基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗DISCOVER & COMPARE
AIモデルを探す 254
ark-asr-3b-GGUF
cstrGGUF conversions of **AutoArk-AI/ARK-ASR-3B**, a 19-language automatic speech recognition model, for use with **CrispASR** (a ggml/llama.cpp-style C++ engine). > ⚠️ **Experimental / work-in-progress.** Core ASR is validated and accurate (see > below), but the backend has known rough edges — read **Limitations** before relying on it. ARK-ASR-3B = **Whisper-large-v3 encoder with partial rotary position embeddings** → **MLP adapter** → **Qwen2.5-3B decoder** with audio-token injection. A single self-contained GGUF holds the encoder, adapter, and language model.
翻訳待ち・原文を表示
入力 音声→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗audioseal-GGUF
cstr基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗bark-small-GGUF
cstr基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗beat-this-GGUF
cstr基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 音声→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗bge-m3-GGUF
cstr基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 埋め込み
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗> **Derived from Breeze TTS 2 by BreezeBlue and licensed for research and non-commercial use only.** Architecture: a CSM fork — T5Gemma2 text encoder (26L, bidirectional, symmetric sliding window) → Qwen3 backbone (28L) → depth decoder (12L) over 16 codebooks at 12.5 Hz. Languages: English and Chinese. **The codec is not in these files.** Breeze's bundled audio tokenizer is bit-identical to `Qwen/Qwen3-TTS-Tokenizer-12Hz`, which CrispASR already ships as `cstr/qwen3-tts-tokenizer-12hz-GGUF`. It is wired in as a registry companion and downloaded alongside the model. Roughly 1.16 GB of the original checkpoint (`embed_text_tokens` and a leftover Mimi `codec_model.*`) is unreachable at inference and is dropped by the converter.
翻訳待ち・原文を表示
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗btc-chords-GGUF
cstr基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 音声→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 音声→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GGUF / ggml conversions of the **auxiliary CTC alignment model** that ships *inside* `nvidia/canary-1b-v2`'s `.nemo` tarball, repackaged as a standalone forced-aligner for use with the `nfa-align` CLI from **CrispStrobe/CrispASR@parakeet**. When you download `nvidia/canary-1b-v2` you get a single `canary-1b-v2.nemo` tarball. Inside that tarball there are TWO weight files: That second model is what NVIDIA calls the "auxiliary CTC model" used by NeMo Forced Aligner (NFA) to compute frame-aligned word and segment timestamps for Canary's transcript output. **It's the official NVIDIA-recommended path for getting word-level timestamps from Canary**, since the main encoder–decoder doesn't emit them natively (cross-attention DTW tops out around ~360 ms MAE; CTC forced alignment gives ~30-80 ms).
翻訳待ち・原文を表示
入力 音声→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 未確認→ 出力 未確認
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗chatterbox-GGUF
cstrChatterbox is a full TTS pipeline: character tokenizer → T3 (30-layer Llama AR, 520M) → speech tokens → S3Gen (Conformer encoder + UNet1D CFM denoiser, 10 Euler steps) → HiFTGenerator vocoder (conv chains + Snake activations + iSTFT) → 24 kHz WAV. Distributed under **MIT license**. This is the **multilingual** Chatterbox (23 languages: Arabic, Danish, German, Greek, English, Spanish, Finnish, French, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Dutch, Norwegian, Polish, Portuguese, Russian, Swedish, Swahili, Turkish, Chinese) — the T3 GGUF carries the 2454-token multilingual text tokenizer. Select the language with `-l ` (e.g. `-l de`, `-l ja`); English is the default. Two GGUF files are needed: the **T3 model** (text → speech tokens) and the **S3Gen model** (speech tokens → audio).
翻訳待ち・原文を表示
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗cld3-GGUF
cstr基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GGUF weights for **CohereLabs/cohere-transcribe-03-2026** — Cohere's open-source 2B-parameter ASR model, #1 on the Open ASR Leaderboard (avg WER 5.42, as of March 2026). This conversion enables high-performance CPU inference via **CrispASR** — a crispasr-style C++ runtime for the Cohere Conformer-encoder / Transformer-decoder architecture. `config.json` lists 14 supported languages (`en fr de es it pt nl pl el ar ja zh vi ko`), but the tokenizer carries **all 183 ISO-639-1 ` ` tokens**. So ` ` decodes without error, and the model answers a wrong language *fluently* rather than failing — there is no runtime signal at all. The whitelist therefore has to travel with the weights: these GGUFs carry it as `cohere_transcribe.supported_languages`, and CrispASR substitutes loudly when `-l` names something outside it. For a GGUF converted before that key existed, declare it with `CRISPASR_COHERE_LANGS=en,fr,de,…`.
翻訳待ち・原文を表示
入力 音声→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 音声→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 音声→ 出力 テキスト
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗GGUF conversion of FunAudioLLM/Fun-CosyVoice3-0.5B-2512 for use with CrispASR (`--backend cosyvoice3-tts`). CosyVoice3 is a streaming, multilingual, zero-shot voice-cloning TTS system from Alibaba's FunAudioLLM team. The 0.5B-2512 release is Apache-2.0 licensed and supports **9 languages plus 18 Chinese dialects**. Output is 24 kHz mono. Upstream ships two talker checkpoints in one repo: `llm.pt` (pre-trained) and `llm.rl.pt` (the same architecture after reinforcement learning, tuned by the authors for speech quality, pronunciation accuracy and generation stability). Only the talker differs — **flow, HiFT, CAMPPlus, the speech tokenizer and the voice bank are shared**, so switching is just pointing `-m` at the other LLM GGUF and leaving every companion file in place:
翻訳待ち・原文を表示
入力 テキスト→ 出力 音声
料金未確認マルチモーダル・チャネル料金は個別に確認
詳細を見る ↗該当するモデルがありません
提供元・分類・入出力の条件を変更してください。新しいモデルを随時追加しています。
COST EXPLORER
モデル選びに、費用の視点も。
月間トークン数を調整してAPI費用を比較。
1 M = 100万トークン・米ドル
同一チャネルの基本テキスト料金を比較
同一チャネルの基本テキスト料金を比較
収集済みの比較可能な100万トークン当たり米ドル料金です。キャッシュ割引、段階料金、追加推論出力、税金は含みません。最新料金は出典で確認してください。
MODEL HANDBOOK
モデルを理解して選ぶ
API料金はどう比較しますか？+
入力・出力・キャッシュ料金を分け、同じ用途と使用量で総費用を比較します。画像・音声・動画は枚数、時間、解像度で課金される場合があります。
オープンウェイトは無料で商用利用できますか？+
必ずしもそうではありません。バージョンごとのライセンス、商用制限、ポリシーを確認してください。自前運用には計算資源と保守費用も必要です。
ランキング1位が最適ですか？+
順位はテスト、バージョン、評価方法によります。実際の業務データで精度、遅延、安定性、費用を比較してください。