Ming-3.0-audio: модели для понимания и генерации аудио

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