ERNIE（文心）は、中国の Baidu が開発している基盤モデルシリーズである。テキストだけでなく画像・映像・音声までを単一の自己回帰フレームワークで扱う「ネイティブマルチモーダル」を掲げ、2025年11月に発表された ERNIE 5.0 では 2.4 兆パラメータ規模の統合マルチモーダルモデルとして公開された。2026年5月には後継の ERNIE 5.1 が登場し、国際的なベンチマークやリーダーボードで上位に食い込むようになっている。一般ユーザーはチャット製品の ERNIE Bot から、開発者は Baidu のクラウド経由の API から利用できる。
主な特徴
- ネイティブマルチモーダルの統合モデリング: テキスト・画像・映像・音声を別々のモジュールで後付けするのではなく、ひとつのフレームワークの中で理解と生成をまとめて扱う設計。文章の読み書きと、画像や動画の内容理解を同じモデルで連続的に扱える
- ERNIE 5.0 と ERNIE 5.1 の二段構え: ERNIE 5.0 は 2.4 兆パラメータ規模の大型モデル。2026年5月公開の ERNIE 5.1 は Mixture-of-Experts（専門家混合）構成で、総パラメータを絞りながら推論・エージェント的なツール利用・長文の創作といった領域を強化している
- 学習コスト効率の高さ: Baidu は ERNIE 5.1 について、同等クラスのモデルと比べて事前学習コストの約 6% で到達したと公表している。大規模モデルの開発費が話題になりやすい中で、効率面を前面に出しているのが特徴
- 国際ベンチマークでの継続的な上位評価: 言語・マルチモーダル理解の各種ベンチマークや LMArena 系のリーダーボードで、中国発モデルの最上位クラス、かつ世界でも上位に位置づけられる評価が続いている
- 派生モデルとツール群: テキストから画像を生成する ERNIE-Image、文書レイアウトを解析する PaddleOCR-VL 系など、用途別の派生モデルが同じ ERNIE ファミリーとして公開されている
- チャットと API の両方から使える: 一般利用者向けにはチャット製品の ERNIE Bot（文心一言）、開発者・企業向けには Baidu のクラウドプラットフォーム経由の API が用意されている
料金
| プラン | 料金 | 主な内容 |
|---|---|---|
| ERNIE Bot（チャット） | 無料 | Baidu は 2025年4月にチャット製品を一般公開・無料化しており、最新世代のモデルもチャットから試せる |
| API（Baidu クラウド経由） | 従量課金（要確認） | トークン単位の従量課金。モデルごとに単価が異なるため、実際の単価は Baidu の料金ページで確認が必要 |
| 企業向け・オンプレミス相当 | 要問い合わせ | 大規模利用や個別要件は営業窓口経由 |
料金は2026年8月時点の情報です。最新の料金は公式サイトをご確認ください。API の単価は第三者の集計サイトにも掲載されているが、値が食い違うことがあるため、必ず Baidu 公式の料金ページで確認することをおすすめする。
メリット・デメリット
✅ メリット
- テキストと画像・映像・音声をまたぐ処理を、ひとつのモデル系列で完結させられる
- チャット製品が無料で開放されており、導入前に品質を試しやすい
- 国際ベンチマークで上位評価が続いており、中国語圏以外の一般的なタスクでも実用水準に達している
- 画像生成（ERNIE-Image）や文書解析など、用途別の派生モデルが同じファミリーで揃っている
- 学習コスト効率を重視した設計方針のため、API 単価も比較的抑えられた水準で提供されてきた
⚠️ デメリット
- 公式サイト・ドキュメント・管理画面の多くが中国語中心で、日本語での情報が乏しい
- API 利用には Baidu クラウドのアカウント登録が必要で、日本から使う場合は登録手続きや決済のハードルが高い
- 中国の規制環境下で運用されるため、扱えるトピックや出力内容に制約がある
- 業務データを扱う場合、データの保存先や取り扱いに関する社内ポリシーとの整合を事前に確認する必要がある
- モデルの改訂サイクルが速く、バージョン間で挙動が変わりやすい
類似サービスとの比較
| 比較項目 | ERNIE | Qwen | DeepSeek | Gemini |
|---|---|---|---|---|
| 提供元 | Baidu（中国） | Alibaba（中国） | DeepSeek（中国） | Google（米国） |
| 強み | マルチモーダルの統合設計、検索・中国語圏サービスとの近さ | オープンウェイトの品揃えの広さ | 推論性能とコスト効率 | Google 製品との連携、エコシステムの広さ |
| マルチモーダル | テキスト・画像・映像・音声 | テキスト・画像・音声（モデルによる） | テキスト中心（派生でマルチモーダル） | テキスト・画像・映像・音声 |
| オープンウェイト | 一部モデルを公開 | 多数を公開 | 主要モデルを公開 | 非公開 |
| 日本語の情報量 | 少ない | 中程度 | 中程度 | 多い |
こんな人におすすめ
- 中国市場向けのサービスや、中国語コンテンツの生成・理解を伴う業務を担当している人
- テキストと画像・映像をまたぐ処理を、ひとつのモデル系列でまとめて試したい開発者
- 主要な大規模モデルの実力を横並びで比較したく、中国発モデルの現在地を自分で確かめたい人
- API の単価を抑えつつ、一定水準以上のベンチマーク評価を持つモデルを探しているチーム
- 画像生成や文書解析まで含めて、同じベンダーのモデル群で揃えたい人
まとめ
ERNIE は、Baidu が長く開発を続けてきた基盤モデルシリーズで、ERNIE 5.0 以降は「テキストも画像も映像も音声も、ひとつのモデルで扱う」方向に大きく舵を切っている。国際的なリーダーボードでも上位に入るようになり、中国語圏に閉じたモデルという位置づけからは抜け出しつつある。一方で、日本語での情報が少ないこと、API 利用に Baidu クラウドのアカウントが必要なこと、規制環境に由来する制約があることは、導入前に押さえておきたい点である。まずは無料のチャット製品で出力の質を確かめ、そのうえで API 利用の可否を検討するのが現実的だろう。