Sprache und Audio
NVIDIA veröffentlicht Nemotron 3.5 Transcribe und Granary v2 auf Hugging Face
NVIDIA hat einen Blogbeitrag auf Hugging Face veröffentlicht, in dem Nemotron 3.5 Transcribe und Granary v2 vorgestellt werden. Das Unternehmen beschreibt das…
AssemblyAI startet Sprachmodell TTS-1 für 15 Dollar pro 1 Mio. Zeichen
AssemblyAI hat sein Text-to-Speech-Modell AssemblyAI-TTS-1 allgemein verfügbar gemacht. Es richtet sich an Entwickler von Sprachagenten. Laut Unternehmen streamt es…
Inworld TTS 2 bei Novita AI: Sprachklonen und steuerbarer Vortragsstil per API
Novita AI hat Inworld TTS 2 als synchrone API zur Sprachgenerierung freigeschaltet. Entwickler können damit steuern, wie stark eine Stimme variiert, eine Stimme aus…
Produkte und ToolsPixazo startet Agent P: KI per Chat, die das passende Modell selbst auswählt
Pixazo hat Agent P vorgestellt, einen Konversations-Agenten, der aus Anfragen in Alltagssprache Bilder, Videos, visuelle Effekte und Audio erzeugt. Laut Unternehmen…
PyTorch 2.15 bringt FP8 und deutlich schnelleres MoE-Decoding auf den Mac
PyTorch 2.15 unterstützt float8_e4m3fn im MPS-Backend und lässt Mixture-of-Experts-Modelle auf Apple Silicon laut dem PyTorch-Team von Hugging Face 5- bis 6,5-mal…
SageMaker JumpStart nimmt 2026 mehr als 100 Modelle von 30 Anbietern auf
Amazon SageMaker JumpStart hat zwischen Januar und September 2026 mehr als 100 neue Modelle von 30 verschiedenen Anbietern aufgenommen, wie AWS mitteilt. Zudem meldet…
Apple-Forscher erkennen Code-Switching direkt im Sprachencoder
Apple-Forscher haben eine schlanke Methode vorgestellt, die Code-Switching, also den Wechsel zwischen Sprachen innerhalb einer Äußerung, direkt aus Audiodaten erkennt.…
Gradium TTS erreicht auf Baseten 155 ms bis zum ersten Audio
Gradiums Text-to-Speech-Modell für KI-Sprachagenten in Echtzeit ist jetzt als dedizierte Bereitstellung in der Model Library von Baseten verfügbar. Laut Baseten liefert…
Vercel nimmt Grok Imagine Video 1.5 Lite von xAI ins AI Gateway auf
Vercel hat Grok Imagine Video 1.5 Lite von xAI in seinem AI Gateway verfügbar gemacht. Das schlanke Modell erzeugt aus Textprompts und Bildern Videos mit nativem Ton.
Krisp: Ein FP16-Schalter verdoppelt in etwa die Zahl der Voice-Isolation-Anrufe pro Server
Laut Krisp sorgt eine einzige SDK-Einstellung, enableLowPrecisionExecution, dafür, dass dasselbe Voice-Isolation-Modell auf CPUs mit nativer FP16-Unterstützung etwa…
ElevenLabs bringt neun Text-to-Speech- und zwei Speech-to-Text-Modelle zu OpenRouter
ElevenLabs ist jetzt auf OpenRouter verfügbar, mit neun Text-to-Speech-Modellen und zwei Speech-to-Text-Modellen. Apps, die bereits ein Sprachmodell über die Plattform…
Top-MeldungGoogles KI-Rückblick für September: Gemini 4 Argon, Connected Apps und Googlebook
Google hat seinen KI-Rückblick für September 2026 veröffentlicht. Im Mittelpunkt steht Gemini 4 Argon, ein Frontier-Modell mit einem Ausgabelimit von 1 Million Token…
Microsoft AI startet Streaming-Transkriptionsmodell und zwei Sprachmodelle
Microsoft AI hat mit MAI-Transcribe-2-Streaming sein erstes Streaming-Transkriptionsmodell vorgestellt, das nach Angaben des Unternehmens direkt auf Platz 1 bei…
AWS zeigt Multi-Agent-Musikpipeline auf Bedrock AgentCore Runtime Instances
AWS hat eine praxisnahe Anleitung für eine Musikproduktions-Pipeline mit drei Agenten auf Amazon Bedrock AgentCore Runtime Instances veröffentlicht, einer neuen…
AssemblyAI: Gängige WER-Benchmarks können bessere Transkriptionsmodelle benachteiligen
AssemblyAI zufolge kann der gängige Benchmark auf Basis der Wortfehlerrate (WER) ein besseres Speech-to-Text-Modell schlechter dastehen lassen. Nachdem Kunden gemeldet…