EXE
リリースページから使用するプラットフォームのEXEをダウンロードして実行します。
ホーム画面にはモデルのカードが一覧表示されます。カードをタップすると、そのモデルのデモ画面に移動します。デモ画面右上のドロップダウンから推論に使用する実行環境(CPU/GPUなど)を選択できます。LLM系のモデルではailia LLM用のバックエンド一覧に切り替わります。
モデルが端末にない場合は、初めてRunや送信をタップしたときにダウンロードします。ダウンロード中は進捗バーが表示されます。ダウンロードしたモデルはアプリ内に保存されて次回から再利用され、ダウンロード済みのモデルはホーム画面のカードにチェックマークが表示されます。
画像系モデルではImageまたはWeb Cameraを選択してRunをタップします。Imageではプリセット画像に対して1回推論を行い、Web Cameraではカメラ映像に対してリアルタイムに推論を行います(Stopで停止)。
対応モデル: ResNet50、ViT-B/16
画像をImageNetのカテゴリに分類します。ImageまたはWeb Cameraを選択してRunをタップすると、スコアが高い上位3カテゴリを表示します。
対応モデル: Segment Anything 2、Segment Anything 3.1
Segment Anything 2は、Runをタップすると画像をエンコードし、指定した点にあるオブジェクトをセグメンテーションします。画像またはカメラプレビューをタップすると、その位置を対象として再セグメンテーションします。
Segment Anything 3.1は、Text promptに検出したいオブジェクト名(例: truck)を英語で入力してRunをタップすると、テキストに一致するインスタンスのマスクとBounding Boxを表示します。処理が重いため、Web Camera選択時もリアルタイムではなく現在のフレームに対して1回推論を行います。
対応モデル: U-2-Net
画像から前景を抽出します。ImageまたはWeb Cameraを選択してRunをタップすると、前景抽出の結果を表示します。
対応モデル: YOLOX-S、Detic
画像内の物体を検出します。ImageまたはWeb Cameraを選択してRunをタップすると、カテゴリ名とBounding Boxを表示します。Deticではマスクも表示され、認識解像度を320px (fast)と640px (accurate)から選択できます。
対応モデル: ByteTrack(YOLOX-S + ailia Tracker)
検出した物体を追跡します。Web Cameraを選択してRunをタップすると、物体ごとにTracking IDと移動軌跡をBounding Boxとともに表示します。
対応モデル: Lightweight Human Pose
人物の姿勢を推定します。ImageまたはWeb Cameraを選択してRunをタップすると、関節点と骨格を表示します。
対応モデル: Whisper Tiny、Whisper Small、Whisper Medium、Whisper Large V3 Turbo、SenseVoice Small
音声認識を行います。Audio Fileではプリセット音声をRunで認識し、タイムスタンプ付きの認識結果を表示します。MicrophoneではRunをタップしてからマイクに向かって発言すると、VAD単位で認識結果が順次追加され、Stopで終了します。Live transcribeを有効にすると中間結果も表示します。メモリの少ない端末ではUse virtual memoryを有効にすると、仮想メモリを使用して動作させることができます。
対応モデル: Multilingual-E5、FuguMT EN-JA、FuguMT JA-EN
Multilingual-E5は文章の埋め込みベクトルを計算します。Reference 1〜3とQueryに文章を入力してRunをタップすると、Queryと各Referenceのコサイン類似度を表示し、最も近い文に★を付けます。
FuguMTは英日・日英の翻訳を行います。Text to translateに文章を入力してRunをタップすると、翻訳結果を表示します。
対応モデル: Tacotron2、GPT-SoVITS JA、GPT-SoVITS EN、GPT-SoVITS ZH、GPT-SoVITS V2Pro Distill JA
入力した文章から音声を合成します。Text to speakに文章を入力してRunをタップすると、合成した音声を再生し、波形を表示します。リプレイボタンで直前の合成音声をもう一度再生できます。
対応モデル: Gemma 2 2B、Gemma 4 E2B、Gemma 3 4B Multimodal(いずれもQ4_K_M)
Gemma 2 2BとGemma 4 E2Bはテキストによる対話を行います。Messageにメッセージを入力して送信ボタンをタップすると、生成結果を順次表示します。マルチターンの会話に対応しており、システムプロンプトの編集と会話のクリアも行えます。
Gemma 3 4B Multimodalは画像について質問できます。Imageではプリセット画像、Web Cameraではカメラ画像を使用し、Queryに質問を入力してRunをタップします。