// モデルカタログ
Image, video and music models use the job API; language models use the OpenAI-compatible chat API. Filter by what you need to produce, check inputs and prices, then open the playground or copy the request.
112 モデル
Google's Nano Banana Pro (Gemini 3.0 Pro Image) is an industry-leading cutting-edge text-to-image model, which can generate high-definition 4K images with excellent quality and has been fully optimized for mobile phone devices to ensure smooth operation. It is equipped with a ready-to-use REST inference API, has the best performance, zero coldstarts, and extremely affordable pricing.
テキストから画像/テキスト → 画像
Google Nano Banana Pro (Gemini 3.0 Pro Image) Edit supports professional image editing with high-quality 4K-capable ultra-clear output, driven by the advanced Gemini 3.0 Pro Image model to ensure perfect visual effects. It offers an out-of-the-box REST inference API, achieves leading industry performance, has no coldstart latency at all, and provides cost-effective & affordable pricing for all scenarios.
画像から画像/テキスト + 画像 → 画像
It delivers ultra-low-latency and cost-effective image generation & editing capabilities. Optimized to achieve latency under 2 seconds and drastically cut TPU computing costs, this model supports high-volume interactive developer workflows and real-time consumer applications, enabling ultra-fast style transfer, inpainting and background replacement. This is a low-cost channel variant, priced far below the official stable version, yet with unstable performance.
画像から画像/テキスト + 画像 → 画像
Lightweight text-to-image API built for high concurrency & instant response, with low-latency, budget-friendly image generation and editing. Perfect for scenarios with fast iteration, real-time preview or mass batch image creation. Low-price channel edition: much cheaper than official stable build, but unstable.
テキストから画像/テキスト → 画像
An image-to-image and editing endpoint powered by a highly efficient visual engine. It enables rapid style transfer, inpainting, or background replacement via image and text inputs. Nano Banana 2 maintains the core structure and reference features of the original image while applying extensive modifications, making it ideal for dynamic, interactive design tools.
画像から画像/テキスト + 画像 → 画像
A lightweight text-to-image endpoint engineered for high-concurrency and rapid response. As the core of Nano Banana 2, it balances visual fidelity with high throughput, instantly transforming text prompts into high-quality assets. Ideal for modern API platforms requiring real-time previews, rapid iteration, or large-scale batch generation.
テキストから画像/テキスト → 画像
A single sentence describing the song's theme or mood. Output: Two alternative complete songs automatically generated, including melody, lyrics, and vocals. v5.5 delivers Suno's highest-ever audio quality in vocal realism, instrument separation, and dynamic range, capable of handling nuanced emotional expression and complex style mashups. Significantly lowers the creative barrier – no music background required to quickly produce professional-grade music.
テキストから音楽/テキスト → 音楽・オーディオ
Custom lyrics and style tags. Output: Two alternative songs generated following the instructions. v5.5 delivers Suno's highest-ever audio quality in vocal realism, instrument separation, and dynamic range, capable of handling nuanced emotional expression and complex style mashups. Suitable for original single production and independent musician demo creation.
テキストから音楽/テキスト → 音楽・オーディオ
Theme prompt describing desired lyric topic. Output: Pure text lyrics with song structure (Verse/Chorus labels), song title, and style tags. Suitable for quick lyric drafting, creative inspiration, etc. Can be used with Custom Mode for rapid re-creation and audio generation.
テキストから歌詞/テキスト → テキスト
A single sentence describing the song content. Output: Two complete songs automatically generated. The core upgrade of v5 is studio-grade audio quality – vocal realism is significantly improved, mix soundstage and instrument separation reach professional levels, and the "electronic/robotic" artifacts are largely eliminated. Suitable for high-quality background music production, content creator soundtracks, and quick demo generation.
テキストから音楽/テキスト → 音楽・オーディオ
Custom lyrics and style tags. Output: Two alternative songs generated following the instructions. v5 enhances response precision for complex arrangement commands, handling user-specified instruments, tempo, mood, and other details more accurately. Users can iteratively generate multiple versions until satisfied. Supports multiple languages (Chinese, English, Japanese, etc.).
テキストから音楽/テキスト → 音楽・オーディオ
Input a single sentence describing the song (style/mood/scene). The model automatically generates two alternative complete tracks. Compared to previous versions, v4.5 significantly expands the range of supported music styles and intelligently handles complex style mashups. Vocal expression is fuller, covering emotional range from whispers to powerful hooks. Low cost per generation, suitable for batch production.
テキストから音楽/テキスト → 音楽・オーディオ
Input custom song title, lyrics, and style tags. The model generates two alternative song audios following the instructions. The core upgrade of v4.5 is extending the maximum song length to 8 minutes. Suitable for long-form narrative music, film scoring, and creative projects requiring extended duration. Cost-effective.
テキストから音楽/テキスト → 音楽・オーディオ
GPT Image 2.5 Sunburst Edit provides precision-first revisions while preserving subjects, composition, and visual identity.
画像から画像/テキスト + 画像 → 画像
GPT Image 2.5 Sunburst focuses on intricate detail, reliable typography, and controlled composition.
テキストから画像/テキスト → 画像
GPT Image 2.5 Flare Edit supports fast everyday revisions while preserving subjects, composition, and background.
画像から画像/テキスト + 画像 → 画像
GPT Image 2.5 Flare is a fast, versatile image generator for social content, commerce assets, ideation, and high-volume creative work.
テキストから画像/テキスト → 画像
Grok Imagine 2.0 low-price channel edition provides async text-to-image generation with seven common aspect ratios and 1–12 images per request, billed by successfully delivered images. It suits marketing creatives, social visuals, concept exploration, and cost-sensitive batch generation. This is the channel tier of the formal 2.0 capability; peak stability may trail the official-stable tier.
テキストから画像/テキスト → 画像
Gemini Omni Flash Image-to-Video turns reference images into dynamic short videos. It supports single-image video generation with 1 image and reference fusion with 3 images, offering 720p, 1080p, and 4k outputs with 4, 6, 8, and 10-second durations for character animation, product showcases, creative shots, and multi-reference video creation.
画像から動画/テキスト + 画像 → 動画
Gemini Omni Flash is a unified video generation model that creates high-quality short videos from text prompts. It supports 720p, 1080p, and 4k outputs with 4, 6, 8, and 10-second durations, making it suitable for creative clips, advertising assets, social videos, and visual concept demos.
テキストから動画/テキスト → 動画
Omni Flash - All-in-One Video Image-to-video generation powered by reference images and videos. Compatible with 720p/1080p/4K resolutions . Great for character motion, product display, creative shots and multi-image referenced videos.
動画編集/テキスト + 画像 + 動画 → 動画
The GPT-Image-2 Text-to-Image is a state-of-the-art generation foundation designed for high-standard commercial scenarios. It features revolutionary text rendering capabilities, flawlessly integrating complex words and phrases into images without spelling errors. It excels in generating modern UI prototypes and design aesthetics, natively supporting ultra-high-definition outputs. With generation speeds nearly doubled, it perfectly empowers workflows like poster design, e-commerce graphics, and product prototyping. 1k/2k/4k available. Due to interface stability limitations, precise 2k/4k output is not guaranteed. Most results will be 1k. Use official API if concerned.
テキストから画像/テキスト → 画像
The GPT-Image-2 Image-to-Image provides professional developers and designers with unprecedented image control. Powered by robust semantic consistency algorithms, it supports seamless inpainting and smooth outpainting while accurately preserving the original image's textures, character features, and global lighting. Whether extending IP character poses, colorizing line art, or replacing product backgrounds, it achieves high-tier visual reconstruction with flawless blending and minimal trial-and-error costs. 1k/2k/4k available. Due to interface stability limitations, precise 2k/4k output is not guaranteed. Most results will be 1k. Use official API if concerned.
画像から画像/テキスト + 画像 → 画像
Grok 4.2's text-to-image mode empowers creators to build magnificent visual worlds entirely from scratch. By simply inputting natural language descriptions, the model accurately parses semantics to generate images with ultra-high definition, rich details, and perfect lighting. From complex text typography and photorealistic shots to imaginative fantasy scenes, a single prompt instantly turns creative concepts into vivid reality.
テキストから画像/テキスト → 画像
In the image-to-image mode, Grok 4.2 transforms into a highly controllable visual design engine. By uploading basic line art, composition sketches, or existing photos as visual anchors, users can achieve precise style transfers, targeted inpainting, and texture upgrades via text commands. This workflow strictly preserves the original image's core spatial structure, significantly enhancing design efficiency.
画像から画像/テキスト + 画像 → 画像
Leveraging xAI’s advanced reasoning capabilities, it excels at translating intricate prompts into visually stunning, logically coherent narratives. The model demonstrates superior performance in managing cinematic camera movements and complex physical interactions, ensuring that every frame adheres to realistic physics and lighting. It is designed for creators who demand high-precision storytelling and unparalleled visual fidelity without semantic loss.
テキストから動画/テキスト → 動画
It is engineered to breathe life into static concepts while maintaining absolute subject identity. By deeply analyzing the geometric structure and material properties of a reference image, it synthesizes motion that aligns perfectly with physical intuition. The model excels in temporal stability and lighting inheritance, ensuring that core elements remain undistorted during intense transitions. It provides a seamless bridge from a single visual reference to a high-tension, cinematic sequence characterized by fluid motion and professional-grade rendering.
画像から動画/テキスト + 画像 → 動画
It represents the next evolution in cinematic video synthesis from DeepMind. It transforms still images or start-and-end frame pairs into high-fidelity 1080p motion sequences with stunning temporal continuity. Standing out with its native audio generation, the model automatically crafts synchronized soundscapes that breathe life into the visuals. Whether executing complex camera dollies or seamless scene morphing, Veo 3.1 delivers professional-grade consistency and narrative depth for storyboarding and creative production.
画像から動画/テキスト + 画像 → 動画
the latest flagship video generation engine from Google, engineered to transform static concepts into high-fidelity cinematic visuals. This model creates stunning videos at up to 4K resolution. It features outstanding subject consistency and built-in audio generation, accurately reproducing the textures and lighting of reference images while producing realistic ambient sounds in sync. Additionally, it supports first-and-last frame guidance and video extension, delivering director-level transitions and spatial stability for clips up to 8 seconds long.
画像から動画/テキスト + 画像 → 動画
Veo 3.1 Fast is engineered for creators who prioritize speed and rapid iteration without sacrificing structural control. In Start & End Frame mode, it delivers near-instantaneous interpolation, bridging two visual anchors with fluid motion in seconds. This model is optimized for low-latency workflows and high-volume prototyping. While maximizing throughput, it maintains impressive consistency in geometry and motion logic.
画像から動画/テキスト + 画像 → 動画
Google Veo3.1 I2V converts static images into cinematic dynamic videos with smooth realistic motion and natural lighting, delivering results 30% faster than the standard version. Preserves original image composition and visual style, enables native synchronized audio generation, supports dialogue & lip-sync, ideal for social content creation, concept visualization and casual creative storytelling with high cost performance.
画像から動画/テキスト + 画像 → 動画
Google's flagship advanced AI Text-to-Video model, Veo3.1 Premium mode. Enables native text-to-video with fully synchronized ambient sound, dialogue and music, supports dialogue lip-sync, subject consistency and video interpolation. Generates top-tier cinematic videos with natural lighting, smooth camera transitions and strong narrative consistency, full flagship functions for professional storytelling and marketing, ultra-premium quality with ultra-high pricing.
テキストから動画/テキスト → 動画
Google's latest advanced AI Text-to-Video model, Veo3.1 Fast mode. Features native text-to-video with synchronized audio & video generation, delivers high-quality videos with basic cinematic realism and smooth motion. Equipped with natural scene presentation and accurate audio-visual synchronization, outstanding quality at an ultra-low price, the best cost-effective choice for daily creative needs and casual video generation scenarios.
テキストから動画/テキスト → 動画
1M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
200K context · ツール, JSON
chat/テキスト → テキスト
200K context · Saver channel · ツール, JSON
chat/テキスト → テキスト
200K context · ツール, JSON
chat/テキスト → テキスト
1M context · ツール, JSON
chat/テキスト → テキスト
1M context · Saver channel · ツール, JSON
chat/テキスト → テキスト
1M context · ツール, JSON
chat/テキスト → テキスト
1M context · Saver channel · ツール, JSON
chat/テキスト → テキスト
1M context · ツール, Vision, JSON
chat/テキスト + 画像 → テキスト
1M context · Saver channel · ツール, Vision, JSON
chat/テキスト + 画像 → テキスト
1M context · ツール, Vision, Reasoning, JSON
chat/テキスト + 画像 → テキスト
1M context · ツール, Vision, Reasoning, JSON
chat/テキスト + 画像 → テキスト
1M context · ツール, JSON
chat/テキスト → テキスト
1M context · ツール, JSON
chat/テキスト → テキスト
1M context · Saver channel · ツール, JSON
chat/テキスト → テキスト
1M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
262K context · ツール
chat/テキスト → テキスト
262K context · Vision
chat/テキスト + 画像 → テキスト
262K context · Vision
chat/テキスト + 画像 → テキスト
262K context · Vision
chat/テキスト + 画像 → テキスト
262K context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
262K context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
262K context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
262K context · ツール, Vision, JSON
chat/テキスト + 画像 → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, Vision, Reasoning, JSON
chat/テキスト + 画像 → テキスト
205K context · ツール, Reasoning
chat/テキスト → テキスト
205K context · ツール, Reasoning
chat/テキスト → テキスト
205K context · ツール, Reasoning
chat/テキスト → テキスト
1M context · ツール, Reasoning
chat/テキスト → テキスト
1.05M context · ツール, Reasoning
chat/テキスト → テキスト
262K context · ツール, Vision, Reasoning, JSON
chat/テキスト + 画像 → テキスト
205K context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, Vision, JSON, オーディオ
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, JSON, オーディオ
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, オーディオ
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, JSON, オーディオ
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, JSON, オーディオ
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, Reasoning, JSON, オーディオ
chat/テキスト + 画像 → テキスト
205K context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
400K context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
400K context · ツール, JSON
chat/テキスト → テキスト
400K context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, JSON
chat/テキスト → テキスト
1.05M context · ツール, Vision, JSON
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1.05M context · Saver channel · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
1M context · ツール, JSON
chat/テキスト → テキスト
256K context · ツール, JSON
chat/テキスト → テキスト
1M context · ツール, Vision, JSON
chat/テキスト + 画像 → テキスト
1M context · ツール, Reasoning, JSON
chat/テキスト → テキスト
1M context · ツール, Vision, JSON
chat/テキスト + 画像 → テキスト
262K context · ツール, Vision, Reasoning, JSON
chat/テキスト + 画像 → テキスト
1M context · ツール, Reasoning, JSON
chat/テキスト → テキスト
1M context · ツール, Vision
chat/テキスト + 画像 → テキスト
500K context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
500K context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト
500K context · ツール, Vision, Reasoning
chat/テキスト + 画像 → テキスト