KI Panorama

Wissensstufe: Fortgeschritten

  • Runway

    Runway konzentriert sich auf generative Medienproduktion. Die Plattform bietet Modelle und Werkzeuge für Text-zu-Video, Bild-zu-Video, Videobearbeitung, Audio und agentisch erzeugte Mehrfachszenen.

    Funktionen

    • Videos aus Text oder Bildern erzeugen.
    • Bestehende Videos stilistisch oder inhaltlich verändern.
    • Clips verlängern, Bildformate anpassen und Sequenzen kombinieren.
    • Mit einem Kreativ-Agenten mehrteilige Videos planen und zusammensetzen.

    Stärken

    • Spezialisierung auf Bewegtbild und visuelle Kontrolle.
    • Kombination aus Generierung, Bearbeitung und Produktionsablauf.
    • API-Zugang für Bild-, Video- und Audiofunktionen.

    Grenzen

    • Bewegungen, Physik, Identitätskonsistenz und längere Handlungen können weiterhin Fehler zeigen.
    • Hochwertige Ergebnisse benötigen Auswahl, Iteration und Schnitt.
    • Modelle und maximale Längen ändern sich regelmäßig.

    Datenschutz und Nutzung

    Bei realen Personen, Markenmaterial und Kundenproduktionen sind Einwilligungen, Rechte und die jeweils geltenden Plattformbedingungen zu prüfen.

    Preismodell und Verfügbarkeit

    Runway wird in abgestuften Tarifen angeboten; rechenintensive Generierungen verwenden Kontingente oder Credits. Einzelne Modelle können nur in bestimmten Tarifen verfügbar sein.

    Offizielle Quellen

  • Suno

    Suno ist eine Plattform zur KI-gestützten Musikproduktion. Nutzer können aus einer Beschreibung oder eigenen Texten vollständige Musikstücke erzeugen und – je nach Produktversion – Songs bearbeiten, remixen, covern oder mit eigenen Audioideen weiterentwickeln.

    Funktionen

    • Musik und vollständige Songs aus Textbeschreibungen erzeugen.
    • Eigene Liedtexte, Stile und musikalische Vorgaben verwenden.
    • Bestehende Ideen über Cover-, Remix-, Sample- und Studiofunktionen weiterbearbeiten.
    • Je nach Funktion Stimmen oder eigene musikalische Präferenzen einbinden.

    Stärken

    • Sehr niedrige Einstiegshürde für vollständige Musikstücke.
    • Schnelle Erprobung verschiedener Genres, Arrangements und Textideen.
    • Zusätzliche Bearbeitungswerkzeuge über die reine Ein-Klick-Generierung hinaus.

    Grenzen

    • Musikalische Struktur, Aussprache und längere Konsistenz können schwanken.
    • Ähnlichkeiten zu bestehenden Werken oder Stimmen müssen kritisch geprüft werden.
    • Nutzungs- und Verwertungsrechte hängen vom Tarif und den aktuellen Bedingungen ab.

    Datenschutz und Nutzung

    Bei eigenen Stimmaufnahmen oder fremdem Audiomaterial sind Einwilligungen und Rechte zu beachten. Für Veröffentlichungen gelten zusätzlich die Bedingungen von Plattformen und Verwertungsgesellschaften.

    Preismodell und Verfügbarkeit

    Suno bietet kostenlose und kostenpflichtige Nutzung. Export, kommerzielle Rechte, Kontingente und Studiofunktionen unterscheiden sich nach Tarif.

    Offizielle Quellen

  • ElevenLabs

    ElevenLabs ist auf synthetische Sprache und Voice-AI spezialisiert. Die Plattform erzeugt Sprache aus Text, verändert vorhandene Stimmen, unterstützt mehrsprachige Produktionen und bietet Sprachagenten für dialogbasierte Anwendungen.

    Funktionen

    • Text in natürlich klingende Sprache umwandeln.
    • Vorhandene Sprachaufnahmen verändern oder in andere Sprachen übertragen.
    • Voiceover, Hörinhalte und mehrsprachige Synchronisation erstellen.
    • Sprachagenten für interaktive Dialoge und Kundenprozesse aufbauen.

    Stärken

    • Spezialisierung auf Ausdruck, Stimmen und mehrsprachige Audioproduktion.
    • Anwendungen für kreative Inhalte und dialogbasierte Systeme.
    • Webanwendung, mobile Funktionen und Entwickler-APIs.

    Grenzen

    • Aussprache, Eigennamen, Emotionen und lange Aufnahmen benötigen Kontrolle.
    • Stimmenklonen birgt erhebliche Missbrauchs- und Einwilligungsrisiken.
    • Tarife, Sprachumfang und Modellzugang ändern sich.

    Datenschutz und Nutzung

    Stimmen realer Personen dürfen nur mit klarer Berechtigung und dokumentierter Einwilligung verwendet werden. Täuschende oder nicht gekennzeichnete Imitationen können rechtlich und ethisch problematisch sein.

    Preismodell und Verfügbarkeit

    ElevenLabs bietet unterschiedliche Tarife und verbrauchsabhängige Kontingente. Produktbereiche für Kreativinhalte und Sprachagenten können getrennte Bedingungen besitzen.

    Offizielle Quellen

  • GPT-Modellfamilie

    Die GPT-Modellfamilie umfasst generative Modelle von OpenAI für Text, visuelle Eingaben, Programmierung, Reasoning und Werkzeugnutzung. Der konkrete Modellkatalog wird laufend aktualisiert; für technische Entscheidungen ist deshalb die offizielle Modellübersicht maßgeblich.

    Modelltyp und Fähigkeiten

    • Transformer-basierte generative Modelle für Text und weitere Modalitäten.
    • Unterstützung für mehrsprachige Aufgaben, visuelle Eingaben, Code und strukturierte Ausgaben – modellabhängig.
    • Werkzeugaufrufe, agentische Abläufe und unterschiedliche Reasoning-Stufen in aktuellen Modelllinien.

    Technische Einordnung

    GPT-Modelle erzeugen Ausgaben tokenweise auf Grundlage gelernter Wahrscheinlichkeitsverteilungen. Moderne Varianten kombinieren Vortraining, Nachtraining, Sicherheitsverfahren, Werkzeugnutzung und zusätzliche Laufzeitberechnung für komplexe Aufgaben.

    Verfügbarkeit und Zugang

    Der Zugang erfolgt über ChatGPT sowie über OpenAIs API. Modellnamen, Kontextgrößen, Preise und Endpunkte verändern sich; produktive Systeme sollten auf die offizielle Modellliste und Migrationshinweise abgestimmt werden.

    Benchmarks und Grenzen

    Benchmarks zeigen nur Ausschnitte der Leistung. Modelle können halluzinieren, bei ungewöhnlichen Verteilungen versagen und in agentischen Abläufen falsche Aktionen planen. Evaluationen müssen den realen Einsatzzweck, Kosten, Latenz und Sicherheitsanforderungen abbilden.

    Offizielle Quellen

  • Claude-Modellfamilie

    Die Claude-Modellfamilie von Anthropic umfasst Modelle mit unterschiedlichen Profilen für komplexes Reasoning, schnelle Aufgaben, Programmierung und agentische Abläufe. Konkrete Modellvarianten und Grenzwerte werden in der offiziellen Dokumentation gepflegt.

    Modelltyp und Fähigkeiten

    • Große Sprachmodelle für Text, Bilder, Code und Dokumentanalyse.
    • Unterschiedliche Modellklassen für maximale Leistungsfähigkeit, ausgewogene Nutzung und schnelle kosteneffiziente Aufgaben.
    • Werkzeugnutzung, strukturierte Ausgaben und agentische Arbeitsabläufe.

    Technische Einordnung

    Claude-Modelle sind generative Transformer-Systeme. Anthropic kombiniert Vortraining und Nachtraining mit Verfahren zur Steuerbarkeit und Sicherheit. Die Produktfamilie wird regelmäßig durch neue Modellgenerationen ersetzt oder ergänzt.

    Verfügbarkeit und Zugang

    Claude ist über Anthrophics API, die Claude-Anwendungen und ausgewählte Cloud-Plattformen verfügbar. Für stabile Integrationen sind konkrete Modell-IDs und Abschaltfristen zu beachten.

    Benchmarks und Grenzen

    Leistungsangaben sind abhängig von Aufgaben, Prompt, Werkzeugen und Evaluationsmethode. Auch leistungsfähige Varianten können Quellen erfinden, fehlerhafte Schlüsse ziehen oder Werkzeugaktionen falsch ausführen.

    Offizielle Quellen

  • Gemini-Modellfamilie

    Gemini bezeichnet Googles Familie multimodaler Modelle. Verschiedene Varianten sind auf hohe Leistungsfähigkeit, Geschwindigkeit, geringe Kosten, Echtzeit-Audio oder spezielle Aufgaben ausgerichtet.

    Modelltyp und Fähigkeiten

    • Multimodale Verarbeitung von Text, Bildern, Audio, Video und Code – abhängig vom Modell.
    • Unterschiedliche Pro-, Flash- und spezialisierte Varianten.
    • Werkzeugnutzung, lange Kontexte und Echtzeitanwendungen in ausgewählten Modellen.

    Technische Einordnung

    Gemini-Modelle werden als multimodale Foundation Models entwickelt. Die Modellfamilie umfasst verschiedene Größen und Laufzeitprofile; experimentelle Endpunkte können sich schneller ändern als stabile Varianten.

    Verfügbarkeit und Zugang

    Zugang besteht über die Gemini-Anwendungen, Google AI Studio, die Gemini API und Google-Cloud-Angebote. Für produktive Systeme sollten stabile Modellkennungen und offizielle Lebenszyklusangaben verwendet werden.

    Benchmarks und Grenzen

    Vergleiche zwischen Modellvarianten sind nur bei identischen Aufgaben und Einstellungen aussagekräftig. Multimodalität beseitigt weder Halluzinationen noch Fehler bei Bildern, langen Kontexten oder Werkzeugaktionen.

    Offizielle Quellen

  • Llama-Modellfamilie

    Llama ist eine von Meta entwickelte Modellfamilie mit veröffentlichten Gewichten. Sie wird für lokale, cloudbasierte und angepasste Anwendungen eingesetzt und umfasst Sprach- sowie multimodale Varianten.

    Modelltyp und Fähigkeiten

    • Generative Sprachmodelle für Text, Code, Reasoning und Werkzeugnutzung.
    • Multimodale Varianten für Text- und Bildverarbeitung.
    • Unterschiedliche Größen für Server, einzelne Beschleuniger und ressourcenärmere Umgebungen.

    Technische Einordnung

    Llama-Modelle sind Transformer-basierte Foundation Models. Open Weight bedeutet, dass Modellgewichte unter den jeweiligen Lizenzbedingungen heruntergeladen werden können; es bedeutet nicht automatisch uneingeschränktes Open Source.

    Verfügbarkeit und Zugang

    Modelle werden über Meta, Partnerplattformen und Modell-Repositories bereitgestellt. Lizenz, Hardwarebedarf, Quantisierung und Sicherheitskonfiguration müssen für den jeweiligen Einsatz geprüft werden.

    Benchmarks und Grenzen

    Lokale Kontrolle ist ein Vorteil, verlagert aber Verantwortung für Betrieb, Schutzmaßnahmen und Updates auf den Betreiber. Kleinere oder stark quantisierte Varianten können deutlich an Genauigkeit verlieren.

    Offizielle Quellen

  • Mistral-Modellfamilie

    Die Mistral-Modellfamilie umfasst Open-Weight- und kommerzielle Modelle mit unterschiedlichen Größen und Spezialisierungen. Sie kann über APIs, Cloud-Dienste oder teilweise selbst betrieben werden.

    Modelltyp und Fähigkeiten

    • Sprachmodelle für Text, Reasoning, Code und Werkzeugnutzung.
    • Spezialisierte Modelle und Dienste für Dokumentverarbeitung, OCR und Embeddings.
    • Unterschiedliche offene und kommerzielle Bereitstellungsformen.

    Technische Einordnung

    Mistral entwickelt Transformer-basierte Modelle mit verschiedenen Leistungs-, Größen- und Lizenzprofilen. Der Modellkatalog wird fortlaufend aktualisiert und enthält allgemeine sowie spezialisierte Endpunkte.

    Verfügbarkeit und Zugang

    Zugang erfolgt über Mistrals API und Plattform, Cloud-Partner oder bei ausgewählten Open-Weight-Modellen durch eigenen Betrieb. Lizenz und Modellkarte sind pro Variante zu prüfen.

    Benchmarks und Grenzen

    Modellgröße allein bestimmt nicht die Eignung. Sprachabdeckung, Kontext, Werkzeugunterstützung, Hardwarebedarf und reale Evaluationen sind entscheidend. Auch selbst betriebene Modelle benötigen Schutzmaßnahmen gegen Datenabfluss und missbräuchliche Eingaben.

    Offizielle Quellen

  • FLUX-Modellfamilie

    FLUX bezeichnet eine Familie generativer und visueller Modelle von Black Forest Labs. Sie wird für Text-zu-Bild, kontrollierte Bildbearbeitung und – in neueren Entwicklungsstufen – multimodale visuelle Systeme eingesetzt.

    Modelltyp und Fähigkeiten

    • Bilder aus Textbeschreibungen erzeugen.
    • Bilder mit Referenzen, Strukturvorgaben und speziellen Werkzeugen kontrolliert verändern.
    • Varianten für hohe Qualität, Entwicklung, schnelle Generierung und API-Nutzung.

    Technische Einordnung

    FLUX-Modelle basieren auf generativen Flow- beziehungsweise Diffusionsansätzen für visuelle Daten. Die Familie umfasst kommerzielle API-Varianten und teilweise offen zugängliche Gewichte mit unterschiedlichen Lizenzen.

    Verfügbarkeit und Zugang

    Zugang besteht über die BFL API, Partnerdienste und je nach Modell über veröffentlichte Gewichte. Neu angekündigte Generationen können zunächst als Early Access oder eingeschränkte Vorschau verfügbar sein.

    Benchmarks und Grenzen

    Bildqualität hängt stark von Prompt, Seitenverhältnis, Referenzen und Nachbearbeitung ab. Textdarstellung, räumliche Logik, Hände, wiederkehrende Identitäten und Rechtefragen bleiben relevante Prüfpunkte.

    Offizielle Quellen

  • Whisper

    Whisper ist ein von OpenAI veröffentlichtes Modell für automatische Spracherkennung. Es kann Sprache transkribieren, Sprachen erkennen und gesprochene Inhalte aus mehreren Sprachen ins Englische übersetzen.

    Modelltyp und Fähigkeiten

    • Mehrsprachige automatische Spracherkennung.
    • Transkription von Audio in Text.
    • Spracherkennung und Übersetzung gesprochener Inhalte ins Englische.
    • Robustheit gegenüber unterschiedlichen Sprechern, Akzenten und Hintergrundgeräuschen – ohne Fehlerfreiheit.

    Technische Einordnung

    Whisper wurde auf einem großen, vielfältigen Datensatz mit mehrsprachigen und multitaskbezogenen Audiodaten trainiert. Es ist ein Encoder-Decoder-Transformer für Sequenz-zu-Sequenz-Aufgaben.

    Verfügbarkeit und Zugang

    OpenAI veröffentlichte Modellcode und Gewichte; zusätzlich ist whisper-1 über die Audio API verfügbar. Neuere Transkriptionsmodelle können bei einzelnen Aufgaben bessere Qualität oder Zusatzfunktionen bieten.

    Benchmarks und Grenzen

    Genauigkeit hängt von Sprache, Aufnahmequalität, Fachbegriffen, Sprecherwechseln und Geräuschen ab. Stille oder schwer verständliche Passagen können falsche Wörter erzeugen. Für rechtlich oder medizinisch relevante Transkripte ist eine Kontrolle erforderlich.

    Offizielle Quellen