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 MAX

pocket-tts-ru Русская дообученная версия pocket-tts - легкий синтезатор речи с клонированием голоса, работает на процессоре - Клонирование голоса по записи: 10–20 секунд чистой речи - Компактная - это 6-слойный ученик, дистиллированный из большой 24-слойной модели: быстрее и легче на инференсе - Вход: текст + референс-аудио голоса - Выход: WAV-файл речи - Лицензия CC-BY-NC-4.0 — бесплатно, но только для некоммерческого использования - Текст нужно готовить: ударения обозначаются знаком «+» перед ударной гласной, числа раскрываются — иначе речь поедет - Длинные фразы режутся — синтезировать лучше по предложениям - Качество повторяет промпт: шумная запись голоса даст шумную речь #tts #russian #compact VK | MAX