Qwen-Audio-3.0-ASR-Flash
Qwen-Audio-3.0-ASR-Flash ist ein Modell zur automatischen Spracherkennung für kurze Audioaufnahmen. Es nimmt Audio entgegen und gibt transkribierten Text aus. Alibaba Cloud führt es als nicht…
MODELLVERZEICHNIS
Entdecken Sie neue Modelle, sortiert nach Veröffentlichungsdatum.
Qwen-Audio-3.0-ASR-Flash ist ein Modell zur automatischen Spracherkennung für kurze Audioaufnahmen. Es nimmt Audio entgegen und gibt transkribierten Text aus. Alibaba Cloud führt es als nicht…
Qwen-Audio-3.0-ASR-Flash-Filetrans ist ein Modell zur nicht-echtzeitfähigen Transkription vollständiger Audio- und Videodateien. Alibaba Cloud führt es ab 30. Juli 2026 als international verfügbares…
Ein Echtzeit-Spracherkennungsmodell von Tongyi Lab für latenzarme Streaming-Transkription und Anwendungen mit vielen gleichzeitigen Anfragen. Es verarbeitet Audio und gibt Text aus. (alibabacloud.com)…
Lyria 3.5 ist Googles Modell zur Musikgenerierung. Google kündigte es am 29. Juli 2026 an und begann an diesem Tag mit der Bereitstellung in Google Flow Music. (blog.google) Es erzeugt Musik in…
GPT-Live-Transcribe ist ein Streaming-Spracherkennungsmodell für Echtzeittranskription mit geringer Latenz. Es gibt während der Spracheingabe fortlaufend Textfragmente und nach Abschluss eines…
GPT-Transcribe ist ein auf hochgenaue Spracherkennung spezialisiertes Speech-to-Text-Modell. OpenAI veröffentlichte es am 28. Juli 2026 für Dateitranskription und endgültige Transkripte…
Claude Opus 5 ist ein leistungsfähiges Modell für den täglichen Einsatz, insbesondere für Programmierung und Wissensarbeit. Anthropic positionierte es bei der Veröffentlichung nahe an Claude Fable 5,…
Gemini 3.5 Flash Cyber ist ein leichtgewichtiges, auf Cybersicherheit spezialisiertes Modell. Es baut auf Gemini 3.5 Flash auf und wurde für das Auffinden, Validieren und Beheben von…
Gemini 3.5 Flash-Lite ist ein schnelles, kosteneffizientes multimodales Modell der Gemini-3-Familie. Es ist auf hohen Durchsatz, niedrige Latenz und agentische Workflows ausgelegt. Google…
Gemini 3.6 Flash ist ein multimodales Reasoning-Modell der Flash-Reihe, das auf effiziente agentische Arbeitsabläufe, Programmierung und Wissensarbeit ausgerichtet ist. Google veröffentlichte es am 21…
Qwen-Image-3.0 ist ein Bildgenerierungsmodell der dritten Generation aus Alibabas Qwen-Image-Reihe. Die offizielle Ankündigung erschien am 21. Juli 2026. Die hier beschriebene API-Version ist die…
Qwen3.7-Flash ist ein natives multimodales Vision-Language-Modell der Qwen3.7-Flash-Reihe für Textgenerierung, Schlussfolgern und visuelles Verständnis. Alibaba Cloud führt die Snapshot-Version am 21.…
HPD-Parsing ist ein leichtgewichtiges Vision-Language-Modell mit rund 1 Milliarde Parametern für die Dokumentanalyse mit hohem Durchsatz. Die Modellgewichte stehen unter der Apache-2.0-Lizenz bereit.…
Seed Audio 1.0 ist ein Modell zur Erstellung vollständiger Audioszenen. Es generiert Sprache, Dialoge, Geräusche und Umgebungsatmosphäre in einem gemeinsamen Rahmen, statt diese Elemente nur als…
Qwen-Image-3.0-Pro ist Alibabas Flaggschiffmodell für Bildgenerierung und Bildbearbeitung in Model Studio. Alibaba führt die Veröffentlichung für den 20. Juli 2026 auf. (alibabacloud.com) Das Modell…
Qwen 3.8-Max-Preview ist eine Vorabversion eines Basismodells der Qwen-Reihe mit 2,4 Billionen Parametern. Alibaba veröffentlichte sie am 19. Juli 2026 über Token Plan, Qoder und QoderWork. Die…
Music-3.0 ist ein Text-zu-Musik-Modell von MiniMax. Die offizielle Modellankündigung nennt den 16. Juli 2026 als Veröffentlichungsdatum. API-Modell-ID: music-3.0. (platform.minimax.io) Das Modell…
Kimi K3 ist ein offenes multimodales Mixture-of-Experts-Modell für anspruchsvolle Programmier-, Wissens- und Reasoning-Aufgaben. Es wurde am 16. Juli 2026 veröffentlicht. Die Modellgewichte und der…
Hy-Embodied-RxBrain-1.0 („RxBrain“) ist ein multimodales Basismodell für verkörperte Kognition. Es wurde von Tencent Robotics X, dem Futian Laboratory und dem Tencent-Hunyuan-Team entwickelt und…
Veröffentlichung: 15. Juli 2026. (github.com) Hy-Embodied-VLM-1.0 ist ein Vision-Language-Grundlagenmodell für verkörperte Agenten in der physischen Welt. Es wurde von Tencent Robotics X, dem Hy…