling 3.0 Omni
Kling
Up to 7 references plus elements, video reference/transform, multi-shot 2–6, 4K mode.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
Edit videos with reference (style guide) or transform mode, plus image and video elements.
このモデルを試すKling 3.0 Omni Edit
Kling
Edit videos with reference (style guide) or transform mode, plus image and video elements.
- 動画編集
Up to 6 reference images, 8 aspect ratios, 2K or 4K, returns 4 images per call.
このモデルを試すSeeDream 5.0 Lite
ByteDance
Up to 6 reference images, 8 aspect ratios, 2K or 4K, returns 4 images per call.
- テキストから画像
- 画像から画像
T2I with Chinese and English text rendering, 7 aspect ratios. No editing.
このモデルを試すZ-Image Turbo
Alibaba
T2I with Chinese and English text rendering, 7 aspect ratios. No editing.
- テキストから画像
T2V, I2V, or R2V up to 5 references, 720p or 1080p, 2–15s, with auto audio and multi-shot.
このモデルを試すWan 2.6
Alibaba
T2V, I2V, or R2V up to 5 references, 720p or 1080p, 2–15s, with auto audio and multi-shot.
- テキストから動画
- 画像から動画
- 参照から動画
Faster Wan 2.6 with T2V/I2V/R2V, multi-shot, and auto-audio up to 1080p.
このモデルを試すWan 2.6 Flash
Alibaba
Faster Wan 2.6 with T2V/I2V/R2V, multi-shot, and auto-audio up to 1080p.
- テキストから動画
- 画像から動画
- 参照から動画
T2I, editing, or style transfer with 1–4 reference images and 7 aspect ratios.
このモデルを試すWan 2.6 Image
Alibaba
T2I, editing, or style transfer with 1–4 reference images and 7 aspect ratios.
- テキストから画像
- 画像から画像
Transfer motion from a reference video onto a character image, 720p Std or 1080p Pro.
このモデルを試すKling 2.6 Motion Control
Kling
Transfer motion from a reference video onto a character image, 720p Std or 1080p Pro.
- 画像から動画
- 参照から動画
- 動画から動画
T2V or I2V at 720p Standard or 1080p Pro, 5 or 10s, with optional end frame and audio.
このモデルを試すKling 2.6
Kling
T2V or I2V at 720p Standard or 1080p Pro, 5 or 10s, with optional end frame and audio.
- テキストから動画
- 画像から動画
Balanced production runs, 7 aspect ratios, 0.6-4 MP, up to 10 reference images.
このモデルを試すFlux.2 Pro
Black Forest Labs
Balanced production runs, 7 aspect ratios, 0.6-4 MP, up to 10 reference images.
- テキストから画像
- 画像から画像
9B Flux.2 Klein, 7 aspect ratios up to 4MP, reference image support.
このモデルを試すFlux.2 Klein 9B
Black Forest Labs
9B Flux.2 Klein, 7 aspect ratios up to 4MP, reference image support.
- テキストから画像
- 画像から画像
4B Flux.2 Klein, smallest in the line, 7 aspect ratios up to 4MP, reference image support.
このモデルを試すFlux.2 Klein 4B
Black Forest Labs
4B Flux.2 Klein, smallest in the line, 7 aspect ratios up to 4MP, reference image support.
- テキストから画像
- 画像から画像
T2I plus multi-image fusion editing, 5 aspect ratios, smart prompt rewriting on by default.
このモデルを試す
Qwen Image 2.0
Alibaba
T2I plus multi-image fusion editing, 5 aspect ratios, smart prompt rewriting on by default.
- テキストから画像
- 画像から画像
Text rendering, multi-image fusion editing, 5 aspect ratios, highest output in the line.
このモデルを試すQwen Image 2.0 Pro
Alibaba
Text rendering, multi-image fusion editing, 5 aspect ratios, highest output in the line.
- テキストから画像
- 画像から画像
Reasoning video gen with up to 7 references, image-only elements, single-shot 3–10s, 720p/1080p.
このモデルを試すKling O1
Kling
Reasoning video gen with up to 7 references, image-only elements, single-shot 3–10s, 720p/1080p.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
Reasoning image gen with up to 10 reference images, 9 aspect ratios, and 1K or 2K output.
このモデルを試すKling O1 Image
Kling
Reasoning image gen with up to 10 reference images, 9 aspect ratios, and 1K or 2K output.
- テキストから画像
- 画像から画像
Reasoning video editing with reference or transform mode, up to 4 reference images.
このモデルを試すKling O1 Edit
Kling
Reasoning video editing with reference or transform mode, up to 4 reference images.
- 動画編集
Gemini 3 image gen with 1K, 2K, or 4K, 10 aspect ratios, and reference image support.
このモデルを試すNano Banana Pro
Gemini 3 image gen with 1K, 2K, or 4K, 10 aspect ratios, and reference image support.
- テキストから画像
- 画像から画像
T2V or I2V with optional end frame, 5 or 10s at 720p Standard or 1080p Pro.
このモデルを試すKling 2.5 Turbo
Kling
T2V or I2V with optional end frame, 5 or 10s at 720p Standard or 1080p Pro.
- テキストから動画
- 画像から動画
Animates a start frame from your prompt, 768p or 1080p, 6 or 10 seconds.
このモデルを試すMiniMax Hailuo 2.3
MiniMax
Animates a start frame from your prompt, 768p or 1080p, 6 or 10 seconds.
- 画像から動画
Image-led speed variant, start image required, 768p or 1080p, 6 or 10 seconds.
このモデルを試すMiniMax Hailuo 2.3 Fast
MiniMax
Image-led speed variant, start image required, 768p or 1080p, 6 or 10 seconds.
- 画像から動画
Up to 6 reference images, 8 aspect ratios, 2K or 4K, returns 4 images per call.
このモデルを試すSeeDream 4.5
ByteDance
Up to 6 reference images, 8 aspect ratios, 2K or 4K, returns 4 images per call.
- テキストから画像
- 画像から画像
4 model variants, 720p–4K, lip-synced dialogue and SFX in one call.
このモデルを試すVeo 3.1
4 model variants, 720p–4K, lip-synced dialogue and SFX in one call.
- テキストから動画
- 画像から動画
- 参照から動画
- 動画から動画
Gemini image gen with 1K, 2K, or 4K resolution control and 10 aspect ratios.
このモデルを試すNano Banana 2
Gemini image gen with 1K, 2K, or 4K resolution control and 10 aspect ratios.
- テキストから画像
- 画像から画像
T2I or editing with 1–3 reference images, 7 aspect ratios, prompt extend on by default.
このモデルを試すWan 2.5 Image
Alibaba
T2I or editing with 1–3 reference images, 7 aspect ratios, prompt extend on by default.
- テキストから画像
- 画像から画像
T2V or I2V at 480p, 720p, or 1080p, 5 or 10s, with auto audio or custom audio sync.
このモデルを試すWan 2.5
Alibaba
T2V or I2V at 480p, 720p, or 1080p, 5 or 10s, with auto audio or custom audio sync.
- テキストから動画
- 画像から動画
T2I plus reference editing, 5 aspect ratios, smart prompt rewriting, negative prompts.
このモデルを試すQwen Image
Alibaba
T2I plus reference editing, 5 aspect ratios, smart prompt rewriting, negative prompts.
- テキストから画像
- 画像から画像
Photoreal T2I plus reference editing, 5 aspect ratios, fewest synthetic artifacts in line.
このモデルを試すQwen Image Max
Alibaba
Photoreal T2I plus reference editing, 5 aspect ratios, fewest synthetic artifacts in line.
- テキストから画像
- 画像から画像
Stylistic T2I plus reference editing, 5 aspect ratios, fast sampling for design exploration.
このモデルを試すQwen Image Plus
Alibaba
Stylistic T2I plus reference editing, 5 aspect ratios, fast sampling for design exploration.
- テキストから画像
- 画像から画像
Up to 6 reference images, 8 aspect ratios, 2K or 4K, returns 4 images per call.
このモデルを試すSeeDream 4.0
ByteDance
Up to 6 reference images, 8 aspect ratios, 2K or 4K, returns 4 images per call.
- テキストから画像
- 画像から画像
T2V or first/last frame at 720p or 1080p, with 5, 10, or 12s videos.
このモデルを試すSeeDance 1.5 Pro
ByteDance
T2V or first/last frame at 720p or 1080p, with 5, 10, or 12s videos.
- テキストから動画
- 画像から動画
Start frame, end frame, or both, 512p, 768p or 1080p, 6 or 10 seconds.
このモデルを試すMiniMax Hailuo 2.0
MiniMax
Start frame, end frame, or both, 512p, 768p or 1080p, 6 or 10 seconds.
- 画像から動画
Text-to-image only, 5 aspect ratios, negative prompts and seeds for reproducible output.
このモデルを試すWan 2.2 Image
Alibaba
Text-to-image only, 5 aspect ratios, negative prompts and seeds for reproducible output.
- テキストから画像
Cheapest T2I in the Wan line, 5 aspect ratios, negative prompts and seeds. No editing.
このモデルを試すWan 2.2 Image Flash
Alibaba
Cheapest T2I in the Wan line, 5 aspect ratios, negative prompts and seeds. No editing.
- テキストから画像
Silent T2V or I2V, fixed 5s videos at 480p or 1080p, with negative prompts and seeds.
このモデルを試すWan 2.2
Alibaba
Silent T2V or I2V, fixed 5s videos at 480p or 1080p, with negative prompts and seeds.
- テキストから動画
- 画像から動画
Fastest Wan 2.2 silent T2V/I2V, fixed 5s videos, with I2V at 720p in addition to 480p/1080p.
このモデルを試すWan 2.2 Fast
Alibaba
Fastest Wan 2.2 silent T2V/I2V, fixed 5s videos, with I2V at 720p in addition to 480p/1080p.
- テキストから動画
- 画像から動画
Deprecated original Nano Banana (Gemini 2.5 Flash Image). Use Nano Banana 2.1 for new work.
このモデルを試すNano Banana
Deprecated original Nano Banana (Gemini 2.5 Flash Image). Use Nano Banana 2.1 for new work.
- テキストから画像
- 画像から画像
Upscale to 480p–8K with 21 Topaz model presets, optional frame interpolation, source FPS preserved by default.
このモデルを試す
Topaz Video Upscale
Topaz Labs
Upscale to 480p–8K with 21 Topaz model presets, optional frame interpolation, source FPS preserved by default.
- 動画から動画
AI image upscale 1x–16x with denoise, sharpen, and face enhancement controls.
このモデルを試すTopaz Image Upscale
Topaz Labs
AI image upscale 1x–16x with denoise, sharpen, and face enhancement controls.
- 画像から画像
T2V or I2V at Pro 1080p only, 5 or 10s, with optional sound effects and music.
このモデルを試すKling 2.1 Master
Kling
T2V or I2V at Pro 1080p only, 5 or 10s, with optional sound effects and music.
- テキストから動画
- 画像から動画
Extend a finished Fast video by 6 or 10 seconds, preset or custom mode.
このモデルを試すGrok Imagine 1.5 Fast Video Extend
xAI
Extend a finished Fast video by 6 or 10 seconds, preset or custom mode.
- 動画から動画
Upscale a finished Grok Imagine video to HD from its task ID.
このモデルを試すGrok Imagine Upscale
xAI
Upscale a finished Grok Imagine video to HD from its task ID.
- 動画から動画
I2V with optional end frame, 5 or 10s, Standard 720p or Pro 1080p, optional sound effects.
このモデルを試すKling 2.1
Kling
I2V with optional end frame, 5 or 10s, Standard 720p or Pro 1080p, optional sound effects.
- 画像から動画
First- and last-frame video generation at 480p, 720p, or 1080p for 4–12 seconds.
このモデルを試すSeeDance 1.0 Pro
ByteDance
First- and last-frame video generation at 480p, 720p, or 1080p for 4–12 seconds.
- 画像から動画
Fast text-to-video and first-frame image-to-video at up to 1080p for 4–12 seconds.
このモデルを試すSeeDance 1.0 Pro Fast
ByteDance
Fast text-to-video and first-frame image-to-video at up to 1080p for 4–12 seconds.
- テキストから動画
- 画像から動画
Steps, guidance, seed, and prompt upsampling controls, 7 aspect ratios up to 4 MP.
このモデルを試すFlux.2 Flex
Black Forest Labs
Steps, guidance, seed, and prompt upsampling controls, 7 aspect ratios up to 4 MP.
- テキストから画像
- 画像から画像
Maximum quality Flux.2 output, 7 aspect ratios, 0.6-4 MP, up to 10 reference images.
このモデルを試すFlux.2 Max
Black Forest Labs
Maximum quality Flux.2 output, 7 aspect ratios, 0.6-4 MP, up to 10 reference images.
- テキストから画像
- 画像から画像
T2V, I2V, or reference images with style presets, faster results at 480p, 720p, or 1080p.
このモデルを試すGrok Imagine 1.5 Fast Video
xAI
T2V, I2V, or reference images with style presets, faster results at 480p, 720p, or 1080p.
- テキストから動画
- 画像から動画
- 参照から動画
Fast xAI text-to-image and reference editing with up to 5 images.
このモデルを試すGrok Imagine 1.0 Image
xAI
Fast xAI text-to-image and reference editing with up to 5 images.
- テキストから画像
- 画像から画像
Browse model families
タスク別API
All models A–Z
Every model and variant on the platform, including the specialised routes that sit inside a family page.