KI News: Kurz und klar.

FlashLabs hat mit Chroma 1.0 ein bahnbrechendes 4‑Billionen‑Parameter‑Modell für Echtzeit‑Sprachdialog veröffentlicht. Das System nimmt Audiodaten als Eingabe, verarbeitet sie in Echtzeit und liefert sofort wieder Audiodaten aus – dabei bleibt die Stimme des Sprechers über mehrere Gesprächsrunden hinweg unverändert.

In Großbritannien setzte der Wasserversorger Severn Trent ein Text‑zu‑Speech-System ein, um automatisierte Anrufe an seine Kunden zu tätigen. Ziel war es, über Wasserprobleme und Service‑Updates zu informieren.

Im Januar 2024 klingelte in vielen Haushalten in New Hampshire ein Telefon, das von einer Stimme zu kommen schien, die eindeutig Joe Biden ähnelte. Die Botschaft war klar: „Sparen Sie Ihre Stimme“, indem man die Vorwahl überspringt. Obwohl die Worte authentisch klangen, war die Anrufquelle ein KI‑generierter Deep‑Fake.

Die Integration künstlicher Intelligenz in die Produktion von Video‑Vorlesungen verspricht, die Hochschulbildung grundlegend zu verändern. Durch einen halbautomatischen Workflow, der Google Gemini für die Skripterstellung, Amazon Polly für die Sprachsynthese und Microsoft PowerPoint für die Videobearbeitung kombiniert, können Inhalte schneller erstellt und gleichzeitig die pädagogische Qualität gewahrt bleiben.

Mit den neuesten Fortschritten in der Sprachsynthese kann künstliche Intelligenz nicht nur Stimmen erzeugen, sondern auch die Nuancen von Akzenten präzise anpassen. Ein Sprecher, der sich selbst als Koreaner bezeichnet, fragt sich, ob KI ihm helfen kann, einen amerikanischen Akzent zu erlernen und authentisch klingen zu lassen.

Das britische Unternehmen Synthesia hat angekündigt, dass seine KI‑Clones künftig noch ausdrucksstärker wirken und in der Lage sein werden, auf Fragen zu antworten. Die neue Generation nutzt fortschrittliche neuronale Netzwerke, die Gestik, Mimik und Tonfall präziser abbilden und die Sprachsynthese in Echtzeit ermöglichen.

OpenAI hat die Sprachfunktionen seiner KI um mehrere neue Fähigkeiten erweitert. Diese Neuerungen geben Entwicklern neue Werkzeuge an die Hand, um noch vielseitigere Anwendungen zu bauen.

Microsoft hat sein neuestes Open‑Source‑Text‑to‑Speech‑Modell VibeVoice‑1.5B vorgestellt. Das Modell setzt neue Maßstäbe in der Sprachsynthese, indem es ausdrucksstarke, langformige Audiodateien erzeugt, die bis zu 90 Minuten lang ohne Unterbrechung laufen.