21 октября 2026 г.
Ming-3.0-audio-flash: открытая модель слушает запись и отвечает голосом, лицензия MIT
21 октября Ant Group выложила открытую аудиомодель Ming-3.0 Audio с весами и кодом под лицензией MIT. У Flash 126 млрд параметров, на каждый запрос работают 6,5 млрд; есть и компактный tiny на 9,3 млрд, из них 2,7 млрд активных.
Клонируете репозиторий GitHub inclusionAI/Ming-3.0-audio-flash, создаёте окружение и ставите requirements-transformers.txt. Пример разбирает аудиофайл с промптом, веса качаются командой hf download с Hugging Face.
Железо зависит от режима. Текстовый ответ у tiny влезает в один GPU. Голосовой ответ у tiny занимает два: один обрабатывает вход, второй синтезирует речь. Flash с контекстом 128K в референсной схеме через vLLM-Omni работает на восьми GPU H800 по 80 ГБ.
Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.
В демо модель слушает фразу «я волнуюсь перед завтрашней презентацией» и отвечает голосом. Та же модель разбирает запись отчётного созвона, распознаёт звуки и обсуждает песню.
Семейство открыто целиком, и большой Flash, и компактный tiny доступны для запуска у себя.
Первоисточник