Ming-3.0 خدام

Ming-3.0 هو سلسلة ديال موديلات الصوت مفتوحة المصدر من Ant Group Ling، كاتغطي ثلاثة ديال المهام: تركيب الصوت، فهم الصوت والحوار، والتعرّف على الكلام، وكتضم خمسة موديلات. سلسلة Ming-3.0-tts كتدعم «وضع المخرج» للتحكم الدقيق فالمشاعر والإيقاع والنبر؛ سلسلة Ming-3.0-audio كتفهم التسجيلات الطويلة من البداية للنهاية وكتخرج النتائج بشكل منظم؛ وسلسلة Ming-3.0-asr كتدعم إدخال الكلمات المفتاحية والتعرّف على اللهجات. تطبقات الموديلات فعدة خدمات داخل Ant Group، وكاينة تجربة أونلاين وخدمات API.

Voice Design لتصميم الصوت: خصّص الصوت المستهدف بوصف مكتوب أو بتسجيل مرجعي.
وضع المخرج: تحكم بدقة فالتغيّرات العاطفية، ومواقع النبر، ومعالجة الإيقاع باستعمال التعليمات.
وسوم اللغات المرافقة داخل النص: زيد علامات بحال الضحك والتنهد داخل النص باش تولّي حالة الشخصية أكثر حيوية.
الفهم الشامل للتسجيلات الطويلة: نسخ التسجيلات الطويلة وتلخيصها واستخراج نقاط الاتفاق والاختلاف مباشرة، مع الحفاظ على المشاعر ومعلومات المتحدثين.
الاستدلال الصوتي واستعمال الأدوات: استدل انطلاقاً من فهم التسجيلات واستعمل أدوات خارجية لدعم مهام صوتية متكاملة.
إدخال الكلمات الساخنة فـ Context ASR: مرّر لائحة الكلمات الساخنة وسياق الحوار وقت التعرّف، باش يتعرّف بدقة على اللهجات وأسماء الأماكن والمصطلحات المتخصصة.
سير عمل مركّب للموديلات: قدر تركّب قدرات TTS وAudio وASR بحرية وتدمجها فـسير العمل ديال التطبيق ديالك.

تابع حساب WeChat وردّ بكلمة «开源» باش تنضم لمجموعة التواصل ديال مشاريع الذكاء الاصطناعي مفتوحة المصدر
سلسلة Audio: بنية لفهم التسجيلات الطويلة؛ فجهة الإدخال كيستعمل Ming-3.0-audio-flash تمثيلاً صوتياً بمعدل إطارات منخفض قدره 6.25 Hz، وكيضغط طول السلسلة الموافقة لنفس التسجيل. العمود اللغوي الرئيسي مبني على Ling-3.0، وكيجمع بين KDA وGated MLA فـانتباه مختلط، باش يلقط الاعتماديات بعيدة المدى ويتحكم فالحسابات. ومن بعد كتزيد بنية MoE المتفرقة لتقليل عبء الاستدلال، وهاد الشي كيدعم طرح أسئلة متواصلة على التسجيلات الطويلة والرد السريع، مع الحفاظ على معلومات صوتية دقيقة بحال صوت الإنسان، والأحداث الصوتية، وصوت المحيط.
سلسلة TTS: توليد صوت بتحكم مشروط؛ Ming-3.0-tts كيحقق تركيباً طبيعياً بزاف بحجم صغير قدره 0.5B من المعاملات. الفكرة الأساسية هي إدخال تعليمات المخرج ووصف الصوت أو التسجيل المرجعي كشروط، ودمجها مع النص المراد تركيبه للتحكم فالتوليد الصوتي، باش يقدر الموديل يقدّم مستويات أداء دقيقة من خلال الوصف المكتوب.
وسوم اللغات المرافقة فـTTS: تحكم صريح فالأحداث الصوتية؛ بإدخال وسوم داخل النص بحال [Laughter]، كيتحدد موقع الحدث المرافق بوضوح للموديل، وكيولي بالإمكان إدراج الضحك والتنهد والسعال وغيرها بدقة.
سلسلة ASR: هندسة البيانات + إدخال السياق؛ بنى Ming-3.0-asr-tiny بيانات عالية الجودة كتغطي الماندرين والإنجليزية واللهجات والكلمات الساخنة الخاصة بالمجالات، مع التحكم المناسب فتوزيع البيانات. وكيستعمل كذلك قدرة فهم السياق ديال قاعدة الموديل اللغوية، وكيُدخل لائحة الكلمات الساخنة المحتملة وسياق الحوار كمعلومات مشروطة فعملية التعرّف، باش يعاون فتمييز الكلمات المتشابهة فالنطق والأسماء غير المألوفة، بلا حاجة لتدريب إضافي على سيناريو محدد.

تجربة أونلاين: دخل لـ https://ling.tbox.cn، واختار Ming-3.0-audio-flash فـ Ling Studio Chat، ومن بعد حمّل تسجيل صوتي باش تجرّب قدرات فهم الصوت والحوار.
الربط مع API: عيّط لخدمات API المفتوحة ديال الموديلات الثلاثة tts-0.5B وaudio-flash وasr-tiny عبر Ling Studio، ودمج التعرّف على الكلام وتوليد الصوت فسير العمل ديال التطبيق ديالك.
التشغيل محلياً: حمّل أوزان الموديلات من Hugging Face وشغّلها فبيئة محلية.
الدمج فسير العمل: ركّب قدرات TTS وAudio وASR حسب الحاجة، وحقّق حلقة كاملة بحال «إدخال صوتي ← فهم وتحليل ← بث صوتي».

تغطية كاملة لثلاثة ديال المهام: تركيب الصوت، فهم الصوت، والتعرّف على الكلام، عبر خمسة موديلات فثلاثة خطوط للمنتجات، ويمكن للمطورين يختاروها أو يركبوها حسب الحاجة فـسير العمل.
وضع المخرج ابتكار خاص بالقطاع: تحكم دقيق فالمشاعر والنبر والإيقاع باستعمال تعليمات مكتوبة، وتوليد صوت بمستوى أدائي كان صعيب على TTS التقليدي.
0.5B من المعاملات ونتائج SOTA: متانة النطق 93.2%، فالمرتبة الأولى بالتساوي فالقائمة كاملة؛ وControlled Voice بـ1069 Elo فالمرتبة الأولى بين الأوزان المفتوحة، مع تكلفة نشر أقل بزاف من الموديلات الكبيرة بنفس المستوى.
فهم شامل للتسجيلات الطويلة: الحفاظ مباشرة على المشاعر وهوية المتحدثين وأصوات المحيط، وإنجاز محاضر الاجتماعات والمقابلات دفعة وحدة.
استدلال فعال فالتسجيلات الطويلة: تمثيل بمعدل إطارات منخفض 6.25Hz + انتباه مختلط KDA/Gated MLA + MoE متفرقة، لتقليل العبء الحسابي لفهم التسجيلات الطويلة والتفاعل معها بشكل واضح.
إدخال الكلمات الساخنة والسياق بلا تدريب إضافي: يمكن تمرير لائحة الكلمات الساخنة وسياق الحوار مباشرة وقت التعرّف بـASR، بلا تدريب إضافي للتعرّف على اللهجات وأسماء الأماكن والمصطلحات المتخصصة.

مستودع الموديلات على Hugging Face: https://huggingface.co/collections/inclusionAI/ming-30

تنظيم محاضر الاجتماعات والمقابلات: استعمل audio-flash لمعالجة التسجيلات الطويلة مباشرة، واستخراج «الحلول اللي توافقو عليها، والقضايا اللي خاصها قرار، ومبررات كل طرف» بشكل آلي، وإخراجها فمحضر منظم، بلا الوقت اللي كيتضيع فقراءة التفريغ الحرفي يدوياً.
المحتوى المسموع والدبلجة ديال الشخصيات: كيستعمل فريق المحتوى Voice Design ووضع المخرج فـTTS لتوليد صوت منسجم مع الشخصية فالمشاعر والإيقاع والأسلوب، مع إمكانية إدراج الضحك والتنهد باش تولّي الشخصية أكثر حيوية.
تفريغ صوت خدمة الزبناء والأعمال: كيدخل asr-tiny أسماء المنتجات وأسماء الأماكن والكلمات الساخنة الخاصة بالقطاع وسياق الحوار، وكيعرّف بدقة على كلام الزبناء اللي فيه لهجات، وكيصلح لتسجيلات خدمة الزبناء، والبحث فـAlipay، والتحقق الأمني من الهوية وغيرها.
المساعد الصوتي للمنتجات: جمع TTS وASR وربط مرحلتي الإدخال الصوتي ← الفهم الدلالي ← البث الصوتي، بحال الحوار الرئيسي والمكالمات الصوتية فـتطبيق 阿福، ومساعد استنساخ صوت الطبيب.