Actualités de la génération et de l’édition d’images, de vidéos, de voix et de musique.
24 articles
Block a lancé Dessa, un modèle d'IA vocal entraîné exclusivement sur des conversations humaines. Contrairement aux systèmes traditionnels qui transcrivent la parole en texte, Dessa fonctionne en mode duplex complet, gérant les interruptions, les pauses et les nuances émotionnelles en temps réel.
Canva a lancé Craft, son premier modèle de génération d'images développé en interne. Contrairement aux modèles généralistes, Craft utilise une architecture en deux étapes qui planifie la composition et la typographie avant le rendu, permettant de générer des designs directement éditables sur la plateforme.
Quatre modèles de NVIDIA sont devenus publics le 20 octobre 2026 : deux systèmes d'embeddings, un reranker multimodal et un modèle d'édition d'image pour l'inspection de cartes. Tous fonctionnent sous la licence OpenMDW 1.1 et nécessitent une infrastructure propre.
Le 20 octobre 2026, Mistral AI a présenté quatre modèles audio : Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 et Voxtral TTS 3. La nouvelle génération propose une transcription avec diarisation, un support multilingue et une synthèse vocale avec clonage, accessibles en aperçu public via l'API.
Un préprint présente une méthode reliant un encodeur vocal à un LLM figé pour répondre à des questions fermées via des distributions sur des options, réduisant la latence dans les agents vocaux en temps réel.
Nemotron 3.5 Super VL est conçu pour interpréter des documents, graphiques, images et vidéos, et pour accompagner des tâches longues faisant appel à des outils. Les informations disponibles confirment le lancement et la taille du modèle, mais ne suffisent pas à établir ses performances de manière indépendante ni les besoins matériels de chaque déploiement.
Le nouveau modèle associe raisonnement, utilisation d’outils et compréhension du texte, des images, des documents et de la vidéo. NVIDIA annonce 12 milliards de paramètres actifs par jeton et des gains d’efficacité, mais les résultats publiés ne suffisent pas à établir une comparaison indépendante ni un coût d’inférence universel.
Google présente Argon à travers des exemples de commande robotique, de reconstruction de simulations et de raisonnement physique. Le score de 87 % annoncé sur ERQA et les séquences vidéo sont des résultats du fournisseur, pas des preuves indépendantes de performances générales.
OpenAI a confirmé tester la publicité dans ChatGPT. Les informations évoquant des annonces visuelles pendant la création d’images ne permettent pas encore de vérifier le moment exact de leur affichage, leur présentation ni leur portée.
La documentation disponible confirme que Qwen Image 2.1 prend en charge la génération et la retouche d’images. Elle ne suffit toutefois pas à vérifier les caractéristiques attribuées à Turbo ni à déterminer si huit étapes préservent la qualité du modèle de base.
La documentation de Google décrit la vérification des marques SynthID dans les images et les vidéos. La détection de cette marque peut fournir un indice sur l’origine d’un contenu, mais elle ne permet pas de déterminer si un fichier quelconque a été créé ou modifié par IA. Le lancement public, les conditions applicables à l’audio et d’autres détails ne sont pas confirmés par les informations disponibles.
Deux publications décrivent des modèles Microsoft de transcription en streaming et de synthèse vocale. La documentation fournie confirme une partie du contexte, mais ne vérifie pas indépendamment les chiffres de latence ni la portée des 23 langues annoncées.