Multimodal

Google hat Gemini 3.1 Flash Lite Image veröffentlicht – ein optimiertes Bildgenerator-Modell, das für Geschwindigkeit und Skalierbarkeit ausgelegt ist.

Google veröffentlicht zwei neue Modelle: Nano Banana 2 Lite generiert Bilder in vier Sekunden für 0,034 Dollar pro Bild, Gemini Omni Flash bringt Videogenerierung erstmals in die API.

Googles neues Spitzenmodell Gemini Omni Flash ist über eine API verfügbar und ermöglicht Entwicklern die Integration von Video-Verarbeitungs- und Conversational-Fähigkeiten in ihre Anwendungen.

Google stellt Gemini Omni Flash vor – ein Video-Modell, das Echtzeit-Konversation und interaktives Video-Editing in einem ermöglicht.

Das neue Video-KI-Tool Seedance 2.0 erzeugt native 4K-Videos ohne Hochskalierung – ein praktisches Tutorial zeigt, wie man dabei Kosten spart.

Das Frontier-Modell Qwen integriert embodied-AI-Fähigkeiten und erweitert damit seinen Einsatzbereich deutlich.

ByteDance stellt sein verbessertes Videomodell Seedance 2.5 vor, das Videos von bis zu 30 Sekunden Länge erzeugen kann – ein Meilenstein im Wettbewerb um Text-to-Video-KI.

Google DeepMind gründet eine langfristige Forschungspartnerschaft mit dem Filmstudio A24 und investiert knapp 75 Millionen Dollar in das Unternehmen.

OpenAI macht mit GPT-5.5 Instant grosse Fortschritte bei medizinischen Fragen und behauptet, dass ChatGPT Ärzte beim Thema Genauigkeit und Verständlichkeit übertrifft – mit einer um 71 Prozent gesunkenen Fehlerrate.

Google Gemma 4 12B versteht Text, Bilder und Audio – läuft kostenlos offline auf dem eigenen Rechner und wird von der Community gefeiert.

Ein neues Modell kombiniert Sprachverständnis mit 3D-Bewegungsvorhersage und kann komplexe menschliche Bewegungen aus natürlichsprachlichen Beschreibungen vorhersagen.

Microsoft-Forschung zeigt, wie Video-Modelle räumliche Szenen im latenten Raum speichern können – effizienter und stabiler als bisherige Ansätze.

Ein neues KI-Modell kann per Texteingabe Objekte in beliebigen Bildern zählen – von Menschenmengen bis zu Zellen – und halbiert dabei die Fehlerrate bestehender Systeme.

Ein experimentelles Web-Tool ermöglicht Sprachkonversationen mit OpenAIs neuem GPT-Realtime-2-Modell – jetzt auch mit der Möglichkeit, Dokumente hochzuladen und darüber zu sprechen.

HeyGen ermöglicht es Kreativen, aus kurzen Clips digitale Avatar-Zwillinge zu erstellen und Videos in über 175 Sprachen zu übersetzen – ohne jeden Take neu zu filmen.

Die Lernplattform Preply nutzt OpenAI, um automatisch Zusammenfassungen zu generieren und personalisiertes Feedback im Sprachenunterricht zu geben.

Ein neues Video-Generierungs-Tool namens Higgsfield Supercomputer soll den Stand der Technik weiterbringen – Test und Details in einer neuen Demo.

Neue Benchmark-Studie prüft, wie gut moderne ASR-Systeme mit gemischten Sprachen in realen Kundenkommunikationen zurechtkommen.

Googles neues Audio-Modell Gemini 3.5 Live Translate übersetzt Sprache in Echtzeit in über 70 Sprachen und bewahrt dabei Tonfall, Tempo und Stimmeigenschaften.

Apple zeigt auf der WWDC 2026 ein überarbeitetes Siri mit lizenzierten Gemini-Modellen, Vision-LLMs für Screen-Verständnis und eine neue Core AI Library für Entwickler – doch die Skepsis nach 2024 bleibt.