Anfänger 6 Begriffe · 25 Min Lesezeit

KI-Audio & Video: Von TTS bis Sora

Generative Sprache, geklonte Stimmen, KI-komponierte Musik und Video aus Text – die multimodale KI-Revolution kompakt erklärt. Für Podcaster, Filmemacher und alle, die wissen wollen, wo die Reise hingeht.

Dein Fortschritt 0 / 6

Text-to-Speech (TTS)

Text-to-Speech (TTS) ist eine KI-Technologie, die Texteingaben mithilfe neuronaler Netze in natürlich klingende Sprache umwandelt.
Speech-to-Text (STT)

Speech-to-Text (STT) wandelt gesprochene Sprache per KI automatisch in Text um – die Basis jedes modernen Sprachassistenten.
Voice Cloning

Voice Cloning ist eine KI-Technologie, die aus wenigen Sekunden Audio eine synthetische Stimmkopie mit individuellen Merkmalen wie Timbre und Rhythmus erzeugt.
Music Generation (AI)

AI Music Generation bezeichnet den Einsatz generativer KI-Modelle, um aus Text-Prompts oder Audio-Eingaben vollständige Musik-Tracks automatisch zu erzeugen.
Text-to-Video

Text-to-Video ist eine KI-Technologie, die aus textuellen Prompts automatisch Videos generiert – ohne Kamera, Studio oder Schnitt.
Image-to-Video

Image-to-Video ist eine KI-Technik, die aus einem statischen Bild per Prompt ein dynamisches Video generiert – mit Bewegungen, Kamerafahrten und Animationen.

Text-to-Speech (TTS)

Speech-to-Text (STT)

Voice Cloning

Music Generation (AI)

Text-to-Video

Image-to-Video