Каталог AI моделей и нейросетей: сравнение и цены

Gemini 3.1 Flash TTS Preview — это модель преобразования текста в речь от Google, представляющая собой значительный шаг вперед по сравнению с Gemini 2.5 Flash TTS. Она принимает текстовый ввод и выдает аудиовывод на более чем 70 языках — почти в 3 раза больше языков, чем у ее предшественника.

Главное нововведение — это система из более чем 200 встроенных аудиотегов (например, [whispers], [laughs], [excited]), которые позволяют разработчикам управлять подачей, эмоциями и темпом внутри предложения, а также рабочий процесс “режиссерское кресло” в Google AI Studio для определения аудиопрофилей для каждого персонажа и контекста на уровне сцены. Она поддерживает до двух дикторов с независимой настройкой голоса и стиля для каждого диктора, выдает аудио в формате PCM с частотой 24 кГц / 16-бит моно и автоматически добавляет водяные знаки на все выходные данные с помощью SynthID. Контекстное окно составляет 32 тысячи токенов.

Модель среднего уровня для генерации видео от Google, сочетающая скорость и качество. Veo 3.1 Fast создает видео высокого качества из текстовых или графических подсказок с нативным синхронизированным звуком, обеспечивая более быструю обработку, чем Veo 3.1, по более низкой цене. Поддерживает кондиционирование первого и последнего кадра, несколько разрешений и соотношений сторон, а также водяные знаки SynthID.

Zonos v0.1 Transformer — это модель преобразования текста в речь от Zyphra, построенная на чистой архитектуре трансформера. Она предлагает такое же покрытие голосов американского и британского английского, как и гибридный вариант, и подходит для развертываний, где предпочтителен стек вывода, основанный только на трансформере.

Zonos v0.1 Hybrid — это модель преобразования текста в речь от Zyphra, построенная на гибридной архитектуре. Она генерирует английскую речь с охватом американского и британского акцентов в мужских и женских голосах. Подходит для англоязычных голосовых приложений, требующих разнообразия акцентов и пола.

Orpheus 3B — это английская модель преобразования текста в речь от Canopy Labs, настроенная для естественной просодии и выразительной подачи. Она предлагает 7 предустановленных голосов и подходит для озвучивания, голосовых помощников и интерактивных приложений, где приоритетом является естественная речь.

CSM 1B — это модель разговорной речи от Sesame. Она принимает текстовый ввод и производит выходную речь на английском языке, с голосовыми опциями, охватывающими стили разговорной и читаемой речи. С 1B параметрами она подходит для приложений, ориентированных на диалог, таких как голосовые помощники и интерактивные агенты.

Kokoro 82M — это легковесная модель преобразования текста в речь от hexgrad. Она преобразует текст в речь на 8 языках (американский и британский английский, испанский, французский, хинди, итальянский, японский, португальский и китайский) с использованием 54 предустановленных голосов, организованных по языку и полу. С 82 миллионами параметров она отлично подходит для многоязычных развертываний TTS, где важны компактность и экономическая эффективность.

Самая экономичная модель генерации видео от Google, разработанная для приложений с большим объемом и быстрой итерацией. Veo 3.1 Lite генерирует видео в разрешении 720p и 1080p из текстовых или графических подсказок с нативным синхронизированным звуком по цене менее 50% от стоимости Veo 3.1 Fast. Поддерживает клипы длительностью 4–8 секунд в ландшафтном (16:9) и портретном (9:16) форматах с водяными знаками SynthID. Идеально подходит для контентных платформ, создания коротких видео и автоматизированной генерации медиа.

Ling-2.6-1T — это мгновенная (инструкционная) модель от inclusionAI и флагман компании с триллионом параметров, разработанная для агентов реального мира, которым требуется быстрое выполнение и высокая эффективность в масштабах. Она использует подход «быстрого мышления», чтобы сократить затраты примерно до четверти от аналогичных моделей, сохраняя при этом первоклассную производительность.

Модель достигает передовых результатов на таких тестах, как AIME26 и SWE-bench Verified, и хорошо подходит для продвинутого кодирования, сложных рассуждений и крупных рабочих процессов агентов, где критически важны как возможности, так и эффективность.

Hy3 preview — это высокоэффективная модель Mixture-of-Experts от Tencent, предназначенная для агентных рабочих процессов и использования в производстве. Она поддерживает настраиваемые уровни рассуждений в режимах отключено, низкий и высокий, что позволяет балансировать между скоростью и глубиной в зависимости от задачи, обеспечивая при этом сильную генерацию кода и надежную производительность в многошаговых, реальных рабочих процессах.

MiMo-V2.5-Pro — это флагманская модель Xiaomi, обеспечивающая высокую производительность в общих агентных возможностях, сложной программной инженерии и задачах с долгосрочным горизонтом, с лидирующими позициями в таких бенчмарках, как ClawEval, GDPVal и SWE-bench Pro.

MiMo-V2.5 — это родная омнимодальная модель от Xiaomi. Она обеспечивает профессиональный уровень агентной производительности примерно за половину стоимости вывода, превосходя MiMo-V2-Omni в мультимодальном восприятии при выполнении задач по пониманию изображений и видео. Ее контекстное окно на 1M поддерживает полные документы, расширенные разговоры и сложные контексты задач за один проход, что делает ее идеальной для интеграции с агентными фреймворками, где важны сильные рассуждения, богатое восприятие и экономическая эффективность.

Image 2 объединяет модель GPT-5.4 от OpenAI с передовыми возможностями генерации изображений от GPT Image 2. Это позволяет создавать богатые мультимодальные рабочие процессы, позволяя пользователям без труда переходить от рассуждений и программирования к визуальной генерации в рамках одного взаимодействия.

Ling-2.6-flash is an instant (instruct) model from inclusionAI with 104B total parameters and 7.4B active parameters, designed for real-world agents that require fast responses, strong execution, and high token efficiency. It delivers performance comparable to state-of-the-art models at a similar scale while significantly reducing token usage across coding, document processing, and lightweight agent workflows.

Kling Video O1 — это модель генерации видео от Kuaishou. Она поддерживает ввод текста и изображений с выводом видео, позволяя создавать видео на основе текста и изображений. Модель подходит для производства кинематографического контента, обеспечивая контроль над первым и последним кадрами для точной композиции сцены. Она генерирует клипы длительностью 5 или 10 секунд в соотношениях сторон 16:9, 9:16 или 1:1.