20 geprüfte Beiträge zu Sprach-KI, Produkten und Branchenentwicklungen.
ElevenLabs hat einen Mitarbeiter-Aktienrückkauf über 300 Millionen Dollar bei einer Bewertung von 22 Milliarden Dollar abgeschlossen, doppelt so viel wie im Februar, mit GIC, OTPP und Goldman Sachs als neuen Investoren.
Alibabas Qwen bringt mit Qwen-Audio-3.1 fünf neue Sprachmodelle und senkt gleichzeitig die Preise für TTS, Echtzeit-Dialog und Spracherkennung, mit direktem Seitenblick auf ElevenLabs.
Google stellt Gemini 3.8 Flash TTS und Flash-Lite TTS vor: Stimmenklonen ist schon mit 30 Sekunden Audio möglich, doch der Preis verdoppelt sich ab 2027.
Alibabas Qwen3.8-LiveTranslate senkt die durchschnittliche Verzögerung beim Simultandolmetschen auf 2,3 Sekunden, versteht 60 Sprachen und spricht 29 – inklusive Demo-Seite und API.
StepFun stellt mit StepAudio 3 gleichzeitig fünf Sprachmodelle vor; das ASR-Modell erreicht im nicht-streamenden Modus eine Wortfehlerrate von 1,7 % und teilt sich Platz eins im Artificial-Analysis-Ranking.
OpenAI öffnet die API für das Vollduplex-Sprachmodell GPT-Live-1: 0,05 US-Dollar pro Minute für das Frontend, mit deutlich besseren Werten als GPT-Realtime-2.1 bei der Aufgabenerledigung.
Tencent Hunyuan veröffentlicht das 1,5B-Parameter-Sprachmodell AuK unter MIT-Lizenz als Open Source, das Generierung und Bearbeitung von Sprache in einem Befehl vereint; die Variante AuK-Flash beschleunigt die Inferenz um das 4,5-Fache.
Googles Gemini 3.5 Transcribe erreicht eine Wortfehlerrate von 2,6 % und erledigt Bereinigung sowie Formatierung direkt im Modell – Preis und Grenzen der Sprechertrennung bleiben aber offen.
Qwen-Audio-3.0-Realtime bringt Tool-Aufrufe in Echtzeit-Sprachinteraktion. Der Beitrag ordnet die überprüften Fakten und die Bedeutung über die einzelne Meldung hinaus ein.
ChatGPT Voice wechselt zu GPT-Live wird fuer deutschsprachige Tech-Leser eingeordnet, mit den zentralen Zahlen, Produktversprechen und offenen Pruefpunkten.
Bland hat nach eigenen Angaben im vergangenen Jahr 175 Millionen Anrufe bearbeitet und kommt nun auf 3,5 Millionen pro Woche.
Vapi raised a $50 million Series B after Amazon Ring chose its voice AI stack over dozens of alternatives for inbound support calls.
Wispr Flow sammelt neues Kapital für Sprach-KI ein. Der Beitrag ordnet die Ankündigung, den strategischen Kontext und die praktischen Risiken für betroffene Nutzer oder Unternehmen ein.
ElevenLabs erweitert seine Series D auf mehr als 550 Millionen Dollar bei 11 Milliarden Dollar Bewertung. Noch wichtiger ist das 43-prozentige ARR-Wachstum im Enterprise-Geschäft mit Voice AI.
OpenAI bringt ein sprechend schlussfolgerndes Voice-Modell, Live-Übersetzung und Streaming-Transkription in die Realtime API.
Das Modell grok-voice-think-fast-1.0 von xAI erreicht 67,3 % im τ-voice-Benchmark, weit vor der Konkurrenz, und wird bereits im Kundenservice von Starlink mit einer Automatisierungsrate von 70 % eingesetzt.
xAI startet Grok-Audio-API mit niedriger Fehlerquote. Der Beitrag ordnet die Ankündigung, den strategischen Kontext und die praktischen Risiken für betroffene Nutzer oder Unternehmen ein.
Alibabas Qwen-Team hat Qwen3.5-Omni veröffentlicht, das erste wirklich multimodale Modell des Unternehmens, das Text, Bilder, Audio und Video in einer einzigen Architektur verarbeitet und Echtzeit-Sprachklonierung bietet.
Mistral hat Voxtral TTS veröffentlicht, sein erstes Sprachmodell mit 4B Parametern, offenen Gewichten, das in manuellen Bewertungen natürlicher als ElevenLabs Flash v2.5 und auf Augenhöhe mit ElevenLabs v3 sein soll.
Google hat Gemini 3.1 Flash Live veröffentlicht, ein natives Audio-zu-Audio-Modell, das die herkömmliche ASR-LLM-TTS-Pipeline ersetzt, Latenz reduziert und Unterbrechungen ermöglicht.