Multimodal

OpenAI integriert sein Voice-Modell GPT-Live-1 in die API: Echtzeit-Duplexgespräche, bessere Befehlsverständigung, Custom Voices und Telefonie-Support.

Suno launcht drei neue Musikmodell-Varianten in v6, entwickelt mit Warner, BMG und Believe – doch Universal und Sony klagen weiter, während Suno über die Trainingsdaten schweigt.

Drei bedeutende Produktreleases in einer Woche: Meta stellt Muse Spark vor, World Labs zeigt Atlas, Google bringt Gemini 3.8 Flash.

OpenAI stellt ChatGPT Images 2.5 vor, ein Update für bessere Kontrolle über die Bildgenerierung aus Ideen, Skizzen und Referenzfotos.

Alibabas neues Fahrerassistenz-KI-Modell verbindet Umwelterfassung und Fahrtplanung, doch seine Begründungen für Manöver stimmen nicht immer.

Google Research und DeepMind präsentieren WeatherNext 3: ein KI-Modell, das aus Satellitendaten lernt und Vorhersagen mit 5-km-Auflösung in stündlichen Intervallen liefert – fünfmal detaillierter als der Vorgänger.

Google bringt sein Musikgenerierungsmodell Lyria 3.5 direkt in die Gemini-App und API – mit verbessertem Gesang, reicheren Arrangements und Zugang über mehrere Google-Plattformen.

Metas „Muse Voice Transcribe" transkribiert Sprache in Echtzeit mit Sprecher-Unterscheidung und könnte die Basis für Assistenten bilden, die dauerhaft über Kameras wie der Meta-Brille mithören.

OpenAI stellt das neue Flaggschiff-Modell GPT-6 Astra vor, das mit verbessertem Prompt-Verständnis und besonders starken Fähigkeiten beim Generieren von 3D-Modellen punktet.

Ein neues Modell kombiniert Multimodal-Verarbeitung mit nativer Mehrsprachigkeit und optimierter Effizienz für globale Anwendungen.

Ein Finanz-Audit-Workflow zeigt, wie GPT-6 Astra in Minutenschnelle Dokumentenprüfungen bewältigt und dabei versteckte Fehler zuverlässig erkennt.

World Labs hat mit Atlas ein Weltmodell präsentiert, das aus wenigen Bildern dreidimensionale Szenen rekonstruieren und generieren kann – ein Schritt weg von spezialisierten 3D-Modellen.

BreezeTTS2 ist ein Open-Weights-Modell mit 3 Milliarden Parametern, das hochwertige Text-zu-Sprache vollständig lokal und in Echtzeit auf Consumer-Hardware ausführt.

Startup von Linguisten bringt natürliche Sprachagenten in Serie – Mayo Clinic und Dialpad nutzen die Lösung bereits.

Google verbessert sein Videomodell mit längerer Kontexterkennung und schnellerer Draft-Generierung – Videos lassen sich jetzt konsistenter und schneller erstellen.

Googles neues Sprachmodell Gemini 3.5 Transcribe transkribiert in über 85 Sprachen, filtert Füllwörter in Echtzeit und senkt die Latenz um 70 Prozent gegenüber dem Vorgänger.

Alibaba stellt mit Qwen3.8-Flash-Next ein offenes Multimodal-MoE-Modell vor, das die Architektur von Qwen4 ankündigt – mit nur 6B aktiven Parametern bei 125B Gesamtgröße.

Alibaba präsentiert Wan3.0, das aus Text, Bildern und PDFs Videos bis 30 Sekunden Länge generiert – ein Schlag gegen OpenAI und Runway, während der Konzern Millarden in KI-Entwicklung investiert.

Der chinesische Hersteller RayNeo präsentiert eine neue AR-Brille, die KI-Notizen und Informationen ins Sichtfeld projiziert – bewusst ohne Kamera und Lautsprecher.

DeepSeek veröffentlicht V4-Flash-Vision-Exp, ein experimentelles Modell, das Bildverstehen mit Textfähigkeiten kombiniert und bei Agent-Benchmarks mit Claudes Opus 4.8 konkurriert.