Novità nella generazione e modifica di immagini, video, voce e musica.
24 articoli
Block ha lanciato Dessa, un modello di intelligenza artificiale vocale addestrato esclusivamente su audio di conversazioni umane. A differenza dei sistemi tradizionali che trascrivono il parlato in testo, Dessa opera in modalità full-duplex, elaborando direttamente ingressi e uscite audio per gestire interruzioni, pause e sfumature emotive in tempo reale.
Canva ha lanciato Craft, il suo primo modello di generazione di immagini sviluppato internamente. A differenza dei modelli generalisti, Craft utilizza un'architettura a due fasi che pianifica la composizione e la tipografia prima del rendering, consentendo di generare design direttamente modificabili all'interno della piattaforma.
Quattro modelli di NVIDIA sono stati resi pubblici il 20 ottobre 2026: due sistemi di embeddings, un reranker multimodale e un modello di editing di immagini per l'ispezione di schede. Tutti operano sotto la licenza OpenMDW 1.1 e richiedono infrastruttura propria.
Il 20 ottobre 2026, Mistral AI ha presentato quattro modelli audio: Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 e Voxtral TTS 3. La nuova generazione offre trascrizione con diarizzazione, supporto multilingue e sintesi vocale con clonazione, disponibile in anteprima pubblica tramite la sua API.
Un preprint presenta un metodo che collega un codificatore vocale a un LLM congelato per rispondere a domande chiuse tramite distribuzioni su opzioni, riducendo la latenza negli agenti vocali in tempo reale.
Nemotron 3.5 Super VL è progettato per interpretare documenti, grafici, immagini e video e supportare attività prolungate con strumenti. Le informazioni disponibili confermano il lancio e la scala del modello, ma non bastano per stabilire le sue prestazioni indipendenti né quanta hardware NVIDIA richieda ogni implementazione.
Il nuovo modello combina ragionamento, uso di strumenti e comprensione di testi, immagini, documenti e video. NVIDIA dichiara 12 miliardi di parametri attivi per token e miglioramenti di efficienza, ma i risultati pubblicati non bastano a stabilire un confronto indipendente o un costo d’inferenza universale.
Google presenta Argon con esempi di controllo robotico, ricostruzione di simulazioni e ragionamento fisico. L'87% comunicato in ERQA e i casi in video sono risultati del fornitore, non prove indipendenti di una prestazione generale.
OpenAI ha confermato di stare testando la pubblicità in ChatGPT. Le informazioni sugli annunci visivi durante la creazione di immagini non consentono ancora di verificare quando comparirebbero, come sarebbero presentati né quale sarebbe la loro portata.
La documentazione disponibile conferma che Qwen Image 2.1 consente di generare e modificare immagini. Non basta, però, a verificare le specifiche attribuite a Turbo né a stabilire se otto passaggi mantengano la qualità del modello di base.
La documentazione di Google descrive la verifica dei watermark SynthID nelle immagini e nei video. Rilevare il watermark può fornire un’indicazione sull’origine del contenuto, ma non permette di stabilire se un file qualsiasi sia stato creato o modificato con l’IA. Le informazioni disponibili non confermano il lancio pubblico, le condizioni per l’audio né altri dettagli.
Due pubblicazioni descrivono modelli Microsoft per la trascrizione in streaming e la sintesi vocale. La documentazione fornita conferma parte del contesto, ma non verifica in modo indipendente i dati sulla latenza né la portata del supporto a 23 lingue.