Inmitten des Hypes um den Sprachassistenten GPT-4 von OpenAI ist ein neuer Akteur aufgetaucht - Moshi AI, ein Open-Source-Sprachassistent, der von dem französischen Unternehmen Cute AI Labs entwickelt wurde. Diese webbasierte Schnittstelle verspricht Echtzeitinteraktionen und emotionale Wahrnehmung in ihrer Stimme.

Die Hauptmerkmale von Moshi AI sind:

• Geringe Latenz: Moshi AI zielt darauf ab, ein unterbrechungsfreies Spracherkennungserlebnis in Echtzeit zu bieten, im Gegensatz zu den oft verzögerten Antworten von Sprachassistenten.

• Emotionale Wahrnehmung: Der Assistent behauptet, die Fähigkeit zu haben, den emotionalen Ton des Benutzers zu erkennen und darauf zu reagieren, obwohl diese Funktion bei den Tests nicht durchgängig demonstriert wurde.

• Open-Source: Cute AI Labs plant, den Quellcode für Moshi AI zu veröffentlichen, so dass Entwickler ihn in ihre eigenen Anwendungen integrieren können.

Während die ersten Tests einige Einschränkungen in den Fähigkeiten des Assistenten offenbarten, wie inkonsistente Stimmmodulation und Emotionserkennung, lässt die Open-Source-Natur von Moshi AI darauf schließen, dass es im Laufe der Zeit durch Beiträge der Community verbessert werden kann.

Vor gerade einmal 7 Jahren war der Stand der Technik bei der KI-Bildgenerierung kaum wiederzuerkennen. Nun hat das neueste Videogenerationsmodell, GenFree, einen massiven Sprung nach vorne gemacht und erstaunlich realistische und kreative Visuals produziert.

Obwohl GenFree eine beeindruckende Leistung ist, ist es wichtig, seine Fähigkeiten und Grenzen zu verstehen. Das Modell ist hervorragend darin, hochwertige kinematografische Aufnahmen wie Drohnenaufnahmen eines Leuchtturms zu generieren, dank seiner umfangreichen Schulung an relevanten Bilddaten. Es hat jedoch Schwierigkeiten mit spezifischeren Anfragen, wie der Erstellung eines Otters, der eine Welle surft, da solche Nischenbeispiele in seinem Training fehlen.

Eine der Hauptstärken von GenFree ist seine Fähigkeit, verschiedene künstlerische Stile zu vermischen. Wenn man das Modell mit der Aufforderung prompt, eine Szene im Stil des niederländischen Malers Hieronymus Bosch zu erstellen, sind die Ergebnisse eine faszinierende Mischung aus mittelalterlicher Fantasie und moderner GTA-artiger Kinematografie.

Das Verwenden von GenFree kann sich jedoch schnell summieren. Jede 10-Sekunden-Generation kostet 1 Dollar an Guthaben, und oft sind mehrere Iterationen erforderlich, um das gewünschte Ergebnis zu erzielen. Dies kann das Tool für gelegentliches Experimentieren unerschwinglich machen.

Trotz dieser Einschränkungen ist das Potenzial von GenFree unbestreitbar. Da sich das Modell weiter verbessert und die Nutzungskosten sinken, können wir mehr und mehr reale Anwendungen wie die Motorola-Werbekampagne erwarten, die KI-generierte Videos nutzte.

11 Labs hat neue Funktionen für seine Sprachassistenten-Plattform veröffentlicht. Die wichtigsten Updates sind:

1. Ikonische Stimmen: Die 11 Labs-Leser-App ermöglicht es Nutzern in den USA, Großbritannien und Kanada nun, ihren Text von ikonischen Stimmen wie James Dean oder Bert Lahr vorlesen zu lassen. Dies verleiht der Text-zu-Sprache-Erfahrung einen besonderen Charme.

2. Audio-Isolierung: 11 Labs hat ein neues KI-Tool veröffentlicht, das Stimmen aus verrauschtem Audio isolieren kann. Dies ermöglicht es Nutzern, Hintergrundgeräusche zu entfernen und kristallklaren Audio-Ton zu erhalten, ähnlich wie bei Funktionen, die andere Unternehmen bereits in diesem Jahr veröffentlicht haben.

3. Mobile App für KI-Musikgenerierung: Sooner, eine KI-Musikgenerierung, hat eine mobile App veröffentlicht, mit der Nutzer unterwegs KI-Musik generieren können. Dies ist derzeit jedoch auf iOS-Nutzer in den USA beschränkt, mit einer geplanten Android-Version und globaler Einführung, sobald Mehrsprachigkeits-Funktionen integriert sind.

Luma AI hat auch eine brandneue Funktion namens Luma Keyframes veröffentlicht. Mit dieser Funktion können Sie ein Objekt in ein anderes transformieren und so mit KI-Video fließende Übergänge erstellen.

Wir haben diese Funktion getestet, indem wir die Mid-Journey-generierten Bilder aus unserem Star-Wars-Team-Video verwendet haben. Das Ziel war zu sehen, wie gut die Luma Keyframes-Funktion mit diesen Übergängen umgeht.

Leider waren die Ergebnisse etwas enttäuschend. Von den 8 getesteten Teammitgliedern waren 8 der Übergänge fast unbrauchbar. Die Funktion führte oft zu einem harten Schnitt in der Mitte der Szene anstelle des fließenden Übergangs, den wir erhofft hatten.

Es gab einige Ausnahmen, wie Ariads Lichtschwert-Übergang, der ganz nett aussah. Und Larrys Übergang zwischen dem Yoda-ähnlichen und dem bösen Charakter hatte auch interessante Momente. Aber insgesamt waren die Ergebnisse nicht so nahtlos, wie wir erwartet hatten.

Motorola hat kürzlich eine kreative Nutzung von KI-Videotechnologie in ihrer neuesten Werbekampagne präsentiert. Durch den Einsatz von Tools wie Control Net und Stable Diffusion konnte das Unternehmen eine Reihe von Bildern generieren, in denen das Motorola-Logo nahtlos in verschiedene modeorientierte Stile integriert ist.

der Arbeitsablauf bestand wahrscheinlich darin, das Motorola-Logo mit Control Net in die Bilder einzufügen und dann Stable Diffusion zu verwenden, um die endgültigen Visuals zu generieren. Diese Bilder wurden dann zu einem Werbespot zusammengestellt, inklusive Musik und Schnitt, um ein poliertes und visuell ansprechendes Endprodukt zu schaffen.

Perplexity, die KI-gesteuerte Suchmaschine, hat eine neue Funktion namens "Pro Search" eingeführt, die fortgeschrittenere und umfassendere Suchfähigkeiten bieten soll. Diese Funktion integriert mehrstufiges Schlussfolgern und den Zugriff auf externe Datenquellen wie Mathematik, Programmierung und Wolfram Alpha, um genauere und informativere Suchergebnisse zu liefern.

Die Schlüsselaspekte der Perplexity Pro Search-Funktion sind:

1. Mehrstufiges Schlussfolgern: Die Suchmaschine kann nun komplexe Abfragen aufschlüsseln und mehrere Schritte des Schlussfolgerns durchführen, um umfassendere und relevantere Antworten zu liefern.

2. Integration externer Daten: Perplexity Pro Search kann nun auf Daten aus externen Quellen wie mathematische Berechnungen, Programmierressourcen und die Wolfram Alpha-Wissensdatenbank zugreifen und diese nutzen.

3. Premium-Funktion: Die Perplexity Pro Search-Funktionalität ist derzeit als Premium-Funktion für Perplexity-Abonnenten verfügbar.

Eines der interessantesten und unterhaltsamsten KI-Experimente, die im Video vorgestellt werden, ist die "Interdimensional Cable ONE"-Website, die von Carol in der Community geteilt wurde. Diese Website ist eine Nachbildung des ikonischen "Interdimensional Cable"-Konzepts aus der animierten Serie "Rick und Morty".

In der Serie bringt Onkel Rick einen Fernseher aus einer anderen Dimension mit, der es den Charakteren ermöglicht, zufällige und bizarre TV-Sender im gesamten Multiversum zu sehen. Das WebSim-AI-Team hat dieses Konzept mithilfe von Web-KI nachgebaut und eine Website erstellt, die ein ähnlich zufälliges und unvorhersehbares Seherlebnis bietet.

Es gibt ein brandneues, unzensiertes multimodales Modell namens Dolphin Vision 72B, das veröffentlicht wurde. Dieses Modell ist eine Abwandlung des Quen 2-Modells und stellt die bisher größte Parametergröße dar.

Das Ausführen dieses Modells wird eine große Herausforderung sein, da es einen Monsterprozessor oder die Anmietung vieler GPUs erfordert. Es ist noch nicht weit verbreitet, aber seine Veröffentlichung ist ein interessanter Hinweis darauf, wohin wir uns in Zukunft mit unzensierten, multimodalen Modellen bewegen.

Figma, die beliebte Design-Plattform, hat kürzlich eine Reihe von KI-gesteuerten Funktionen angekündigt, die die Art und Weise, wie Designer arbeiten, revolutionieren sollen. Zwei der herausragenden Funktionen sind "Prompt to UI" und "Visual Search".

Die "Prompt to UI"-Funktion ermöglicht es Designern, einfach die Art der Benutzeroberfläche zu beschreiben, die sie wünschen, und Figmas KI wird das gesamte Design für sie generieren. Dies hat das Potenzial, den Designprozess erheblich zu beschleunigen und Designern das schnelle Iterieren von Ideen und das Erkunden neuer Konzepte zu ermöglichen.

Die "Visual Search"-Funktion ist hingegen eine breiter anwendbare Innovation. Durch den Einsatz fortschrittlicher multimodaler Modelle können Designer nun ihre gesamte Designbibliothek mit natürlichsprachlichen Abfragen durchsuchen, ohne sich auf spezifische Metadaten oder Tags verlassen zu müssen.

Das Google-Kreuzworträtsel-Spiel bietet eine interessante Integration von KI, um das Spielerlebnis zu verbessern. Der Schlüsselaspekt dieser Integration ist die Möglichkeit, Hinweise vom KI-System zu erhalten.

Wenn der Spieler bei einer Frage feststeckt, kann er einen Hinweis von der KI anfordern. Die KI antwortet dann mit einem einfachen "Ja" oder "Nein", um anzuzeigen, ob der Spieler mit seinem aktuellen Ansatz auf dem richtigen Weg ist. Diese eingeschränkte Antwort ist eine bewusste Designentscheidung, da das Team hinter dem Spiel versucht hat, die KI nach detaillierteren Hinweisen zu fragen, aber das System sich weigerte, mehr als das binäre Ja/Nein-Feedback zu liefern.