表示通貨
Alibaba
$0.040 から /秒
ByteDance
ByteDance cinematic video generation with native audio, multi-shot consistency, and 1080p output up to 10 seconds.
$0.017 から /秒
Kuaishou
$0.330 から /秒
xAI
$0.011 から /秒
$0.121 から /秒
93件のモデル
Moonshot AI
Moonshot AI のフラッグシップテキストモデル。文書理解と長文コンテキストのテキスト生成を主軸とし、研究やエージェントタスクに適しています
$0.216 から /100万トークン
オープンソースの拡散動画モデル。1回の生成で約5秒、44kHzの同期音声とリップシンクを備えた動画を生成し、テキスト/画像からの動画生成に対応、Full-HDまで超解像可能
$1.93 から /動画
Black Forest Labs
Kontext シリーズのフラッグシップ画像編集バージョン。自然言語の指示に従った局所的な修正を得意とし、プロンプトへの追従性と画面内の文字レイアウト性能がより高く、ブランドビジュアルや絵コンテの一括制作に適しています
$0.071 から /画像
アリババ通義のホスト型多言語音声合成シリーズ。低遅延の Flash と高音質の Plus の2グレードを用意し、自然言語の指示で感情や表現スタイルを制御できる
$0.030 から /1,000文字
Vidu
広告およびSNS向けショート動画に対応した参照画像ベースの動画生成モデル。被写体の外観と構図を制約でき、素早い制作や複数バージョンの反復に適しています
$0.149 から /秒
Kuaishouの動画生成モデル。1回で30秒のステレオ音声付き動画を生成でき、複数キーフレームと開始・終了フレームの制御に対応。マーケティング用ショート動画や絵コンテのプレビズに適しています
OpenAI
OpenAIの2段階画像生成・編集モデル。Flareは速度を重視し、Sunburstは精度を追求し、テキストからの画像生成と複数回の画像修正の両方に対応
$0.017 から /画像
Alibaba Wanシリーズの新世代動画生成モデル。1回で約30秒の1080pクリップを生成でき、参照素材による被写体の一貫性維持に対応し、ドキュメント形式の構造化入力にも初めて対応しています
xAIの動画生成モデル。画像から動画を生成して静止画をアニメーション化し、音声も同時生成できます。480pから1080p、最長15秒のショート動画に対応しています
Byte Seedの音声・映像同時生成モデル。最長30秒、最高4Kの連続クリップに対応し、マルチモーダル参照とタイムスタンプ単位の編集による精密な画面制御が可能
ByteDanceのマルチモーダル動画生成モデル。テキストからの生成、画像からの生成、参照からの生成に対応し、ネイティブ音声が同期されたマルチショットのシネマティックな短編映像を出力できる
Google
Gemini 3 Pro 推論バックボーンを採用した品質優先の画像生成・編集モデル。複数画像間のキャラクター一貫性とテキストレンダリングに優れ、2K ネイティブ出力に対応し、インテリジェントに 4K へアップスケールします
$0.057 から /画像
Googleのスケール出図向け高速画像モデル。512pxからネイティブ4Kまでの多様なアスペクト比に対応し、検索のリアルタイム情報を組み合わせて生成するため、高頻度の創作に適しています
$0.036 から /画像
自然言語による画像生成とマルチターンの対話形式での画像編集に対応し、編集時にはキャラクターと被写体の一貫性を良好に保ち、生成・編集・強化をカバーします
$0.021 から /画像
OpenAI の画像生成・編集モデル。写真のようなリアルさ、高精度なテキストレンダリング、ネイティブ 4K 出力を特徴とし、テキストを含む商業素材や製品画像に適しています
$0.007 から /画像
Zhipu AI
智譜のフラッグシップテキスト推論モデル。複雑なソフトウェアエンジニアリングと長時間にわたるAgentタスクに特化し、約1Mのコンテキストを持ち、推論は常時有効で複数段階の推論強度をサポートし、同等スコアで出力トークンをより節約できます
$0.855 から /100万トークン
OpenAI の GPT-6 テキストモデルファミリー。タスクの難易度に応じて階層化されており、Astra は最も難易度の高いエンドツーエンドのタスク向け、Sol は強力な推論と日常的なコストの両立を図りながら、コーディング、数学、エージェント型ワークフローを強化しています
$0.0025 から /100万トークン
OpenAI の階層型大規模モデルシリーズ（Sol/Terra/Luna）。コーディング、複雑な推論、サイバーセキュリティを主軸とし、性能とコストの曲線に応じて選型できる
$0.005 から /100万トークン
Anthropic
Claude 5.5 シリーズは Opus、Sonnet、Haiku の3グレードを含み、タスクの複雑さとコストに応じて選択でき、エージェント型コーディング、コンピュータ操作、高並列バッチ処理に対応します
$0.100 から /100万トークン
企業向けの長時間稼働エージェント、プログラミング、深い推論に適した汎用テキストモデルで、強みは多ターンの複雑なワークフローにおいてタスクの一貫性を維持できることです
$0.229 から /100万トークン
Google の動画生成モデル。画像を入力すると、環境音と台詞付きの8秒動画をネイティブ生成でき、最大4Kに対応し、被写体の外観の一貫性を保ちます
$0.290 から /秒
Googleの低コスト・高スループットな動画生成ティア。速度はVeo 3.1 Fastと同等で、画像から動画への生成、多种のアスペクト比と再生時間に対応
$0.060 から /秒
MiniMax
MiniMaxが発表した動画生成モデル。テキストから動画と画像から動画の両方に対応し、アニメスタイルの安定性、全身動作のレンダリング、顔の微表情のリアルさが前世代より向上しており、アニメ短編や実写風の商業映像の制作に適している
$0.270 から /動画
Alibabaが発表した画像生成・編集モデル。テキストからの画像生成、複数参照画像の組み合わせ、指示ベースの編集を同一ワークフローに統合し、長文テキストのレンダリングとブランドカラーの制御に対応
$0.035 から /画像
ByteDanceの本番環境向け画像生成モデル。ウェブ検索と多段階の論理推論、4K出力、例示ベースの編集をサポートし、商品画像やインフォグラフィックの制作に適しています
$0.025 から /画像
Recraft
本番環境向けのデザインアセット生成モデル。ネイティブで編集可能なSVGベクター出力をサポートし、短いプロンプトでも安定して画像を生成でき、アイコン、タイポグラフィ、ブランドイラストに適しています
$0.010 から /画像
アリババの第3世代画像生成・編集モデル。長いプロンプト下での密集したレイアウトと多言語の文字描画が得意で、参照画像による編集をサポートします
Alibabaの画像生成・編集統合アーキテクチャモデル。長文の中国語文字レンダリングを得意とし、最大1000トークンの指示と2K出力をサポート
$0.042 から /画像
Moonshot AI のオープンウェイトのフロンティアモデル。テキスト・画像・動画の理解をネイティブにサポートし、100 万トークンのコンテキストを持ち、長期的なコーディングやツール呼び出しの反復を得意とする
$0.232 から /100万トークン
xAIのフラッグシップ推論モデル。高度な推論、ネイティブツール呼び出し、リアルタイム検索を強化し、長いコンテキストと画像入力に対応。難易度の高い推論やAgentアプリケーションに適しています
$0.210 から /100万トークン
DeepSeek
次世代テキストモデルシリーズ。Pro と Flash などのバージョンを含み、100万トークン級の長いコンテキストをサポートし、コーディング、推論、エージェントタスクに対応します
$0.014 から /100万トークン
フラッグシップクラスのテキストモデル。1Mトークンの長いコンテキストを備え、深い推論、複雑なコーディング、長期間にわたる自律型エージェントタスクに位置づけられる
$0.300 から /100万トークン
Luma
Lumaの映画的な動画生成モデル。HDRとEXRエクスポートをネイティブにサポートし、雰囲気のある空鏡（風景カット）や広告、映像制作のプリプロダクション向けコンセプト映像に適しており、構造化されたショット指示の下でプロンプトへの追従性が安定しています
$0.214 から /動画
PixVerse
PixVerseのフラッグシップ動画生成モデル。単一モデルでテキストからの動画生成と画像からの動画生成をカバーし、精密なカメラ制御、キャラクター演技、参照画像の融合をサポート。完成品レベルの制作に対応
$0.036 から /秒
Black Forest Labs のフラッグシップテキストtoイメージモデル。Flux.1 Pro と比べて生成速度が約6倍高速で、プロンプトへの追従性も向上しており、大規模な画像生成に適しています
$0.050 から /画像
アリババ通義のオープンソーステキスト画像生成モデル。単一ストリームDiTアーキテクチャで約60億パラメータ、中国語・英語の文字描画とバイリンガル指示追従に優れる
$0.008 から /画像
1回の生成で映像とネイティブ同期音声を同時に出力し、多言語リップシンクと最大1080pのマルチアスペクト比出力に対応。トークや会話中心のショート動画に最適
$0.168 から /秒
Black Forest Labs の蒸留版テキスト・トゥ・イメージモデル。120億パラメータの rectified flow transformer で、低遅延の高速画像生成を重視し、コンセプトアートやスケッチのバッチ生成に適しています
$0.005 から /画像
Google 画像ファミリーの軽量・高効率モデル。低遅延・低コストを特徴とし、素早いアイデア出しや高スループットの画像生成に適しており、初代 Nano Banana をシームレスに置き換え可能
$0.033 から /画像
歌詞と音楽の説明を入力するだけで、最長約5分のボーカルと完全な曲構成を含むステレオ楽曲を生成でき、楽曲デモやカスタムBGMの迅速な制作に適しています
$0.0026 から /秒
テキストからボーカルとインストゥルメンタルを含む完成楽曲を生成するモデル。AI Cover スタイルのアレンジと自動作詞を新たに追加し、初回出力の遅延は20秒以内と宣伝されている
$0.210 から /曲
テキストから音楽を生成するモデル。スタイル記述と歌詞に基づいて、ボーカルと伴奏を含む完全な楽曲を一度に生成する。1曲あたり最長約4分で、構造タグによるセクション編成にも対応
$0.070 から /曲
Google の高度な音楽生成モデル。約3分・48kHz ステレオの完成された楽曲を生成でき、イントロ、ヴァース、サビなどの楽曲セクション構造を理解し、プロンプトへの追従性は Lyria 3 より優れています
$0.140 から /曲
Ideogram
オープンウェイトのテキストto画像モデル。多言語の文字レンダリングとネイティブ2K出力を特徴とし、JSONプロンプトとバウンディングボックスによるレイアウト制御をサポート
Alibaba WAN シリーズの動画生成モデル。テキスト生成、画像生成、参照ガイド付き動画をサポートし、複数の参照入力によりショットをまたいで人物と商品の一貫性を保つことができます
$0.100 から /秒
Veo 3.1 シリーズの中でも高速な動画生成を特徴とする画像から動画を生成するモデル。映像と音声を同時に生成し、マーケティング、プレゼン、SNS など完成品型コンテンツの制作に適しています
$0.170 から /秒
ByteDanceのコマーシャルグレード画像モデル。映画のようなライティング、カットをまたぐキャラクター一貫性、複数画像を参照した編集を主軸とし、ECやマーケティング素材向けの高解像度画像生成に適しています
$0.045 から /画像
Googleのフラッグシップ音楽生成モデル。イントロ、ヴァース、サビなどの構造をまず計画してから、ボーカルと歌詞付きの完成楽曲を生成します。多言語での歌唱に対応し、HiAPI.ai の統一インターフェース経由で呼び出せます
$0.090 から /曲
HeyGen
約15秒の参照動画から再利用可能な実写アバターを構築し、動作やジェスチャーを新しいスクリプトやシーンへ転送してシーン間の一貫性を保つ
$0.150 から /秒
851 Labs
自動切り抜きに特化した画像処理モデル。透明PNGまたはマスクを出力でき、EC商品画像や人物写真の背景を一括除去するのに適しています
$0.002 から /画像
高速プレビューと高頻度のイテレーション向けの動画生成モデル。テキストから動画と画像から動画の両方をサポートし、1～15秒、480p～1080pのクリップを生成可能。画像から動画では最大7枚の画像を参照できます
$0.130 から /秒
xAIの高忠実度画像生成・編集モデル。テキストレンダリングと構図がより安定し、1K/2K出力と参照画像による一貫性編集をサポート
$0.070 から /画像
xAI の画像生成・編集モデル。指示への追従性と複雑なレイアウトのレンダリングに優れ、参照画像による反復的な画像修正をサポートし、1K/2K の多様なアスペクト比で画像を出力できます
$0.052 から /画像
90億パラメータの整流フロー画像モデル。ステップ蒸留により4ステップに短縮され、コンパクトなアーキテクチャ内でテキストからの画像生成と単一/複数参照画像編集を統合し、低遅延のリアルタイム生成シーンに向けられています
$0.0086 から /画像
40億パラメータの蒸留小型モデル。テキストからの画像生成と画像編集を統合し、エンドツーエンドの推論は最短1秒以内、約13GBのVRAMで動作可能
$0.0004 から /画像
Black Forest Labs の画像生成・編集ファミリー。参照画像に基づくスタイル転送と複数参照画像の融合をサポートし、編集時は元の構図と被写体の位置をできるだけ保持します
Black Forest Labs のマルチモーダルファミリーにおける画像方向のモデル。動画・音声と共同トレーニングアーキテクチャおよび Self-Flow フレームワークを共有し、FLUX 体系に基づく画像生成パイプラインのアップグレードに適しています
$0.041 から /画像
Meta
Metaの推論型画像生成・編集モデル。複雑なプロンプトをまず分解してからレンダリングし、複数の参照画像を融合でき、ウェブ検索によって事実の正確性を確保する
$0.015 から per task
統合マルチモーダル動画モデル。1つのコンテキストでテキスト・画像・動画・音声を同時に処理し、テキスト生成・画像生成・参照生成による動画生成と指示ベースの編集に対応、同期音声も生成可能
$0.072 から /秒
写真を1枚アップロードしスクリプトを用意するだけで、リップシンク・顔の表情・ジェスチャーを備えたトーキングアバター動画を生成できます。1280p以上の出力に対応し、デジタルプレゼンターやナレーションコンテンツに適しています
Alibabaの動画生成モデル。単一モデルでテキストからの動画生成、画像からの動画生成、参照画像からの動画生成をカバーし、1080pおよび3～15秒のクリップに対応。複数の参照画像を融合してキャラクターの一貫性を強化するため、マルチショットのナラティブやEC広告素材に適しています
$0.160 から /秒
xAI のクリエイティブ生成モデル。画像から画像への編集とスタイル誘導をサポートし、最大 9 枚の参照画像で構図と人物を制御可能。HiAPI.ai の統一インターフェース経由で呼び出し
ElevenLabs
開発者向けの音声・オーディオ生成ファミリー。テキスト読み上げ、対話型音声、効果音、音楽生成をカバーします
$0.0029 から /秒
Wan 2.6 シリーズの高速最適化された画像から動画を生成するバージョンで、コストがより低く、動画生成がより速く、草稿の探索や高頻度のバッチ生成に適していますが、映像の精細度は標準版には及びません
$0.043 から /秒
Krea
テキスト生成と参照画像編集をサポートし、ネイティブ2K出力、1回の編集は約8秒で、頻繁なビジュアル反復と素材の再利用に適しています
Krea 2 シリーズの中で速度優先の蒸留高速化バージョン。枚単位の課金でコストが低く、迅速な反復とデザインコンセプトの探求に適しています
動画生成・編集向けのマルチモーダルモデル。単一のインターフェースでテキスト生成、画像生成、参照画像生成、動画編集をカバーし、ドラフトから 4K までの階層出力に対応、音声トラックも標準搭載
$0.450 から /動画
Creatify
広告素材のバッチバリエーション向けの低コスト動画生成モデル。テキストから動画、画像から動画、写真と音声から多言語のトーキング動画の生成に対応し、迅速に出力できます
$0.015 から /秒
全身写真をアップロードするだけで、指定した服を試着した完成イメージを生成できます。拡散技術に基づいて衣類のシワや光と影をシミュレーションし、オンラインでの服選びの意思決定をサポートします
$0.107 から /画像
低遅延のテキスト読み上げモデル。テキストに埋め込んだ音声タグで声質・話速・アクセントを制御でき、70以上の言語に対応し、HiAPI.ai の統一インターフェース経由で呼び出せます
--
プロフェッショナル向けの局所的な再描画とアウトペインティングモデル。二値マスクに従って指定箇所を置換・削除・拡張し、光照と透視を一致させて維持する。マスク入力が必要で、全体画像生成ではなく精密なレタッチに適している
FASHN
バーチャル試着モデル。人物画像と服画像を入力するだけでモデルの着用効果を生成し、ネイティブで 864x1296 を出力、平置き画像の入力と3段階の品質モードに対応
軽量級のAI画像アップスケーラー。拡大時にノイズ除去とディテール保持を両立し、1回あたりのコストが低く、デザインフローの仕上げ段階における鮮明化処理に適しています
$0.004 から /画像
Vidu Q4 シリーズ初の公開プレビュー版。キャラクター表演とネイティブ音声を主軸とし、最大15枚の画像と3つの音声リファレンスによるガイドに対応、最大4K動画を出力
$0.051 から /秒
Lightricks
Lightricks の高速化された動画生成モデル。テキストからの動画生成と画像からの動画生成に対応し、映像と音声を同期して生成できるため、素早い動画制作やプロトタイプ検証に適しています
$0.086 から /秒
Runway
公開時、Artificial Analysis のテキストから動画生成ランキングで 1247 Elo を記録して首位に立ち、プロンプトへの追従性、物理挙動、人体の動きの表現が際立っており、映画の絵コンテやブランドショートフィルムの制作に適しています
$0.172 から /秒
生成的画像アップスケーリング。解像度を高めながらテクスチャ、ディテール、顔の特徴を再描画して補完し、低解像度素材を高解像度の完成品にするのに適しています
$0.357 から /画像
テキストから画像生成と画像編集を統合した画像モデル。2K解像度と本物のアルファチャンネル付きRGBA出力をネイティブにサポートし、円、手描きの注釈、またはマスクで複数の編集領域を指定できます
$0.020 から /画像
Mureka
編曲がより抑制的で余白が十分な音楽生成モデル。プロンプトのジャンル、編成、ムードに沿い、ボーカルがより自然。インストゥルメンタルのみと歌詞からの楽曲生成の2モードをサポート
$0.322 から per request
Mirelo AI
効果音生成シーン向けの音声出力モデルで、動画やゲームなどのコンテンツにおける効果音素材の制作とバッチ反復処理に適しています
$0.021 から /秒
音声駆動のデジタルヒューマン話者動画生成。1枚の画像と音声だけでリップシンク動画を出力でき、約5分間の連続生成に対応。Standard版は最大720p
統合マルチモーダル動画生成シリーズ。テキストから動画、画像から動画、参照から動画、動画内編集に対応し、ネイティブなリップシンクと多言語音声を備える
Kuaishouが発表した画像から動画を生成するモデル。動きの滑らかさとキャラクターの一貫性に優れ、ネガティブプロンプトとCFG調整に対応し、動きの大きいカメラワークのショート動画生成に適しています。
Googleのテキストtoイメージシリーズ。画像内テキストのレンダリングと複雑なライティングを特徴とし、Fast・標準・Ultraの3段階で品質とコストを選択可能
$0.030 から /画像
タイポグラフィの文字が明瞭で、多段階の正確な部分編集を得意とする画像生成・編集モデル。ネイティブ2Kに対応し、ポスター、ロゴ、パッケージデザインに適しています
$0.011 から /画像
参照画像で同一キャラクターを固定し、シーン・ポーズ・照明の変更をまたいで顔と衣装の一貫性を保ち、さらに Ideogram の画像内テキスト組版の強みを継続する
$0.090 から /画像
軽量・低コストの動画生成プラン。テキストから動画、画像から動画の生成に対応し、同じ生成処理で効果音とセリフも出力できるため、ショート動画を大量に制作する用途に適しています
$0.029 から /秒
Google のマルチモーダル動画生成・編集モデル。画像・テキスト・音声・動画の組み合わせ入力に対応し、自然言語の対話を通じてカメラワークや細部を反復的に調整できる
Black Forest Labs初の動画モデル。統合マルチモーダルアーキテクチャを採用し、テキストから動画、画像から動画、キーフレームからの続き生成に対応。映像とネイティブ音声を同期生成し、1回あたり最長約20秒のHD動画を出力可能
$0.090 から /秒
テキストから動画、画像から動画の生成に対応した動画生成モデル。低遅延で高速な出力を特徴とし、公開ベンチマークでは10秒のクリップを約11〜12秒で生成するとされ、クリエイティブの反復作業やショート動画素材に適しています
$0.061 から /秒
Bria
BRIA の 8B フローマッチング DiT 蒸留版画像モデル。4〜6 ステップの少数ステップサンプリングで画像生成が可能で、JSON 構造化プロンプトに対応し、属性ごとの分離編集ができる
$0.058 から /画像
EC製品画像向けの画像編集モデル。製品をテキストまたは参照画像から生成したシーン背景に自然に配置し、テクスチャとブランドのディテールを保持します
マスク消去と領域再構築に特化した画像編集モデル。白黒マスクに従って対象物体を除去し画面を補完します。ライセンス許諾済みデータで学習しており、ECやマーケティング素材の一括クリーンアップに適しています
