Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Bild, Video und Audio

Die Begriffe hinter Modellen, die Bilder, Videos, Sprache und Musik erzeugen und bearbeiten.

ControlNet
ControlNet ist eine Erweiterung für neuronale Netze, mit der ein Text-to-Image-Diffusionsmodell zusätzlich zum Text-Prompt einer strukturellen Vorlage folgt, etwa einer Kantenkarte, einer Tiefenkarte oder einer menschlichen Pose.
Diffusionsmodell
Ein Diffusionsmodell (Diffusion Model) ist ein generatives Modell, das lernt, zufälliges Rauschen in Daten wie ein Bild zu verwandeln, indem es über viele Schritte jeweils ein wenig Rauschen entfernt.
Guidance Scale (CFG)
Die Guidance Scale oder CFG Scale ist eine Einstellung in Diffusions-Bildgeneratoren, die steuert, wie stark die Ausgabe dem Prompt folgt. Höhere Werte folgen dem Prompt genauer, verringern aber die Vielfalt.
Image-to-Image
Image-to-Image (Bild-zu-Bild) ist die Aufgabe, aus einem vorhandenen Bild und einem Prompt ein neues Bild zu erzeugen, das einen Teil der Struktur des Originals behält und dabei Stil, Details oder Inhalt ändert.
Image-to-Video
Image-to-Video (Bild-zu-Video) ist die Aufgabe, ein Standbild in einen kurzen Videoclip zu verwandeln, meist mit dem Bild als erstem Frame und einem Text-Prompt, der die Bewegung beschreibt.
Inpainting und Outpainting
Inpainting füllt einen maskierten Bereich eines Bildes mit neu generierten Inhalten, die zum Rest des Bildes passen. Outpainting wendet dieselbe Idee außerhalb der Ränder an und erweitert das Bild über seinen Rahmen hinaus.
KI-Avatar
Ein KI-Avatar (AI Avatar) ist eine generierte Videofigur, oft nach dem Vorbild einer echten Person, die ein Skript oder Live-Antworten mit passenden Gesichts-, Lippen- und Kopfbewegungen spricht.
KI-Bildhochskalierung
KI-Bildhochskalierung (AI Upscaling) oder Super-Resolution nutzt ein neuronales Netz, um ein Bild zu vergrößern und plausible Details zu ergänzen, sodass das Ergebnis schärfer wirkt als bei einfachem Skalieren.
Lip Sync (KI-Video)
KI-Lip-Sync (Lippensynchronisation) ist der Einsatz eines Modells, um die Mundbewegungen einer Person in einem Video oder Bild so zu verändern, dass sie zu einer neuen Tonspur passen, etwa einer übersetzten oder umgeschriebenen Zeile.
Speech-to-Speech-Modell
Ein Speech-to-Speech-Modell nimmt gesprochenes Audio auf und gibt direkt gesprochenes Audio aus, ohne die Sprache zuerst in Text und zurück umzuwandeln. Es wird für Sprachgespräche in Echtzeit und Übersetzung genutzt.
Speech-to-Text
Speech-to-Text (Spracherkennung), auch Automatic Speech Recognition (ASR) genannt, ist Software, die gesprochenes Audio in geschriebenen Text umwandelt. Sie steckt hinter Transkription, Untertiteln, Sprachbefehlen und der zuhörenden Hälfte von Voice Agents.
Sprecherdiarisierung
Sprecherdiarisierung (Speaker Diarization) ist die Aufgabe, eine Audioaufnahme nach Sprechern aufzuteilen und jeden Sprechabschnitt damit zu kennzeichnen, wer ihn gesagt hat. Sie beantwortet die Frage „Wer hat wann gesprochen?“.
Text-to-3D
Text-to-3D ist die Aufgabe, aus einem geschriebenen Prompt ein 3D-Objekt oder eine 3D-Szene zu erzeugen. Image-to-3D tut dasselbe aus einem oder mehreren Fotos. Das Ergebnis lässt sich aus jedem Winkel betrachten.
Text-to-Image
Text-to-Image ist die Aufgabe, aus einer geschriebenen Beschreibung, dem Prompt, ein neues Bild zu erzeugen. Die meisten aktuellen Text-to-Image-Modelle sind Diffusionsmodelle, die durch den Text gesteuert werden.
Text-to-Music
Text-to-Music ist die Aufgabe, Musik als Audio aus einer geschriebenen Beschreibung zu erzeugen, etwa Genre, Stimmung, Instrumente und Tempo. Manche Systeme schreiben und singen auch Liedtexte.
Text-to-Speech
Text-to-Speech (TTS, Sprachsynthese) ist Software, die geschriebenen Text in gesprochenes Audio verwandelt. Modernes TTS nutzt neuronale Netze, die aus dem Text den Klang der Sprache vorhersagen und ihn dann als Wellenform ausgeben.
Text-to-Video
Text-to-Video ist die Aufgabe, aus einem geschriebenen Prompt einen kurzen Videoclip zu erzeugen. Modelle müssen Frames erzeugen, die jeder für sich stimmig aussehen und sich zudem von einem Frame zum nächsten konsistent bewegen.
Voice Cloning
Voice Cloning (Stimmklonen) ist der Einsatz von KI, um ein Text-to-Speech-System mit der Stimme einer bestimmten Person sprechen zu lassen, gelernt aus einer Aufnahme dieser Person. Manche Systeme brauchen nur eine kurze Probe.