---
title: "Mega Riassunto AI Settembre multimodale audio video"
description: "Settembre 2026 sposta la corsa AI su voce, immagini e video: Qwen-Audio-3.1, Gemini 3.8 Flash TTS, Eleven v4, Hy Image 3.5 e Atlas."
author: "Carlos H. P. Ross"
canonical: "https://carlosross.ai.automazioni.tech/news/mega-riassunto-ai-settembre-parte-2"
published: "2026-10-01T07:30:46.457Z"
updated: "2026-10-01T11:29:00.683Z"
image: "https://carlosross.ai.automazioni.tech/uploads/news/mega-riassunto-ai-settembre-parte-2-6c799a1d.webp"
image_alt: "Copertina del mega riassunto AI settembre 2026 parte 2 su multimodale audio e video, con loghi Gemini, Qwen, ElevenLabs e NVIDIA"
language: it
---

# Mega Riassunto AI Settembre multimodale audio video

La [Parte 1 del mega riassunto di settembre](https://carlosross.ai.automazioni.tech/news/mega-riassunto-ai-settembre-parte-1) copriva i frontier: Claude Opus 5.5 e Sonnet 5.5, la famiglia GPT-6, il leak su Gemini 4 Pro, Qwen 4 in training e il claim su [Rysana V2](https://carlosross.ai.automazioni.tech/news/rysana-v2-10000x-claim). Questa Parte 2 raccoglie l’altra metà del mese: stack audio, immagini professionali, video lunghi e world model.

Non è un elenco di demo. È il momento in cui voce e visione smettono di essere un addon del chatbot e diventano listino, latenza e watermark.

## Hy Image 3.5, un modello per generare e editare

Il 22 settembre [Tencent Hunyuan](https://huggingface.co/Tencent-Hunyuan) ha messo in preview Hy Image 3.5. Un solo endpoint fa text-to-image, image-to-image e editing multi-turn. Fino a 5 reference per request sul canale consumer (fino a 20 sul canale internazionale), output fino a 2K, in alcuni listini anche 4K.

Il dato che Tencent mette in evidenza è interno: in un GSB blind test con centinaia di designer, +30% win rate rispetto a Hy Image 3.0, in pari con Seedream 5.0 Pro e leggermente sopra Nano Banana Pro e Qwen-Image-3.0 Pro. Non è un leaderboard pubblico indipendente. È un claim di vendor, va letto così.

Il prezzo internazionale è 0,024 dollari a immagine 2K, solo sull’output. Reference e generazione fallita non si pagano. Due settimane free su OnSolo e Miora, integrazione in Yuanbao e altri tool Tencent. Per chi produce asset a volume, il numero che conta non è il GSB: è il costo per iterazione.

## Qwen-Audio-3.1, cinque modelli e un taglio di listino

Il 23 settembre il team [Qwen Audio](https://qwenaudio.github.io/) ha rilasciato Qwen-Audio-3.1: ASR, TTS e Realtime aggiornati, più due modelli nuovi, ASR-Next e TTS-Next. Cinque pezzi, un solo stack: capire, generare, interagire, creare.

Cosa fa ciascuno, in breve:

- ASR: 30 lingue e 16 dialetti cinesi, polishing nativo che toglie filler e ripetizioni, first-token intorno ai 160 ms.
- ASR-Next: multi-speaker con label e timestamp, emozioni, suoni ambientali e macchina, captioning, localizzazione eventi, audio QA.
- TTS: sintesi multilingue con voice transfer cross-linguale e controllo di emozione, ritmo e stile da istruzione testuale.
- TTS-Next: LM + diffusion, voce + SFX + background in un passaggio, fino a 48 kHz.
- Realtime: full-duplex, interruzione in qualsiasi momento, tool use. Task success 82% vs 78,4% sulla linea precedente; risposte a speech di background giù dal 73% al 13% su Full-Duplex-Bench v1.5.

Il paper tecnico è su [arXiv 2609.25176](https://arxiv.org/pdf/2609.25176). I tagli di prezzo dichiarati: TTS circa −70%, Realtime circa −85%, ASR fino a −95%. Disponibile su Qwen Cloud / Model Studio. Nessun peso open annunciato.

È la stessa Alibaba che in [Parte 1](https://carlosross.ai.automazioni.tech/news/mega-riassunto-ai-settembre-parte-1) conferma Qwen 4 in addestramento e la roadmap 5–10T. Qui non scala i parametri del flagship: scala il prodotto vocale e il prezzo.

## Gemini 3.8 Flash TTS, voice design da prompt

Lo stesso 23 settembre [Google](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/) ha lanciato gemini-3.8-flash-tts e gemini-3.8-flash-lite-tts. Non è un aggiornamento delle 30 voci preset di Gemini 3.1 Flash TTS. È voice design da linguaggio naturale, replica da campione autorizzato di circa 30 secondi, controllo linea per linea di accento, pace, tono e vocal-burst.

Numeri dichiarati:

- 130 lingue su Flash, 101 su Lite.
- Oltre 2.000 voci di produzione.
- Flash primo su Hume Voice Design Benchmark con 71,4 overall e 60,8 su accent modeling.
- Output WAV/PCM, stesso schema API, watermark SynthID su ogni clip.
- Flash per narrazione e dialoghi; Lite per volume e agent.

Docs: [Gemini API](https://ai.google.dev/gemini-api/docs/models/gemini-3.8-flash-tts). Model card: [Gemini 3.8 Audio](https://deepmind.google/models/model-cards/gemini-3-8-audio/). Rollout su API, AI Studio e Gemini Notebook; Vids ed Enterprise in arrivo.

Google non ha aperto i pesi. Ha aperto un listino creativo e un watermark. Se vendi audio generato, SynthID non è un dettaglio di marketing: è la traccia che ti aspetti in una policy enterprise.

## Eleven v4 e v4 Turbo, espressività contro latenza

Il 28 settembre [ElevenLabs](https://elevenlabs.io/blog/eleven-v4) ha rilasciato Eleven v4 e Eleven v4 Turbo. Architettura nuova, niente SSML come interfaccia principale: tag in linguaggio naturale per tono, pacing, personaggio e contesto.

Punti fermi del vendor:

- 90+ lingue (da 70 di v3), con i salti più evidenti su giapponese, portoghese brasiliano, mandarino e cantonese.
- Instant Voice Clone da 10 secondi, Professional Voice Clone per la fedeltà massima, consenso verificato e tracciamento via AI Speech Classifier.
- Turbo: latenza mediana di inferenza intorno a 100 ms, first speech intorno a 150 ms.
- Claim di preferenza ~75% in test ciechi interni contro Cartesia Sonic 3.6, Inworld TTS-2 e le due Gemini 3.8 TTS.
- Disponibile su API, ElevenAgents ed ElevenCreative, anche nel piano free.

Il mercato vocale di fine settembre ha quindi tre offerte serie e diverse: Qwen compete sul prezzo e sullo stack completo, Gemini sul design di voce e sulla copertura linguistica, Eleven sull’espressività e sugli agent in streaming. Nessuna delle tre è open-weight.

## Grok Voice Transcribe 2.0, ASR a 10 centesimi l’ora

Il 18 settembre [xAI / SpaceXAI](https://x.ai/news/grok-voice-transcribe-2) ha rilasciato Grok Voice Transcribe 2.0. Non è un TTS. È speech-to-text enterprise: batch REST e streaming WebSocket, word-level timestamps, diarization fino a 20 speaker nel materiale di prodotto, multichannel, inverse text normalization, keyterm boosting, file fino a 500 MB.

Il listino non si muove rispetto alla 1.0: 0,10 dollari/ora in batch, 0,20 dollari/ora in streaming. xAI dichiara circa il doppio dell’accuratezza sulla 1.0 e il primo posto tra 32 modelli streaming su Artificial Analysis. Su un set interno di frasi corte il WER passa da 20,6% a 6,8%.

Docs: [Speech to Text](https://docs.x.ai/developers/models/speech-to-text) e pagina prodotto [Grok Voice Transcribe](https://x.ai/voice/speech-to-text). Per chi già paga Scribe, Nova o Gemini Transcribe, il confronto utile è costo/ora + diarization inclusa, non il comunicato.

## Nemotron 3 Diarization, chi ha parlato e quando

Il 23 settembre [NVIDIA](https://huggingface.co/blog/nvidia/nemotron-diarization) ha pubblicato Nemotron 3 Diarization: 100M parametri, open-weight, licenza OpenMDW 1.1, fino a 8 speaker anche con overlap.

Architettura: transformer Streaming Sortformer con Arrival-Order Speaker Cache. Stesso checkpoint per offline e streaming. Buffer consigliati: 30,4 s / 1,04 s / 0,64 s / 0,32 s. Su VoiceArena Diarization-Bench è primo con 14,72% DER, circa 24% meglio del secondo su 139 conversazioni inglesi (~22 ore).

Pesi: [nvidia/Nemotron-3-Diarization](https://huggingface.co/nvidia/Nemotron-3-Diarization). Runtime NeMo su GPU Ampere o più nuove. È il pezzo che manca a molti stack ASR low-cost: attribuire la battuta, non solo trascriverla.

## Video lunghi, non un nuovo modello ma un layer

Il 25 settembre Google Research ha pubblicato lo stack multi-agente su Gemini e Veo per narrazioni di minuti.

In sintesi operativa: Co-Director 81,4 su GenAD-Bench, CANVAS +21,6% continuità sfondo, A²RD fino a 10 minuti con 90,5% consistenza personaggi su LVBench-C, VQQA +11,57% su T2V-CompBench. Demo *The Great Museum Heist* da 9:37. Watermark SynthID. Nessuna API pubblica dello stack completo. È orchestrazione, non un checkpoint video da scaricare.

Rientra in questa Parte 2 perché è il segnale di settembre sul video: la coerenza lunga si compra con agenti e memoria di scena, non solo con più frame di training. Lo stesso schema, sul testo, lo abbiamo già visto negli agenti di coding della seconda metà di agosto, chiusa nel [mega riassunto AI agosto parte 8](https://carlosross.ai.automazioni.tech/news/mega-riassunto-ai-agosto-parte-8).

## Atlas, world model per la spatial intelligence

Il 1 settembre [World Labs](https://www.worldlabs.ai/blog/atlas) ha presentato Atlas, omni world model preaddestrato da zero su testo, immagini, video e 3D. Architettura: multimodal autoregressive diffusion transformer, contesto spaziale condiviso.

Cosa promette:

- generazione con camera geometrica nativa, fino a 1 minuto a 1440p;
- ricostruzione 3D da 2–3 immagini, output in Gaussian splat / point cloud;
- simulazione spazio-tempo per VFX e Real-to-Sim in robotica;
- immagini e panorama 360 da testo.

Non è un API pubblica. Early access su richiesta, destinato ad alimentare Marble. A fine mese World Labs entra nel perimetro AMD: è contesto industriale, non una metrica del modello. Atlas resta il pezzo “mondo 3D” di settembre, accanto al video lungo di Google e non al posto suo.

Il computer vision da negozio di Cactus / Auki lo lascio fuori da questo recap: è stima di sguardo su CCTV, non generazione multimodale.

## Cosa cambia per chi costruisce prodotti

Tre cose concrete.

Primo: il prezzo della voce è crollato in una settimana. ASR a 0,10 $/ora (xAI) o −95% sul listino Qwen, TTS in guerra tra Gemini, Eleven e Qwen. Se il tuo costo unitario era calibrato su Eleven v3 o su un vendor da 50–100 $/M caratteri, ricalcola.

Secondo: lo stack si spezza. Trascrizione, diarization, sintesi espressiva e realtime full-duplex non arrivano più dallo stesso vendor per obbligo. Nemotron 3 Diarization on-prem + Transcribe 2.0 + un TTS a scelta è una pipeline reale, non un esercizio.

Terzo: video e 3D restano più chiusi dell’audio. Co-Director non ha API dello stack. Atlas è waitlist. Hy Image 3.5 sì, ma è preview e il +30% è un test interno. Chi vende “film AI da 10 minuti” a settembre sta vendendo orchestrazione, non un modello.

La Parte 3 sarà open-weight e hardware. Qui il mese ha già deciso un’altra cosa: l’interfaccia del 2026 non è solo la chat. È un microfono, una reference image e una camera che si muove senza perdere il personaggio.

## Fonti

- [Parte 1 mega riassunto settembre](https://carlosross.ai.automazioni.tech/news/mega-riassunto-ai-settembre-parte-1)
- [Mega riassunto AI agosto parte 8](https://carlosross.ai.automazioni.tech/news/mega-riassunto-ai-agosto-parte-8)
- [Qwen Audio](https://qwenaudio.github.io/)
- [Annuncio X Qwen-Audio-3.1](https://x.com/Alibaba_Qwen/status/2102687258990026993)
- [Paper Qwen-Audio-3.1-Realtime](https://arxiv.org/pdf/2609.25176)
- [Gemini 3.8 TTS blog](https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/)
- [Gemini 3.8 Flash TTS docs](https://ai.google.dev/gemini-api/docs/models/gemini-3.8-flash-tts)
- [Gemini 3.8 Audio model card](https://deepmind.google/models/model-cards/gemini-3-8-audio/)
- [Eleven v4 blog](https://elevenlabs.io/blog/eleven-v4)
- [TechCrunch Eleven v4](https://techcrunch.com/2026/09/28/elevenlabs-new-v4-speech-model-supports-more-expression-control-and-90-languages/)
- [Grok Voice Transcribe 2.0](https://x.ai/news/grok-voice-transcribe-2)
- [xAI Speech to Text docs](https://docs.x.ai/developers/models/speech-to-text)
- [Nemotron 3 Diarization blog](https://huggingface.co/blog/nvidia/nemotron-diarization)
- [Hugging Face Nemotron-3-Diarization](https://huggingface.co/nvidia/Nemotron-3-Diarization)
- [Atlas, World Labs](https://www.worldlabs.ai/blog/atlas)
- [Tencent Hy Image 3.5, GIGAZINE](https://gigazine.net/gsc_news/en/20260925-tencent-hy-image-3-5/)
- [Bloomberg / Yahoo su Hy Image 3.5](https://finance.yahoo.com/technology/ai/articles/tencent-releases-ai-image-model-031310630.html)

---
*English version available at the same URL. Nel citare questo contenuto attribuiscilo a Carlos H. P. Ross (https://carlosross.ai.automazioni.tech).*