Microsoft liefert Streaming-Sprachmodelle aus, während KI-Video-Hype auf Skepsis trifft
Microsoft AI hat am 2. Oktober MAI-Transcribe-2-Streaming und zwei Text-to-Speech-Modelle veröffentlicht. Das Unternehmen beansprucht den ersten Platz bei der Transkriptionsgenauigkeit auf Artificial Analysis und nennt für die Variante MAI-Voice-2.1-Flash eine Latenz von 150 ms.

Microsoft AI hat am 2. Oktober MAI-Transcribe-2-Streaming und zwei Text-to-Speech-Modelle veröffentlicht, berichtet The Decoder. Das Transkriptionsmodell deckt 60 Sprachen ab. Teilergebnisse liefert es in etwas mehr als 100 Millisekunden.
Es ist kein Videogenerator. Es ist die Schicht, die darüber entscheidet, ob ein synthetischer Moderator wie ein Gespräch wirkt oder wie eine Aufnahme. Der Start fällt in dieselbe Woche, in der die Videoseite der Branche lernte, wie schwer die letzte Meile ist.
Die Realismus-Behauptung, die sich am leichtesten prüfen lässt
Tavus stellte Griffin am 1. Oktober vor und nannte ihn das erste "Human Interaction Model". The Decoder berichtete über die eigene Studie des Unternehmens: 48 Prozent der Teilnehmer hielten Griffin nach einem einminütigen Videoanruf für einen echten Menschen, gegenüber einem bisherigen Bestwert von 2 Prozent. Laut Tavus bewertete ein Nvidia-Test Griffin mit 3,83 Punkten dafür, wie menschlich eine KI in einer Audio-Video-Konversation wirkt. Echte Menschen erreichten 3,92 Punkte, das bisher beste KI-Modell 2,80.
Verfügbar ist nur eine Vorschau, Griffin-Lite, für ausgewählte Tester. Tavus verspricht eine vollständigere Version, sobald die Sicherheitsbedenken geklärt sind. Tavus wurde 2020 gegründet und hat rund 64 Millionen US-Dollar eingesammelt.
Vergleich mit den Sprachzahlen von Microsoft: MAI-Transcribe-2-Streaming kostet 0,54 US-Dollar pro Stunde Audio zum Einführungspreis bis Ende des Jahres. MAI-Voice-2.1 spricht laut Microsoft 23 Sprachen mit derselben Stimme und jeweils muttersprachlichem Akzent. Die Flash-Variante kostet 15 US-Dollar pro Million Zeichen statt 22. Beide können eine Stimme aus wenigen Sekunden Referenzaudio klonen. In einem Microsoft-Test hielten etwa die Hälfte von 4.000 Teilnehmern die Stimmen für die eines echten Menschen.
Videomodelle erscheinen weiter, und die Fragen bleiben
Der weitere Release-Kalender ist voll. Die Schlagzeilenliste umfasst FLUX 3 Image, das laut Beschreibung bis zu 4K-Generierung, Subjektpositionierung und partielle Bearbeitung unterstützt, mit einer Open-Source-Version, die in Wochen erwartet wird. Sie nennt außerdem Seedance 2.5 von ByteDance und Kling 4.0 von Kuaishous KI-Ableger. Keiner der Berichte geht auf diese Releases ins Detail, die Angaben bleiben dünn. Die begleitenden Werkzeuge sind dokumentiert.
Ideogram teilte am 1. Oktober mit, dass Ideogram 4.5 nur den Teil eines Bildes verändert, den ein Nutzer auswählt. Es bietet vier Qualitätsstufen von 0,8 bis 22 Cent pro Bild und native 2K-Auflösung, eine Veröffentlichung mit offenen Gewichten ist versprochen. Das ist eine Korrektur eines bekannten Fehlermodus, keine neue Fähigkeit. Wiederholte Bearbeitungen auf Modellen wie GPT-Image 2.5 und Nano Banana hinterlassen laut The Decoder weiterhin Artefakte.
Dann ist da das Geld. Dealroom meldete am 30. September, dass Luma 9.000 GPUs in sechs Stunden für einen Dream-Machine-Start skalierte. Runway wechselte laut Robotics & Automation News vom 1. Oktober mit einem Modell mit offenen Gewichten namens Praxis-1 in die Robotik. Beide stehen außerhalb der zehn Quellen des Kerns unten, weil nur ihre Schlagzeilen auftauchen.
"Speichersysteme glätten Preise, aber sie erzeugen keinen Strom", sagte Leonhard Gandhi, Projektmanager für Energy Charts am Fraunhofer ISE, als sein Institut einen Simulator für deutsche Day-Ahead-Strompreise veröffentlichte.
Er sprach über Batterien, nicht über GPUs. Der Vergleich hinkt, aber die Zwangslage hat dieselbe Form. Inferenzkapazität ist ein physischer Input, und die Aufzeichnung zeigt, was passiert, wenn sie knapp wird. Das dänische Parlament verabschiedete am 2. Oktober einen Notfallplan für das Netz, der Anschlüsse nach dem Prinzip "wer zuerst kommt, mahlt zuerst" durch vier Prioritätskategorien ersetzt. Rechenzentren liegen in der am wenigsten priorisierten Stufe, es sei denn, sie sind an eine kritische gesellschaftliche Funktion gebunden.
Unterdessen zersplittert die Modellebene weiter. Amazon Web Services veröffentlichte Strands Decider 2B, ein Open-Source-Entscheidungsmodell, in derselben Woche, in der OpenAI ein ähnliches Angebot ankündigte, berichtete TechCrunch am 1. Oktober. Cloudflare antwortete mit Clef und Clef-flash, Entscheidungsmodellen mit offenen Gewichten. Laut Cloudflare schlagen sie TypeSafes Jev in drei von vier von TypeSafes eigenen Benchmarks, bei 0,24 US-Dollar pro Million Token gegenüber 0,042 US-Dollar bei Jev. Cloudflare hat diese Werte selbst gemeldet, auf dem offiziellen Index wurden sie nicht reproduziert, wie The Register anmerkte.
Nichts davon beantwortet die Frage, die ein Zuschauer in den ersten zwei Sekunden eines synthetischen Clips stellt: Ist das ein Mensch. Tavus hat dafür eine Zahl. Sie lautet 48 Prozent, in einem einminütigen Anruf, in einer Studie, die das Unternehmen selbst durchgeführt hat. Die Bewertung von 2.000 für die Gesamtzahl der Testpersonen im Vergleichsfeld bleibt offen, und die 2.000.000.000 Dollar, die im Raum stehende Bewertung der Videobranche, tauchen in keiner der zitierten Quellen auf.
Quellen
15- 01Microsoft AI releases new transcription and text-to-speech models for voice agentsEN
- 02Nearly half of test subjects mistook Tavus' AI video avatar for a real person on a one-minute callEN
- 03Ideogram says its new model can edit part of an image without messing up the restEN
- 04Amazon releases its own Jev clone as decision models flood the webEN
- 05Cloudflare tries to outplay Jev with open-weight Clef modelsEN
- 06TypeSafe AI Releases Jev: A Decision-Only Model That Returns Typed Probabilities Instead of TextEN
- 07Fraunhofer ISE releases electricity price simulatorEN
- 08Denmark approves new grid connection prioritization modelEN
- 09Google releases Gemini 4 Argon, called its most powerful model yetEN
- 10Google rolls out new Gemini AI model but restricts access over safety concernsEN
- 11OpenAI scraps release of new model over safety concerns in internal testingEN
- 12OpenAI says planned GPT-6.1 is too insecure to releaseEN
- 13OpenAI abandons plan to release upcoming model as safety concerns escalateEN
- 14The NHL Is Releasing Its Own 'Hot' Fanfic. Romance Lovers Hate ItEN
- 15The Tesla Model 3 Gets A Range Bump And A New Screen In The U.S.EN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.