Codex bekommt auf OpenAIs DevDay 2026 wiederverwendbare Cloud-Umgebungen, automatische Sicherheitsscans für GitHub-Repositorys und eine Code-Review-Ansicht in der Desktop-App. Die Agents API unterstützt jetzt Computer Use, eine neue Decisions API liefert schnelle Einzelentscheidungen. Die Premium-Stufe Ultrafast verspricht bis zu achtfache Geschwindigkeit zum sechsfachen Preis.
Elevenlabs stellt mit Eleven v4 ein neues Stimmenmodell vor, das Regieanweisungen wie Lachen oder Flüstern präziser umsetzt und Stimmen über lange Produktionen wie Hörbücher stabil halten soll. Die Turbo-Variante erreicht 150 Millisekunden Latenz und zielt auf Echtzeit-Sprachagenten. In der Voice-Arena von Artificial Analysis führt v4 bereits vor Cartesia und Googles Gemini.
Nvidia hat mit Nemotron 3 Diarization ein KI-Modell veröffentlicht, das in Gesprächen erkennt, wer wann spricht. Die Gewichte des Modells mit rund 100 Millionen Parametern sind frei verfügbar. Es unterscheidet bis zu acht Sprecher und erkennt auch, wenn mehrere Personen gleichzeitig reden. Mehr Teilnehmer, starker Lärm oder Hall erhöhen die Fehlerquote. Kombiniert mit einer Spracherkennung wie Parakeet lassen sich Transkripte mit Sprecherzuordnung erstellen, allerdings nur über anonyme Labels wie "speaker_2". Das Modell funktioniert mit Aufnahmen und live.
Der Audiopuffer lässt sich in vier Stufen zwischen 30,4 und 0,32 Sekunden einstellen, kürzere Puffer senken meist die Genauigkeit. Im Diarization-Bench von VoiceArena liegt das Modell vorläufig mit einer Fehlerrate von 14,72 Prozent auf Platz eins, vor dem nächstbesten System mit 19,3 Prozent. Der Test ist streng: Überlappende Sprache zählt mit, und selbst kleinste Abweichungen an den Übergängen gelten als Fehler. Gegenüber dem Vorgänger Streaming Sortformer sinkt die Fehlerrate bei 1,04 Sekunden Puffer über acht Testszenarien im Schnitt um 41 Prozent.
SoL-Pi optimiert die Steuerungsschicht zwischen Agent und Umgebung und senkt den Token-Verbrauch von Coding-Agenten um bis zu 49 Prozent bei nahezu gleicher Leistung. Ein Research-Agent durchsuchte dafür 152 Ansatzrichtungen in über 3.000 Durchläufen. Auf anderen Benchmarks fällt der Vorteil geringer aus.
Tencents Forschungsteam stellt mit Gander ein KI-Modell vor, das Echtzeitgespräche und Agentenfähigkeiten in einem System vereint. Eine „Kleinhirn“-Komponente führt den Dialog, ein austauschbares „Gehirn“ erledigt komplexe Aufgaben im Hintergrund. Nutzer können jederzeit unterbrechen: Laut Benchmark fällt Gander nur in 8 Prozent der Fälle ins Wort, bei der Aufgabengenauigkeit liegt es allerdings noch zurück.
Runway will Videogenerierung in Echtzeit ermöglichen. Statt auf fertige Clips zu warten, sollen Nutzer Videos streamen, während sie Prompts eingeben. Grundlage ist das hauseigene Weltmodell GWM-1, das Bilder Frame für Frame erzeugt. Neben kreativen Anwendungen sieht Runway Potenzial für Robotik und autonomes Fahren.
Microsoft und die University of Illinois stellen mit StudentSim ein System vor, das aus wenigen Daten digitale Nachbildungen einzelner Schüler erzeugt. Diese liefern im Maschinentempo Feedback für KI-Tutoren, schneller und günstiger als echte Lernende. In Tests über 60 Schüler in Schach, Englisch und Mathematik schlug StudentSim GPT-5.4 deutlich, und ein damit trainierter Schach-Tutor erhielt von Experten die besten Noten.
