Lange Zeit hinkte die Audio-KI der Bild- und Text-KI hinterher. Mit Projekten wie Voicebox und dem Nachfolger Audiobox hat Meta das Feld jedoch aufgerollt.

Text-to-Audio der nächsten Generation: Nutzer können per Textbefehl nicht nur Sprache, sondern komplette Soundkulissen erzeugen (z. B. „Ein fließender Bach mit Vogelgezwitscher im Hintergrund“).

Stil-Transfer: Die KI kann den Stil einer Stimme auf eine andere übertragen oder eine geschriebene Nachricht in verschiedenen emotionalen Tonlagen (wütend, flüsternd, freudig) aussprechen lassen.

Bearbeitung & Rauschentfernung: Audiobox kann störende Hintergrundgeräusche (wie Hundegebell oder Verkehr) aus einer Aufnahme entfernen, ohne die Stimme zu verzerren – und das oft besser als teure Studio-Software.

Jeder Creator kann somit ohne teures Equipment professionelle Audioinhalte erstellen.

Die vielleicht größte Revolution im Alltag ist der Formfaktor. Mit der Ray-Ban Meta Brille versucht der Konzern, das Audio-Erlebnis vom Smartphone zu entkoppeln.

• Open-Ear Technologie: Anstatt sich mit In-Ears von der Welt abzuschotten, nutzt Meta gerichtete Lautsprecher im Brillenbügel. Man hört Musik, Podcasts oder Anrufe, bleibt aber voll präsent in seiner Umgebung.
• Multimodale KI: Die Brille „hört“ und „sieht“. Du kannst der Brille Fragen zu dem stellen, was du gerade ansiehst, und sie antwortet dir direkt ins Ohr. Das ist der erste Schritt zum echten Ambient Computing – Technologie, die immer da ist, aber nicht stört.

Hinter den Kulissen revolutioniert Meta die Art und Weise, wie Töne übertragen werden. Mit EnCodec hat Meta einen KI-gestützten Audiokomprimierungs-Algorithmus entwickelt. EnCodec kann Audio bis zu 10-mal stärker komprimieren als das MP3-Format, ohne dass ein Qualitätsverlust für das menschliche Ohr hörbar ist.

Das ist entscheidend für das Metaverse und mobile Anwendungen. Es ermöglicht hochqualitative Sprachanrufe und Musikstreaming selbst bei extrem schlechter Internetverbindung.

Die Vision eines „Babelfischs“ (ein Universalübersetzer im Ohr) wird durch Metas KI-Modell SeamlessM4T greifbar.

• Es ist das erste All-in-One-Modell für multimodale Übersetzung.
• Es beherrscht Speech-to-Speech, Speech-to-Text und Text-to-Speech in fast 100 Sprachen.

Das Ziel: Latenzfreie Übersetzung in Echtzeit. Stellen Sie sich vor, Sie tragen Ihre Ray-Ban Meta Brille, Ihr Gesprächspartner spricht Japanisch, und Sie hören die Übersetzung simultan in Ihrer Muttersprache – direkt in Ihr Ohr geflüstert.

Meta hat verstanden, dass Präsenz (das Gefühl, wirklich an einem anderen Ort zu sein) zu 50 % aus Audio besteht. Ein visuell perfektes Metaverse wirkt ohne räumlichen 3D-Klang flach. Eine KI-Assistenz wirkt ohne eine natürlich klingende Stimme roboterhaft.

Durch die Kombination aus fortschrittlicher Hardware (Brillen), Komprimierung (EnCodec) und generativer KI (Audiobox) baut Meta gerade die umfassendste Audio-Infrastruktur der Tech-Welt auf.