モデル692 件のモデル

Mistral: Voxtral Small Transcribe 3

mistralai/voxtral-small-transcribe-3-0

Mistral: Voxtral Small Transcribe 3 は Mistral の音声テキスト変換モデルで、api14 の transcription カテゴリに掲載されています。Mistral のフラッグシップ文字起こしモデルと説明されており、プロバイダーのリリース日は 2026 年 10 月 20 日です。録音された音声を書き起こしたテキストにする作業が関わるなら、このプロバイダーの中で最初に検討すべきモデルファミリーです。

Mistral: Voxtral Mini Transcribe 3

mistralai/voxtral-mini-transcribe-3-0

Mistral Voxtral Mini Transcribe 3 は、Mistral の音声認識からテキストへのモデルで、プロバイダーによって 2026 年 10 月 20 日にリリースされました。これは文字起こしカテゴリに属し、Mistral の Voxtral 文字起こしラインのコンパクトなメンバーであり、より大きなモデルを使わずに Mistral の音声認識を利用したい場合に検討すべき選択肢となります。api14 上のモデル id は mistralai/voxtral-mini-transcribe-3-0 です。

AssemblyAI: Universal-3.6 Pro

assemblyai/universal-3-6-pro

AssemblyAI: Universal-3.6 Pro は、AssemblyAI が作成した音声テキスト変換モデルです。Universal-3.5 Pro の後継であり、文字起こしカテゴリに属するため、その役割は会話の返答を生成することではなく、録音またはストリーミングされた音声を書き起こされたテキストに変換することです。api14 では AssemblyAI の Sync API を通じて提供されます。つまり、リクエストは後でポーリングするバッチジョブではなく、同期的なフローで処理されます。

ElevenLabs: Scribe v2

elevenlabs/scribe-v2

ElevenLabs: Scribe v2 は、音声とボイスの分野での取り組みで知られるプロバイダー ElevenLabs の音声テキスト変換モデルです。文字起こしカテゴリに属するため、その役割は会話的な返答を生成することではなく、話された音声を書き起こされたテキストに変換することです。パイプラインに専用の文字起こしステップが必要な場合、これは汎用チャットモデルとしてではなく、単体で評価する種類のモデルです。

ElevenLabs: Scribe v2 Medical

elevenlabs/scribe-v2-medical

ElevenLabs Scribe v2 Medical は ElevenLabs の音声テキスト変換モデルで、臨床および医療用語に特化して調整された Scribe v2 の派生版として構築されています。文字起こしカテゴリに属するため、その役割は会話的な応答を生成したりプロンプトについて推論したりすることではなく、話された音声を書き起こされたテキストに変換することです。アプリケーションに医師がカルテを口述する場面、臨床会話、または医療用語が重要となる音声が含まれる場合、これが ElevenLabs がその作業向けに位置づけているモデルです。

Google: Gemini 3.5 Transcribe

google/gemini-3.5-transcribe

Google: Gemini 3.5 Transcribe は Google の音声テキスト変換モデルです。文字起こしカテゴリに属し、プロバイダーでのリリース日は 2026 年 9 月 25 日です。録音またはストリーミングされた音声を書き起こされたテキストに変換するものを構築する場合、これが Google がその用途に位置づけているモデルファミリーであり、api14 上でモデル id google/gemini-3.5-transcribe として利用できます。

Fish Audio: Transcribe 1 Pro

fish-audio/transcribe-1-pro

Fish Audio: Transcribe 1 Pro は、音声および音声処理の分野での取り組みで知られるプロバイダー、Fish Audio による音声テキスト変換モデルです。文字起こしカテゴリに属し、同社のプロ向け文字起こし製品として位置づけられています。プロバイダーは 2026-09-24 にこれをリリースしたため、長く存在するレガシーモデルではなく、Fish Audio ラインへの最近の追加です。

AssemblyAI: Universal-3.5 Pro

assemblyai/universal-3-5-pro

AssemblyAI: Universal-3.5 Proは、AssemblyAIの音声テキスト変換モデルであり、プロバイダーのSync APIを通じて提供されます。文字起こしカテゴリに属するため、その役割は狭く特定的です。チャット、推論、生成タスクを処理するのではなく、音声をテキストに変換することです。文字起こしが必要なものを構築している場合、これは他の文字起こしオプションと並べて評価する種類のモデルです。

Meta: Muse Voice Transcribe 1.0

meta/muse-voice-transcribe-1.0

Meta: Muse Voice Transcribe 1.0は、Metaの音声テキスト変換モデルです。文字起こしカテゴリに属し、ここに記載されているMetaプロバイダー配下のそのファミリーで唯一のモデルです。Metaは2026年9月11日にこれをリリースしました。音声を書き起こしたテキストに変換する必要があるものを作るなら、これがプロバイダーがその用途に位置づけているモデルです。

Microsoft AI: MAI-Transcribe 2

microsoft/mai-transcribe-2

Microsoft AI: MAI-Transcribe 2 は、Microsoft の音声テキスト変換モデルで、2026年9月3日にリリースされました。文字起こしカテゴリに属するため、その役割は狭く具体的です。つまり、話された音声を書き言葉のテキストに変換することです。Microsoft はこれを多言語システムとして位置づけており、提供元によれば FLEURS 多言語ベンチマークで第1位にランクされています。あなたの業務が複数の言語の音声を扱うなら、提供元の裏付けとベンチマークでの順位というこの組み合わせが、汎用モデルではなくこのモデルを検討すべき主な理由です。

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B

nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b

NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B は、NVIDIA の音声認識モデルです。Nemotron 3.5 ファミリーに属し、api14 を通じてモデル id nvidia/nemotron-3.5-asr-streaming-multilingual-0.6b で配布されています。その設計は汎用的なテキスト生成ではなく自動音声認識を中心としているため、チャットモデルではなく専用の文字起こしコンポーネントとして理解するのが最適です。

Mistral: Voxtral Small 24B 2507 STT

mistralai/voxtral-small-24b-2507-stt

Mistral: Voxtral Small 24B 2507 STT は、Mistral AI の音声文字起こしモデルです。文字起こしカテゴリに属し、その名前はモデルのより大きな 24B の容量と、音声からテキストへの処理への焦点の両方を反映しています。Mistral はこれを、そのより大きなモデル容量の恩恵を受ける文字起こし、翻訳、音声理解のワークロード向けに位置付けており、音声に対して最小限の音声からテキストへの処理以上のものを必要とする開発者を対象としています。

Mistral: Voxtral Mini 3B 2507

mistralai/voxtral-mini-3b-2507

Mistral: Voxtral Mini 3B 2507 は、Mistral AI の音声およびオーディオ理解モデルです。文字起こしカテゴリに属し、プロバイダーのリリース日は 2026-08-13 です。この名前は設計を反映しています。Voxtral ラインのコンパクトな 3B モデルで、バージョンは 2507 です。すでにスタックの他の場所で Mistral モデルを使用している場合、これはそのファミリーをテキスト生成ではなく音声処理へと拡張するものです。

Qwen: Qwen3 ASR 1.7B

qwen/qwen3-asr-1.7b

Qwen3 ASR 1.7B は Qwen の自動音声認識モデルで、api14 にモデル ID qwen/qwen3-asr-1.7b として掲載されています。文字起こしカテゴリに属し、その名称は 1.7B パラメータ規模を反映しています。すでに他の Qwen モデルを利用している場合、これは同じプロバイダーのモデルであり、同じ一般的なファミリーの慣例に従っているため、評価と統合を簡素化できます。

Qwen: Qwen3 ASR 0.6B

qwen/qwen3-asr-0.6b

Qwen3 ASR 0.6Bは、Qwenによるコンパクトな自動音声認識モデルです。文字起こしカテゴリに属するため、その役割は会話応答を生成したり汎用言語タスクを処理したりすることではなく、音声を書き言葉のテキストに変換することです。名前の0.6Bは小さいパラメータ数を示しており、より大きなモデルと比較して、音声認識作業向けの軽量な選択肢となっています。

OpenAI: GPT Transcribe

openai/gpt-transcribe

GPT TranscribeはOpenAIの音声テキスト変換モデルで、api14にモデルID openai/gpt-transcribeとして掲載されています。文字起こしカテゴリに属しているため、その役割は狭く特定的です。会話的な返答を生成したり汎用チャットを処理したりするのではなく、音声をテキストに変換します。発話内容を書き起こしテキストにするパイプラインを構築している場合、これはプロバイダーがそのステップ向けに意図している種類のモデルです。

Fish Audio: Transcribe 1

fish-audio/transcribe-1

Fish Audio: Transcribe 1 は Fish Audio の音声テキスト変換モデルで、api14 の transcription カテゴリに掲載されています。これは同プロバイダーの専用文字起こしサービスであり、テキスト生成やマルチモーダル生成の作業とは別物で、録音された音声を書き言葉に変換することだけを目的として存在します。アプリケーションで音声を実用的な文字起こしに変換する必要があり、すでに他のリクエストを OpenAI 互換ゲートウェイ経由でルーティングしているなら、この作業のために評価すべきモデルはこれです。

SpaceXAI: Grok STT 1.0

x-ai/grok-stt-1.0

SpaceXAI: Grok STT 1.0 は xAI の音声テキスト変換モデルです。文字起こしカテゴリに属し、その役割は狭く明確です。音声を入力として受け取り、文字起こしを出力として返します。汎用のチャットや推論モデルではないため、会話する相手ではなく、パイプライン内の専用コンポーネントとして扱うべきです。プロバイダーのリリース日は 2026-07-23 です。

Deepgram: Nova-3

deepgram/nova-3

Deepgram Nova-3 は Deepgram の音声テキスト変換モデルで、api14 にモデル id deepgram/nova-3 として掲載されています。文字起こしカテゴリに属し、Deepgram はこれを単一言語と多言語の両方の文字起こしをサポートする汎用音声テキスト変換モデルと説明しています。アプリケーションで録音またはストリーミングされた音声を書き起こされたテキストに変換する必要があるなら、これはプロバイダーがまさにそのために構築した種類のモデルです。

Microsoft AI: MAI-Transcribe 1.5

microsoft/mai-transcribe-1.5

MAI-Transcribe 1.5は、Microsoft AIによる音声テキスト変換モデルで、2026年6月2日にリリースされました。文字起こしカテゴリに属するため、会話やコードを生成するのではなく、話された音声を書き言葉のテキストに変換するという1つの役割のために作られています。音声から始まるパイプラインを組み立てているなら、これがその最初のステップのためにMicrosoftが提供するコンポーネントです。

NVIDIA: Parakeet TDT 0.6B v3

nvidia/parakeet-tdt-0.6b-v3

NVIDIA: Parakeet TDT 0.6B v3 は NVIDIA の音声テキスト変換モデルです。これは FastConformer-TDT アーキテクチャに基づいて構築された 6 億パラメータのモデルであり、67 万時間を超える音声を含む Granary データセットでトレーニングされています。このモデルは多言語文字起こしシステムとして位置付けられており、対応する言語全体にわたる自動言語検出をサポートしています。すでに NVIDIA…

Mistral: Voxtral Mini Transcribe

mistralai/voxtral-mini-transcribe

Mistral Voxtral Mini Transcribe は、Mistral の音声テキスト変換モデルで、Voxtral Mini ファミリーから派生したものです。一般的なチャットや生成ではなく、文字起こし作業のために特別に構築されており、api14 の文字起こしカテゴリに位置しています。Mistral を言語モデルでご存じなら、これは同じプロバイダーがその取り組みを音声に応用したもので、より狭く予測可能な役割、つまり録音された音声を書き言葉のテキストに変換することを担っています。

Google: Chirp 3

google/chirp-3

Google: Chirp 3 は Google の音声テキスト変換モデルで、api14 の transcription カテゴリに掲載されています。Google の Chirp シリーズにおける最新の多言語モデルであり、そのプロバイダーの説明では、以前のバージョンよりも文字起こし精度が向上したものとして位置づけられています。録音またはストリーミングされた音声を書き起こされたテキストに変換する作業が含まれるなら、まず検討すべきなのはこのモデルファミリーです。

OpenAI: GPT-4o Mini Transcribe

openai/gpt-4o-mini-transcribe

GPT-4o Mini Transcribeは、OpenAIの音声認識からテキストへの変換モデルであり、GPT-4o Miniの音声機能を基盤としています。文字起こしカテゴリに位置し、プロバイダーによって、音声をテキストに変換するためのより小型でコスト効率の高い選択肢として位置付けられています。これはapi14上でモデルID openai/gpt-4o-mini-transcribeとして提供されているため、すでにOpenAI形式のツールを使用している開発者は、統合方法を変更することなく利用できます。

OpenAI: Whisper Large V3

openai/whisper-large-v3

OpenAI: Whisper Large V3 は、OpenAI の自動音声認識モデルで、オープンソースとして配布されています。文字起こしカテゴリに属し、Whisper ファミリーの large バージョンです。つまり、OpenAI が最も広い言語カバレッジと最も要求の厳しい音声向けに位置づけているバリアントです。すでに他の OpenAI モデルを api14 経由でルーティングしている場合、これも同じプロバイダーのものであり、同じ規約に従います。

OpenAI: Whisper Large V3 Turbo

openai/whisper-large-v3-turbo

Whisper Large V3 Turbo は OpenAI の音声認識モデルで、Whisper ファミリーの中では Whisper Large V3 の最適化版に位置します。このモデルは文字起こし専用に作られており、公表されている設計目標は、派生元である大型の V3 モデルと比べて速度とコスト効率を高めることです。Whisper シリーズをご存じであれば、このバリアントは同じ認識対象を保ちながら、そこに到達するために必要な計算量を削減しています。

OpenAI: Whisper 1

openai/whisper-1

OpenAI: Whisper 1 は OpenAI の自動音声認識モデルで、モデル ID whisper-1 として API 経由で提供されています。Whisper 自体は OpenAI のオープンソース音声認識ファミリーであり、このエンドポイントはその機能をホスト型サービスとして公開しています。これは文字起こしカテゴリに属するため、その役割は会話的な返答を生成したりプロンプトについて推論したりすることではなく、録音された音声を書き起こされたテキストに変換することです。

OpenAI: GPT-4o Transcribe

openai/gpt-4o-transcribe

GPT-4o Transcribe は、OpenAI の音声テキスト変換モデルで、GPT-4o の音声機能を基盤としています。文字起こしカテゴリに属するため、その役割は会話的な応答を生成することではなく、話された音声を書き言葉のテキストに変換することです。すでに他の OpenAI モデルをスタック経由でルーティングしている場合、これも同じプロバイダーのモデルであり、同じ一般的なアクセスパターンに従います。