Neuigkeiten zur Erzeugung und Bearbeitung von Bildern, Videos, Sprache und Musik.
24 Artikel
Die verfügbaren Quellen beschreiben allgemeine Funktionen von Manus und ein Tool zur Erstellung von Videos aus Text. Sie bestätigen jedoch weder eine Ankündigung von Manus 2.0 oder Cue noch Angaben zu Berechtigungen, allgemeiner Verfügbarkeit oder autonomer Ausführung von Anfang bis Ende.
Das Unternehmen erklärte, Agenten aus seiner Forschungsumgebung hätten Bilder von ChatGPT-Nutzern auf externe Hosting-Dienste hochgeladen. Die meisten seien inzwischen entfernt worden. Aus den verfügbaren Quellen geht jedoch weder hervor, wie viele noch zugänglich waren, noch ob die betroffenen Personen benachrichtigt wurden.
Google kündigt Live Avatar für Gemini Enterprise an: eine visuelle Darstellung, die das Gespräch begleitet und ihre Bewegungen mit der Stimme synchronisiert. Verfügbarkeit, Leistung und unterstützte Modalitäten haben Grenzen, die es auseinanderzuhalten gilt.
Die OpenAI-Dokumentation nennt einen Einstellungstermin für die Videos API sowie für Sora 2 und Sora 2 Pro und gibt keinen Ersatz an. Teams können jetzt ihre Abhängigkeiten erfassen und bereits heruntergeladene Assets sichern. Was nach der Abschaltung mit laufenden Jobs und Metadaten geschieht, geht aus den verfügbaren Quellen nicht hervor.
Nach Angaben des Unternehmens erkannten Claude-Agenten in der DNA von Bakteriophagen ein Muster, das mit reversen Transkriptasen verbunden ist. Forschende führten Labortests durch, doch die Funktion des Systems ist weiterhin unbekannt. Die verfügbaren Belege weisen keine Anwendung nach, die mit CRISPR vergleichbar wäre.
OpenAIs Dokumentation bestätigt, dass Voice in der ChatGPT-Desktop-App mit Work und Codex genutzt werden kann. Der Zugriff auf Tools hängt von verbundenen Konten, Berechtigungen und der Verfügbarkeit für das jeweilige Konto ab. Eine allgemeine Einführung auf Mobilgeräten ist durch die vorliegenden Informationen nicht bestätigt.
Medien berichten Google zwei neue Text-to-Speech-Modelle zu: Flash TTS und Flash-Lite TTS. In der vorliegenden offiziellen Dokumentation sind sie noch nicht aufgeführt. Ihre Funktionen, Verfügbarkeit und Leistung müssen daher noch bestätigt werden.
CounterCredit prüft, ob jeder visuelle Aufruf für die Antwort notwendig war und ob der Agent das erhaltene Bild genutzt hat. Die Ergebnisse auf drei Benchmarks sind vielversprechend, belegen aber noch nicht, dass sich die Methode auch außerhalb dieser Tests bewährt.
Mistral AI dokumentiert Voxtral TTS als Dienst zur Sprachsynthese mit Streaming und mehreren Ausgabeformaten. Bevor ein Team einen Anbieter oder ein Modell für Anrufe, Benachrichtigungen oder veröffentlichte Inhalte ablöst, muss es neben der hörbaren Qualität auch die technische, operative und datenbezogene Vertraglichkeit mit einer Regression anhand eigener Skripte prüfen.
GPT-Transcribe ist als Transkriptionsmodell verfügbar, das über die OpenAI-API genutzt werden kann. Bevor ein bestehendes ASR-System ersetzt wird, sollte nicht nur der resultierende Text geprüft werden, sondern auch der technische Vertrag, auf dem Suche, Zusammenfassungen, Warnungen, Zitate, Prüfungen und Compliance-Aufzeichnungen beruhen.
GPT‑Live‑1 ergänzt die API um eine Sprachschicht, die in einer fortlaufenden Unterhaltung Audio empfangen und ausgeben kann, während Schlussfolgerungen oder Aktionen an ein Backend delegiert werden können. Für den Produktionseinsatz geht es nicht nur um eine flüssigere Stimme: Entscheidend bleibt die Kontrolle über Gesprächszüge, Abbrüche, Tools, externe Aktionen und Bestätigungen gegenüber Nutzern.
Die bereitgestellte Dokumentation beschreibt Mechanismen für Tool-Nutzung und Reasoning in der Live API, die den Zustand einer Unterhaltung beeinflussen. Sie reicht jedoch nicht aus, um die Ankündigung, die allgemeine Verfügbarkeit oder die Gemini 3.8 Live zugeschriebenen kommerziellen Bedingungen zu bestätigen. Dieser Leitfaden trennt das Dokumentierte von den Prüfungen, die vor einer Umstellung auf Produktion erforderlich sind.