WaveSpeed Blog - Page 57

Molmo2-4B Video Captioner: ビデオの詳細で正確なキャプションを生成でき、カスタマイズ可能な詳細レベル（低、中、高）に対応しています。オープンソースのビジョン言語モデル

Molmo2-4B Text Content Moderator: テキストコンテンツの安全性、適切性、ポリシー準拠を分析します。ヘイトスピーチ、暴力、性的コンテンツなどを検出

Molmo2-4B Video Content Moderatorは、ビデオコンテンツの安全性、適切性、ポリシー準拠性を分析します。暴力、ヌード、グロ、その他の有害なコンテンツを検出します

Molmo2-4B Video QA：ビデオコンテンツに関する質問に時間的理解を持って答えます。オープンソースのビジョンランゲージモデル。すぐに使えるREST API、コールドスタートなし

Molmo2-4B Video Understanding: 専門的なタスク（一般分析、要約、詳細分析、カウント、シーン説明）でビデオを分析します。オープンソースのビジョン言語モデル

OpenAI Whisper Large v3（ビデオ音声認識）は、ビデオファイルから直接高精度な多言語文字起こしを提供し、自動言語検出とオプション機能を備えています

PaddleOCR-VLは、ドキュメント解析用の超小型0.9Bパラメータビジョンランゲージモデルで、109言語をサポートし、テキスト、表、数式、チャート認識に対応しています

Qwen-Image-2512 LoRA Trainerは、スタイル、キャラクター、オブジェクトのトレーニングで、カスタムLoRAモデルを10倍高速でトレーニングできます。コンセプトからモデルまで、数時間ではなく数分で実現します。

Qwen-Image-2512 LoRAは、LoRAサポート付きの強化版20B MMDiTテキスト画像生成モデルで、高速カスタマイズと洗練された画像生成が可能です。すぐに使用可能なREST推論機能付き

WaveSpeed Video Background Removerはビデオの背景をカスタム画像に置き換えたり削除したりします。ビデオをアップロードまたはリンクを貼り付けて、背景画像を提供してください

Z-Image-Turbo ControlNetは、構造的制御信号（深度、Canny エッジ、ポーズ）によってガイドされた画像を生成し、正確な構成制御を実現します。すぐに使用可能な REST インターフェース

Grok 2 Imageはxaの最新画像生成モデルで、シンプルなテキストプロンプトを数秒で鮮明でフォトリアルなビジュアルに変換します。製品写真からソーシャルメディア