Multimodal

Ein neues, skalierbares Evaluierungs-Framework ermöglicht standardisierte Benchmarks für Text-to-Speech-Systeme und Voice-Cloning-Technologien über mehrere Sprachen hinweg.

Der Chipkonzern AMD übernimmt das Weltmodell-Startup World Labs und sichert sich damit eine eigene Forschungseinheit für physische KI-Modelle unter Leitung der ImageNet-Pionierin Fei-Fei Li.

ElevenLabs launcht Eleven v4 mit verbesserter Umsetzung von Sprechanweisungen und Echtzeit-Latenz für Voice-Agenten.

Claude Opus 5.5 zeigt eine seltene Fähigkeit beim Erstellen von Explainer-Videos.

Google stellt Gemini Live Avatars allgemein zur Verfügung – KI-Charaktere, die in 97 Sprachen mit Nutzern sprechen und sogar miteinander diskutieren können.

Nvidia veröffentlicht Nemotron 3 Diarization – ein frei verfügbares KI-Modell, das bis zu acht Sprecher in Gesprächsaufnahmen in Echtzeit unterscheidet.

OpenAIs neues Modell GPT-6 Astra kann mit 80 Prozent Trefferquote auf Fotos erkennen, ob ein IKEA-Möbelstück falsch zusammengebaut wurde – ein dramatischer Sprung von 28 Prozent im November 2025.

Runway zeigt mit WorldPrompt und dem Worlds-2-Modell, wie man Echtzeit-Videogenerierung durch persistente Kontexte und zeitgesteuerte Befehle lenkt.

Google präsentiert eine erweiterte Text-to-Speech-Engine mit Voice Cloning, über 2.000 verfügbaren Stimmen und Kontrolle über Sprecher-Stile – Hands-on-Überblick in Video und Colab.

Black Forest Labs bringt ein spezialisiertes KI-Modell für Robotik auf den Markt, das aus Kamerabildern lernt, welche Aktionen Roboter ausführen sollen.

Ein neues Optimierungsverfahren beschleunigt Vision-Language-Modelle erheblich, ohne dabei Genauigkeit einzubussen.

Google präsentiert neue Text-zu-Stimme-Modelle, die über 100 Sprachen sprechen und per Textbeschreibung individuelle Stimmen generieren können.

NVIDIA stellt Nemotron 3 Diarization vor – ein Modell, das automatisch erkennt, wer in Audio-Aufnahmen spricht, und dabei etablierte Konkurrenten deutlich schlägt.

Radical Numerics nutzt spezialisierte KI-Techniken wie biologisches Chain-of-Thought und multimodale Wahrnehmung, um im Bio-Sicherheits-Wettkampf Schritt zu halten und neue Genome zu designen.

Alibabas Qwen-Team lanciert fünf spezialisierte Audio-Modelle für verbesserte Spracherkennung in mehreren Sprachen, Sprachsynthese und emotionale Echtzeitinteraktion.

Ein Start-up kooperiert mit AWS an einem Text-zu-Video-Modell, das durch eine von echten Gehirnzellen inspirierte Software-Schicht fünfmal schneller und 80 Prozent günstiger arbeiten soll.

ByteDance startet Dramagic – eine KI-Plattform, die Kurzdramen von Skript bis Videovorschau vollautomatisch produziert und in China bereits massiv genutzt wird.

Mit GPT-6 Astra bringt Higgsfield AI neue Video-Funktionen in Rekordzeit auf den Markt und ermöglicht kleinen Unternehmen einfachere Anzeigenerstellung.

Alibaba veröffentlicht ein Open-Weight-Modell, das Bildgenerierung und -bearbeitung kombiniert und lokal auf Consumer-GPUs läuft.

Tencent stellt Gander vor – ein Forschungsmodell, das Nutzer in Echtzeit verstehen und unterbrechbar Aufgaben ausführen kann.