Ming-3.0 آپریشن میں

Ming-3.0 چیونٹی بائی لنگ کا اوپن سورس صوتی ماڈل سلسلہ ہے، جو صوتی ترکیب، آڈیو فہم و مکالمہ، اور تقریر کی شناخت جیسے تین کاموں کے لیے پانچ ماڈلز پیش کرتا ہے۔ Ming-3.0-tts سلسلہ ”ڈائریکٹر موڈ“ کے ذریعے جذبات، رفتار اور لہجے پر باریک کنٹرول فراہم کرتا ہے؛ Ming-3.0-audio سلسلہ طویل ریکارڈنگ کو اینڈ ٹو اینڈ سمجھ کر اسے منظم شکل میں پیش کر سکتا ہے؛ Ming-3.0-asr سلسلہ کلیدی الفاظ شامل کرنے اور لہجوں کی شناخت کو سپورٹ کرتا ہے۔ یہ ماڈلز چیونٹی کے متعدد اندرونی کاروباری شعبوں میں استعمال ہو چکے ہیں اور آن لائن تجربہ و API خدمات فراہم کرتے ہیں۔

Voice Design صوتی رنگت کا ڈیزائن: ہدفی صوتی رنگت کو متن کی وضاحت یا حوالہ آڈیو کے ذریعے حسب ضرورت بنائیں۔
ڈائریکٹر موڈ: ہدایات کے ذریعے آواز کے جذباتی اتار چڑھاؤ، لہجے کی جگہ اور رفتار کو باریک بینی سے کنٹرول کریں۔
متنی پیرا لسانی ٹیگز: متن میں ہنسی، آہ وغیرہ کے نشانات شامل کر کے کردار کی کیفیت کو زیادہ جاندار بنائیں۔
طویل آڈیو کی اینڈ ٹو اینڈ تفہیم: طویل ریکارڈنگ کو براہِ راست نقل، خلاصہ اور اتفاق و اختلاف کے نکات اخذ کرنے کے لیے استعمال کریں، جبکہ جذبات اور مقرر کی معلومات محفوظ رہیں۔
صوتی استدلال اور ٹول کالنگ: ریکارڈنگ کی تفہیم کی بنیاد پر استدلال کریں اور بیرونی ٹولز کو کال کر کے مکمل صوتی کام انجام دیں۔
Context ASR کلیدی الفاظ کا اندراج: شناخت کے وقت کلیدی الفاظ کی فہرست اور سابقہ مکالمہ فراہم کر کے لہجوں، مقامات کے ناموں اور پیشہ ورانہ اصطلاحات کی درست شناخت کریں۔
ماڈلز پر مبنی ورک فلو: TTS، Audio اور ASR کی تینوں صلاحیتوں کو آزادانہ طور پر جوڑ کر ڈویلپر کے اپنے کاروباری ورک فلو میں شامل کریں۔

WeChat پر ”اوپن سورس“ لکھ کر جواب حاصل کریں اور AI اوپن سورس پروجیکٹس کے گروپ میں شامل ہوں
Audio سلسلہ: طویل آڈیو کی تفہیم کا ڈھانچہ۔ Ming-3.0-audio-flash ان پٹ پر 6.25 Hz کم فریم ریٹ والی آڈیو نمائندگی استعمال کرتا ہے، جس سے ایک ہی ریکارڈنگ کے مطابق سلسلے کی لمبائی کم ہو جاتی ہے؛ زبان کا بنیادی ماڈل Ling-3.0 ہے، جس میں KDA اور Gated MLA کی مخلوط توجہ شامل ہے۔ یہ طویل مدتی انحصار کو سمجھتے ہوئے کمپیوٹیشنل مقدار کو قابو میں رکھتی ہے، پھر Sparse MoE ڈھانچے کے ذریعے استدلال کا بوجھ مزید کم کیا جاتا ہے۔ یوں طویل ریکارڈنگ پر مسلسل سوالات اور تیز ردعمل ممکن ہوتا ہے، جبکہ انسانی آواز، آڈیو واقعات اور محیطی آواز جیسی باریک صوتی معلومات برقرار رہتی ہیں۔
TTS سلسلہ: مشروط صوتی تخلیق۔ Ming-3.0-tts صرف 0.5B پیرامیٹرز کے ساتھ اعلیٰ فطری پن کی ترکیب پیش کرتا ہے۔ بنیادی خیال یہ ہے کہ ڈائریکٹر کی ہدایات اور صوتی رنگت کی وضاحت/حوالہ آڈیو کو مشروط ان پٹ کے طور پر لے کر ترکیبی متن کے ساتھ صوتی تخلیق کو مشترکہ طور پر کنٹرول کیا جائے، تاکہ ماڈل متنی وضاحت کے ذریعے اداکاری کی باریک پرتیں پیش کر سکے۔
TTS پیرا لسانی ٹیگز: صوتی واقعات کا واضح کنٹرول۔ متن میں [Laughter] جیسے اندرونی ٹیگز شامل کر کے پیرا لسانی واقعات کی جگہ ماڈل کو واضح طور پر بتائی جاتی ہے، جس سے ہنسی، آہ اور کھانسی جیسے اظہارات کو درست جگہ شامل کیا جا سکتا ہے۔
ASR سلسلہ: کارپس انجینئرنگ + سیاقی اندراج۔ Ming-3.0-asr-tiny معیاری چینی، انگریزی، مختلف لہجوں اور شعبہ جاتی کلیدی الفاظ پر مشتمل اعلیٰ معیار کا کارپس تیار کرتا ہے اور ڈیٹا کی تقسیم کو مناسب طور پر کنٹرول کرتا ہے۔ ساتھ ہی زبان کے بنیادی ماڈل کی سیاقی تفہیم کی صلاحیت استعمال کرتے ہوئے ممکنہ کلیدی الفاظ کی فہرست اور سابقہ مکالمے کو مشروط معلومات کے طور پر شناختی عمل میں شامل کرتا ہے، تاکہ ہم صوتی الفاظ اور نایاب ناموں کی شناخت میں مدد ملے، اور مخصوص منظرناموں کے لیے اضافی تربیت کی ضرورت نہ رہے۔

آن لائن تجربہ: https://ling.tbox.cn ملاحظہ کریں، Ling Studio Chat میں Ming-3.0-audio-flash منتخب کریں، اور آڈیو اپ لوڈ کر کے آڈیو فہم و مکالمے کی صلاحیت آزمائیں۔
API سے منسلک کریں: Ling Studio کے ذریعے tts-0.5B، audio-flash اور asr-tiny تینوں ماڈلز کی فراہم کردہ API خدمات کال کریں، اور تقریر کی شناخت و صوتی تخلیق کو اپنے کاروباری ورک فلو میں شامل کریں۔
مقامی تنصیب: Hugging Face سے ماڈل کے وزن ڈاؤن لوڈ کر کے مقامی ماحول میں لوڈ اور چلائیں۔
ورک فلو میں شامل کریں: TTS، Audio اور ASR کی مختلف صلاحیتوں کو ضرورت کے مطابق جوڑ کر ”صوتی ان پٹ→تفہیم و تجزیہ→صوتی نشر“ جیسا مکمل سلسلہ بنائیں۔

تینوں کاموں کا مکمل احاطہ: صوتی ترکیب، آڈیو فہم اور تقریر کی شناخت کی تین پروڈکٹ لائنز میں پانچ ماڈلز شامل ہیں، جنہیں ڈویلپر ضرورت کے مطابق منتخب یا جوڑ کر ورک فلو میں شامل کر سکتے ہیں۔
ڈائریکٹر موڈ میں صنعتی جدت: متنی ہدایات سے جذبات، لہجے اور رفتار کو باریک بینی سے کنٹرول کریں، اور ایسی اداکارانہ آوازیں تخلیق کریں جو روایتی TTS کے لیے مشکل ہیں۔
0.5B کم پیرامیٹرز کے ساتھ SOTA: تلفظ کی مضبوطی 93.2%، پوری فہرست میں مشترکہ طور پر نمبر 1؛ Controlled Voice میں 1069 Elo، اوپن ویٹس میں نمبر 1؛ تعیناتی کی لاگت ہم سطح بڑے ماڈلز سے کہیں کم۔
طویل آڈیو کی اینڈ ٹو اینڈ تفہیم: جذبات، مقرر کی شناخت اور محیطی آواز جیسی معلومات براہِ راست محفوظ رہتی ہیں، جس سے اجلاس اور انٹرویو کے خلاصے فوری تیار ہو جاتے ہیں۔
طویل آڈیو پر مؤثر استدلال: 6.25Hz کم فریم ریٹ نمائندگی + KDA/Gated MLA مخلوط توجہ + Sparse MoE، طویل ریکارڈنگ کی تفہیم اور تعامل کے کمپیوٹیشنل بوجھ کو نمایاں طور پر کم کرتے ہیں۔
کلیدی الفاظ اور سیاق کا بغیر تربیت اندراج: ASR شناخت کے دوران کلیدی الفاظ کی فہرست اور سابقہ مکالمہ براہِ راست فراہم کیا جا سکتا ہے، لہجوں، مقامات کے ناموں اور پیشہ ورانہ اصطلاحات کی شناخت کے لیے اضافی تربیت درکار نہیں۔

HuggingFace ماڈل لائبریری: https://huggingface.co/collections/inclusionAI/ming-30

اجلاس اور انٹرویو کے خلاصوں کی تیاری: audio-flash سے طویل ریکارڈنگ کو براہِ راست پروسیس کریں، خودکار طور پر ”طے شدہ اتفاقِ رائے، زیرِ فیصلہ مسائل اور各 فریق کی وجوہات“ اخذ کریں، اور انہیں منظم ورک منٹس کی شکل میں پیش کریں، یوں لفظ بہ لفظ نقل کو دستی طور پر پڑھنے کا وقت بچتا ہے۔
آڈیو مواد اور کرداروں کی ڈبنگ: مواد کی ٹیم TTS کے Voice Design اور ڈائریکٹر موڈ کے ذریعے کردار کے مطابق جذبات، رفتار اور انداز سے ہم آہنگ آواز تیار کر سکتی ہے، اور کردار کو مزید جاندار بنانے کے لیے ہنسی و آہ بھی شامل کر سکتی ہے۔
کسٹمر سروس اور کاروباری صوتی نقل: asr-tiny میں مصنوعات کے نام، مقامات کے نام اور دیگر صنعتی کلیدی الفاظ کے ساتھ مکالمے کا سیاق شامل کریں، تاکہ لہجے والی صارف آواز کی درست شناخت ہو سکے۔ یہ کسٹمر سروس ریکارڈ، Alipay تلاش اور محفوظ شناختی تصدیق جیسے منظرناموں کے لیے موزوں ہے۔
مصنوعاتی صوتی معاون: TTS اور ASR کو جوڑ کر صوتی ان پٹ→معنوی تفہیم→صوتی نشر کے دونوں مراحل کو مربوط کریں، جیسے 阿福 APP کا مرکزی مکالمہ و صوتی کال اور ڈاکٹر کی آواز کی نقل کرنے والا معاون۔