Ming-3.0 Faoliyat yuritmoqda

Ming-3.0 — Ant Group’ning Bailing jamoasi tomonidan ochiq manba sifatida taqdim etilgan nutq modellari oilasi. U nutq sintezi, audioni tushunish va dialog, nutqni tanib olish kabi uch turdagi vazifa uchun beshta modelni taklif qiladi. Ming-3.0-tts seriyasi his-tuyg‘u, ritm va urg‘uni “rejissyor rejimi” orqali nozik boshqarishni qo‘llab-quvvatlaydi; Ming-3.0-audio seriyasi uzun yozuvlarni uchidan uchigacha tushunib, ularni strukturali tarzda chiqaradi; Ming-3.0-asr seriyasi maxsus kalit so‘zlarni kiritish va shevalarni tanib olishni qo‘llab-quvvatlaydi. Modellar Ant Group’ning bir nechta ichki xizmatlarida qo‘llanilgan bo‘lib, onlayn sinov va API xizmatlarini taqdim etadi.

Voice Design ovoz tembri dizayni: matn tavsifi yoki namunaviy audio orqali kerakli ovoz tembrini sozlash.
Rejissyor rejimi: ko‘rsatmalar orqali nutqdagi his-tuyg‘u o‘zgarishlari, urg‘u o‘rni va ritmni nozik boshqarish.
Matn ichidagi paralingvistik teglar: matnga kulgi, xo‘rsinish kabi belgilarni kiritib, qahramon holatini yanada jonli ifodalash.
Uzun audioni uchidan uchigacha tushunish: uzun yozuvlarni bevosita transkripsiya qilish, umumlashtirish, umumiy fikr va kelishmovchiliklarni ajratib ko‘rsatish, his-tuyg‘u hamda so‘zlovchi ma’lumotlarini saqlab qolish.
Nutqiy xulosa va vositalarni chaqirish: yozuvni tushunish asosida xulosa chiqarish va tashqi vositalarni chaqirish, to‘liq nutq vazifalarini qo‘llab-quvvatlash.
Context ASR maxsus kalit so‘zlarni kiritish: tanib olish vaqtida kalit so‘zlar ro‘yxati va dialog kontekstini uzatib, aksentlar, joy nomlari hamda soha atamalarini aniq tanib olish.
Modellar kombinatsiyasiga asoslangan ish jarayoni: TTS, Audio va ASR imkoniyatlarini erkin birlashtirib, dasturchining o‘z biznes jarayoniga ulash.

WeChat’da kuzatib boring va “ochiq manba” deb javob yozing, AI ochiq manba loyihalari guruhiga qo‘shiling
Audio seriyasi: uzun audioni tushunish arxitekturasi. Ming-3.0-audio-flash kirish qismida 6.25 Hz past kadr tezligidagi audio ifodasidan foydalanib, bir xil yozuvga mos keladigan ketma-ketlik uzunligini qisqartiradi; til yadrosi Ling-3.0 asosida qurilgan bo‘lib, uzoq muddatli bog‘liqliklarni ushlash bilan birga hisoblash hajmini nazorat qilish uchun KDA va Gated MLA aralash diqqat mexanizmlarini birlashtiradi. Keyin siyrak MoE arxitekturasi xulosa chiqarish yukini yanada kamaytiradi. Shu orqali uzun yozuvlar bo‘yicha ketma-ket savollar berish va tezkor javob olish imkonini beradi, inson ovozi, audio hodisalari va atrof-muhit tovushi kabi nozik akustik ma’lumotlarni saqlab qoladi.
TTS seriyasi: shartli boshqariladigan nutq generatsiyasi. Ming-3.0-tts 0.5B kichik parametrlar hajmida yuqori tabiiylikdagi sintezni amalga oshiradi. Asosiy g‘oya — rejissyor ko‘rsatmalari va ovoz tembri tavsifi yoki namunaviy audioni shartli kirish sifatida olib, ularni sintez matni bilan birgalikda akustik generatsiyani boshqarishga qo‘llashdir. Shu tariqa model matnli tavsif orqali nozik ijro qatlamlarini ifodalay oladi.
TTS paralingvistik teglari: akustik hodisalarni aniq boshqarish. Matnga [Laughter] kabi satr ichidagi teglarni kiritish orqali paralingvistik hodisalarning o‘rnini modelga aniq bildiradi va kulgi, xo‘rsinish, yo‘tal kabi ifodalarni aniq joylashtirish imkonini beradi.
ASR seriyasi: korpus muhandisligi + kontekstni kiritish. Ming-3.0-asr-tiny mandarin, ingliz tili, shevalar va sohaviy kalit so‘zlarni qamrab oluvchi yuqori sifatli korpusni yaratadi hamda ma’lumotlar taqsimotini oqilona boshqaradi. Shu bilan birga, til modeli bazasining kontekstni tushunish qobiliyatidan foydalanib, ehtimoliy kalit so‘zlar ro‘yxati va dialog kontekstini tanib olish jarayoniga shartli ma’lumot sifatida kiritadi. Bu omofonlar va kam uchraydigan nomlarni aniqlashga yordam beradi, muayyan vaziyat uchun qo‘shimcha o‘qitish talab qilinmaydi.

Onlayn sinov: https://ling.tbox.cn manziliga kiring, Ling Studio Chat’da Ming-3.0-audio-flash modelini tanlang va audioni yuklab, audioni tushunish hamda dialog imkoniyatlarini sinab ko‘ring.
API’ga ulash: Ling Studio orqali tts-0.5B, audio-flash va asr-tiny modellari uchun taqdim etilgan API xizmatlarini chaqirib, nutqni tanib olish va nutq generatsiyasini o‘z biznes jarayoningizga ulang.
Mahalliy joylashtirish: Hugging Face’dan model og‘irliklarini yuklab olib, mahalliy muhitda ishga tushiring.
Ish jarayoniga birlashtirish: TTS, Audio va ASR imkoniyatlarini ehtiyojga ko‘ra ketma-ket ulab, “nutq kiritish → tushunish va tahlil → ovozli xabar” kabi to‘liq jarayonni amalga oshiring.

Uch asosiy vazifaning to‘liq qamrovi: nutq sintezi, audioni tushunish va nutqni tanib olish yo‘nalishlaridagi beshta model. Dasturchilar ularni ehtiyojga ko‘ra tanlashi yoki ish jarayoniga birlashtirishi mumkin.
Rejissyor rejimi sohadagi o‘ziga xos yangilik: matnli ko‘rsatmalar yordamida his-tuyg‘u, urg‘u va ritmni nozik boshqarish, an’anaviy TTS uchun qiyin bo‘lgan ijro darajasidagi nutq generatsiyasini amalga oshirish.
0.5B kichik parametrlar hajmida SOTA natija: talaffuz barqarorligi 93.2% bilan umumiy reytingda 1-o‘rin, Controlled Voice 1069 Elo bilan ochiq og‘irlikdagi modellar orasida 1-o‘rin. Joylashtirish qiymati shu darajadagi yirik modellarnikidan ancha past.
Uzun audioni uchidan uchigacha tushunish: his-tuyg‘u, so‘zlovchi shaxsi va atrof-muhit tovushi kabi ma’lumotlarni bevosita saqlab, yig‘ilish va intervyu bayonnomalarini bir qadamda tayyorlash.
Uzun audio bo‘yicha samarali xulosa: 6.25Hz past kadr tezligidagi ifoda + KDA/Gated MLA aralash diqqati + siyrak MoE uzun yozuvlarni tushunish va ular bilan o‘zaro ishlashdagi hisoblash yukini sezilarli kamaytiradi.
Kalit so‘zlar va kontekstni qo‘shimcha o‘qitishsiz kiritish: ASR tanib olish vaqtida kalit so‘zlar ro‘yxati va dialog kontekstini bevosita uzatish mumkin; shevalar, joy nomlari va sohaviy atamalarni tanib olish uchun qo‘shimcha o‘qitish talab qilinmaydi.

HuggingFace model kutubxonasi: https://huggingface.co/collections/inclusionAI/ming-30

Yig‘ilish va intervyu bayonnomalarini tayyorlash: audio-flash yordamida uzun yozuvlarni bevosita qayta ishlash, “erishilgan kelishuvlar, hal qilinishi kerak bo‘lgan masalalar, tomonlarning dalillari”ni avtomatik ajratib, ish bayonnomasi shaklida strukturali chiqarish va stenogrammani qo‘lda ko‘rib chiqish vaqtini tejash.
Audiokontent va qahramonlarga ovoz berish: kontent jamoasi TTS’ning Voice Design va rejissyor rejimidan foydalanib, qahramon sozlamalariga mos his-tuyg‘u, ritm va uslubga ega nutqni yaratadi; shuningdek, qahramonlarni yanada jonli qilish uchun kulgi va xo‘rsinishlarni qo‘shishi mumkin.
Mijozlarga xizmat ko‘rsatish va biznes nutqini transkripsiya qilish: asr-tiny mahsulot nomlari, joy nomlari kabi sohaviy kalit so‘zlar va dialog kontekstini kiritib, shevaga xos aksentli mijoz nutqini aniq taniydi. Mijozlarga xizmat ko‘rsatish yozuvlari, Alipay qidiruvi va xavfsiz shaxsni tasdiqlash kabi vaziyatlar uchun mos.
Mahsulotning ovozli yordamchisi: TTS va ASR’ni birlashtirib, nutq kiritish → semantik tushunish → ovozli xabar bosqichlarini bog‘lash. Masalan, A-Fu ilovasining asosiy dialogi va ovozli qo‘ng‘iroqlari, shuningdek, shifokor ovozini klonlovchi yordamchi.