Multimodal

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.

Adobe stellt seine generativen Audio-Tools in Firefly allen Nutzern zur Verfügung und integriert zusätzlich externe Modelle wie Googles Gemini, Runway und Kling.

Während Sora den Hype nicht erfüllte, entsteht um Studios wie Netflix und Start-ups wie Higgsfield ein echter KI-Videoproduktions-Markt mit Milliarden-Bewertungen.

Ein neuer Benchmark von Moonshot AI zeigt, dass kein Frontier-Modell 60 Prozent Genauigkeit beim reinen Bildlesen erreicht – viele vermeintliche Reasoning-Fehler entstehen bereits beim Sehen.

Suno baut seine KI-Musikplattform mit Studio 2.0 massiv aus: Chat-Interface für Instrumente, MIDI-Import und 32-Bit-Export für Bezahl-Abos – doch das widerspricht Sunos gerade angekündigten Download-Limits.

Eine Umfrage unter US-Radiologen zeigt: FDA-zugelassene KI-Tools zur Brustkrebserkennung erreichen in der Klinik nicht die erwarteten Verbesserungen.

Ein Creator hat 1000 Dollar in Seedance 2.5 investiert und testet das Video-Modell systematisch – mit konkreten Prompts und Erkenntnissen zum effizienten Umgang mit Credits.

Ein neues 3-Milliarden-Parameter-Modell für Vision-Aufgaben bringt erweiterte Fähigkeiten auf ressourcenschwache Geräte.

Eine technische Analyse zu Kompression, räumlicher Optimierung und Ausrichtung von Diffusions- und Multimodal-Modellen.

Meta veröffentlicht Muse Glimmer, ein 30-Milliarden-Parameter-Modell unter Apache-2.0-Lizenz, das speziell für agentenbasierte Aufgaben, zuverlässiges Tool-Use und mehrstufiges Reasoning optimiert ist.

Meta bringt mit Muse Glimmer ein 30-Milliarden-Parameter-Modell unter Apache-2.0-Lizenz zurück ins Spiel – optimiert für agentenbasierte Aufgabenvollendung, zuverlässige Tool-Nutzung und mehrstufiges Reasoning.

NVIDIA stellt Magpie TTS mit offenen Gewichten bereit – ein Text-to-Speech-Modell für latenzarme, mehrsprachige Voice-Agenten mit vollständiger Deployment-Kontrolle.

Meta bringt mit Muse Glimmer ein neues multimodales KI-Modell an den Start, das lokal läuft, agentic-Funktionen bietet und als Open Source verfügbar ist.