Novidades na geração e edição de imagens, vídeo, voz e música.
24 artigos
A Block lançou o Dessa, um modelo de IA de voz para voz treinado exclusivamente com áudio de conversas humanas. Diferente dos sistemas tradicionais que transcrevem fala para texto, o Dessa opera em modo full-duplex, processando entradas e saídas de áudio diretamente para gerenciar interrupções, pausas e nuances emocionais em tempo real.
A Canva lançou o Craft, seu primeiro modelo de geração de imagens desenvolvido internamente. Diferente dos modelos generalistas, o Craft utiliza uma arquitetura de duas etapas que planeja a composição e a tipografia antes de renderizar, permitindo gerar designs editáveis diretamente na plataforma.
Quatro modelos da NVIDIA tornaram-se públicos em 20 de outubro de 2026: dois sistemas de embeddings, um reranker multimodal e um modelo de edição de imagem para inspeção de placas. Todos operam sob a licença OpenMDW 1.1 e exigem infraestrutura própria.
Em 20 de outubro de 2026, a Mistral AI apresentou quatro modelos de áudio: Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 e Voxtral TTS 3. A nova geração oferece transcrição com diarização, suporte multilíngue e síntese de voz com clonagem, disponível em pré-visualização pública através da sua API.
Um preprint apresenta um método que conecta um codificador de voz a um LLM congelado para responder perguntas fechadas por meio de distribuições sobre opções, reduzindo a latência em agentes de voz em tempo real.
O Nemotron 3.5 Super VL foi concebido para interpretar documentos, gráficos, imagens e vídeos e apoiar tarefas prolongadas com uso de ferramentas. As informações disponíveis confirmam o lançamento e a escala do modelo, mas não são suficientes para estabelecer seu desempenho independente nem o hardware necessário para cada implantação.
O novo modelo combina raciocínio, uso de ferramentas e compreensão de texto, imagens, documentos e vídeo. A NVIDIA declara 12 bilhões de parâmetros ativos por token e melhorias de eficiência, mas os resultados publicados não bastam para estabelecer uma comparação independente nem um custo universal de inferência.
A Google apresenta o Argon com exemplos de controle robótico, reconstrução de simulações e raciocínio físico. O 87% comunicado no ERQA e os casos em vídeo são resultados do fornecedor, não provas independentes de um desempenho geral.
A OpenAI confirmou que está testando publicidade no ChatGPT. Relatos sobre anúncios visuais durante a criação de imagens ainda não permitem verificar quando apareceriam, como seriam apresentados ou quem alcançariam.
A documentação disponível confirma que o Qwen Image 2.1 permite gerar e editar imagens. No entanto, não é suficiente para verificar as especificações atribuídas ao Turbo nem para saber se oito etapas mantêm a qualidade do modelo-base.
A documentação do Google descreve a verificação de marcas SynthID em imagens e vídeos. Detectar essa marca pode fornecer um indício sobre a origem do conteúdo, mas não permite determinar se qualquer arquivo foi criado ou alterado com IA. O lançamento público, as condições para áudio e outros detalhes não estão confirmados com as informações disponíveis.
Duas publicações descrevem modelos da Microsoft para transcrição em streaming e síntese de voz. A documentação fornecida confirma parte do contexto, mas não verifica de forma independente os números de latência nem o alcance dos 23 idiomas.