Neuigkeiten zur Erzeugung und Bearbeitung von Bildern, Videos, Sprache und Musik.
24 Artikel
Block hat Dessa veröffentlicht, ein KI-Sprachmodell, das ausschließlich mit menschlichen Gesprächsaudiodaten trainiert wurde. Im Gegensatz zu herkömmlichen Systemen, die Sprache in Text umwandeln, arbeitet Dessa im Voll-Duplex-Modus und verarbeitet Audioeingaben und -ausgaben direkt, um Unterbrechungen, Pausen und emotionale Nuancen in Echtzeit zu steuern.
Canva hat Craft vorgestellt, sein erstes intern entwickeltes Bildgenerierungsmodell. Im Gegensatz zu allgemeinen Modellen nutzt Craft eine Zwei-Stufen-Architektur, die Komposition und Typografie plant, bevor sie gerendert wird, und ermöglicht so die direkte Erstellung bearbeitbarer Designs in der Plattform.
Vier Modelle von NVIDIA wurden am 20. Oktober 2026 veröffentlicht: zwei Embedding-Systeme, ein multimodaler Reranker und ein Bildbearbeitungsmodell für die Platineninspektion. Alle laufen unter der Lizenz OpenMDW 1.1 und erfordern eigene Infrastruktur.
Am 20. Oktober 2026 hat Mistral AI vier Audio-Modelle vorgestellt: Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 und Voxtral TTS 3. Die neue Generation bietet Transkription mit Sprecherzuordnung, mehrsprachige Unterstützung und Sprachsynthese mit Klonung, verfügbar im öffentlichen Vorabtest über die API.
Ein Preprint stellt eine Methode vor, die einen Sprachencoder mit einem eingefrorenen LLM verbindet, um geschlossene Fragen über Wahrscheinlichkeitsverteilungen über Optionen zu beantworten und die Latenz in Echtzeit-Sprachagenten zu reduzieren.
Nemotron 3.5 Super VL ist für die Interpretation von Dokumenten, Grafiken, Bildern und Videos sowie für langandauernde Aufgaben mit Werkzeugen konzipiert. Die verfügbaren Informationen bestätigen den Launch und die Skalierung des Modells, reichen jedoch nicht aus, um unabhängige Leistungswerte oder den spezifischen Hardwarebedarf für jeden Deployment zu bestimmen.
Das neue Modell verbindet Schlussfolgern, Werkzeugnutzung und das Verstehen von Text, Bildern, Dokumenten und Videos. NVIDIA gibt 12 Milliarden aktive Parameter pro Token und Effizienzsteigerungen an. Die veröffentlichten Ergebnisse reichen jedoch nicht aus, um einen unabhängigen Vergleich oder allgemeingültige Inferenzkosten abzuleiten.
Google präsentiert Argon mit Beispielen für Robotiksteuerung, Simulationsrekonstruktion und physikalisches Reasoning. Die gemeldeten 87 % bei ERQA und die Video-Fälle sind Anbieterergebnisse, keine unabhängigen Beweise für eine allgemeine Leistungsfähigkeit.
OpenAI hat bestätigt, Werbung in ChatGPT zu testen. Berichte über visuelle Anzeigen während der Bilderstellung lassen sich bislang jedoch nicht verifizieren: Zeitpunkt, Darstellung und Reichweite sind unklar.
Die verfügbare Dokumentation bestätigt, dass Qwen Image 2.1 Bilder generieren und bearbeiten kann. Sie reicht jedoch nicht aus, um die Turbo zugeschriebenen Spezifikationen zu überprüfen oder festzustellen, ob acht Schritte die Qualität des Basismodells erhalten.
Google dokumentiert die Überprüfung von SynthID-Wasserzeichen in Bildern und Videos. Ein erkannter Hinweis kann Aufschluss über die Herkunft eines Inhalts geben, beweist aber nicht, dass beliebige Dateien nicht mit KI erstellt oder verändert wurden. Der öffentliche Start, die Bedingungen für Audio und weitere Details sind mit den verfügbaren Informationen nicht bestätigt.
Zwei Veröffentlichungen beschreiben Microsoft-Modelle für Streaming-Transkription und Sprachsynthese. Die vorliegenden Unterlagen bestätigen einen Teil des Kontexts, verifizieren aber weder die Latenzangaben noch unabhängig den Umfang der Unterstützung für 23 Sprachen.