Ming-3.0-audio

Понимание аудио напрямую, без текста посередине

• Нна выход текст или голос
• Две версии: flash на 126 млрд с 6,5 активными и tiny на 9,3 млрд с 2,7 активными

• Распознавание речи в шуме, с диалектами и акцентами, для нескольких говорящих
• Ответы на вопросы по содержимому аудио, рассуждения над звуком
• Понимает длинные записи, речь, шумы, музыку, обстановку
• Голосовой ответ с клонированием по референсу

• Основные языки - китайский и английский
• tiny живет на одной видеокарте
• У flash контекст на 128 тысяч токенов, нужны восемь H800
• Лицензия MIT

• Поднимается через vLLM-Omni и SGLang, OpenAI-совместимые эндпоинты

huggingface.co/inclusionAI/Ming-3.0-audio-flash
huggingface.co/inclusionAI/Ming-3.0-audio-tiny
github.com/inclusionAI/Ming-3.0-audio-flash

#alm #stt #tts #voicecloning