Finde Modelle, Firmen und Themen

Das chinesische KI-Unternehmen Qwen hat heute sein neuestes multimodales Modell Qwen3.6-35B-A3B vorgestellt. Das Modell kombiniert die Fähi…

In einer neuen Studie auf arXiv wird deutlich, dass die klassische Annahme, Anomalien seien unabhängig vom Kontext, in der Praxis zu Fehlin…

Moderne multimodale Large Language Models (MLLMs) können dank der Kombination von Text, Bild, Audio und Video fließende Antworten generiere…

Google hat Gemini 3.1 Flash TTS vorgestellt, ein Preview-Modell für Text‑zu‑Speech, das sich auf Klangqualität, Ausdrucksstärke und Mehrspr…

In einer kürzlich veröffentlichten Arbeit auf arXiv wird ein bedeutender Fortschritt in der Theorie der konditionalen Diffusionsmodelle vor…

NVIDIA in Zusammenarbeit mit Forschern der University of Maryland hat das neue Audio-Flamingo-Next (AF‑Next) vorgestellt, ein großes, offen…

Die Sicherstellung, dass Text‑zu‑Speech‑Systeme (TTS) in großem Maßstab die von Menschen wahrgenommene Qualität liefern, bleibt eine zentra…

Mit Amazon Nova Embeddings wird die Suche nach Audioinhalten zum Kinderspiel. Die Technologie wandelt jedes Stück Audio in einen mathematis…

Audio‑Visual Large Language Models (AVLLMs) gelten als vielversprechende Schnittstelle für multimodale Wahrnehmung. In einer ersten mechani…

Ein innovatives Verfahren zur Audio-Visual Navigation nutzt nun gezielt räumliche Audioinformationen, um die autonome Wegfindung in komplex…

Eine aktuelle Arbeit auf arXiv beleuchtet die anhaltenden Risiken, die selbst „aligned“ KI‑Agenten mit Dateisystemzugriff, E‑Mail‑Kontrolle…

In einer Zeit, in der multimodale Sprachmodelle immer häufiger eingesetzt werden, stellt die Sicherheit ein zentrales Anliegen dar. Forsche…

In einer neuen Veröffentlichung auf arXiv wird gezeigt, dass ein unpolierter Würfel aus Lead‑Zirkonat‑Titanat (PZT) als physikalisches Rese…

Alibaba hat mit Qwen3.5‑Omni einen bedeutenden Fortschritt im Bereich multimodaler Sprachmodelle erzielt. Das neue System ist ein natives…

Der neue OMD-Bench‑Benchmark stellt die Robustheit von omni‑modalen Modellen auf die Probe, indem er zunächst alle Modalitäten – Video, Aud…

Die Forschung im Bereich Sprachmodelle hat sich von rein textbasierten LLMs zu vollwertigen Speech Language Models (SLMs) entwickelt, die e…

Die neueste Veröffentlichung auf arXiv (2603.25767v1) präsentiert einen wegweisenden Ansatz, um die Fragmentierung im Bereich Audio‑Pretrai…

Mistral AI hat mit der Veröffentlichung von Voxtral TTS einen Meilenstein im Bereich der Audio‑Generierung gesetzt. Das neue Modell ist Ope…

Google hat Gemini 3.1 Flash Live in die Vorschau für Entwickler gebracht. Das neue Modell ist über die Gemini Live API im Google AI Studio…

Transferlernen ist ein zentrales Konzept im Deep Learning, das neuronale Netzwerke ermöglicht, von umfangreichen vortrainierten Datensätzen…

Amazon Polly kündigt heute die Einführung einer neuen Bidirectional Streaming API an, die die Echtzeit-Sprachsynthese revolutioniert. Mit d…

Ein neues, hochmodernes Text‑zu‑Speech‑Modell namens Voxtral TTS wurde vorgestellt, das mit nur drei Sekunden Referenzaudio natürliche, aus…

Mit Berta hat Alberta Health Services (AHS) ein völlig neues Kapitel in der klinischen Dokumentation aufgeschlagen. Das modulare, Open‑Sour…

In der Welt der Unternehmens-KI war die Umwandlung von unstrukturiertem Audio in nutzbaren Text lange Zeit ein Engpass, der von proprietäre…

Tencent AI Lab hat Covo-Audio veröffentlicht, ein 7B-Parameter-Sprachmodell, das Audio- und Sprachverarbeitung in einer einzigen Architektu…

In einer Zeit, in der KI‑gestützte Lernumgebungen immer mehr an Bedeutung gewinnen, präsentiert ein neues arXiv‑Paper ein ambitioniertes Ko…

Ein neues Modell namens DF‑GCN nutzt Graph Convolutional Networks in Kombination mit gewöhnlichen Differentialgleichungen, um die sich stän…

Die Bewertung von KI-generierter Musik hat lange Zeit von Metriken wie dem Fréchet Audio Distance geprägt, die zwar globale Qualitätswerte…

In Echtzeit-Sprachdialogsystemen gilt das klassische Dilemma: Je schneller die Antwort, desto schwächer die Semantik. End‑to‑End‑Speech‑to‑…