モデル・開発
Ming-3.0-audio-flash
原題: Ming-3.0-audio-flash
音声の認識、理解、推論、応答を1モデルで提供
inclusionAIは2026年10月19日、Ming-3.0-audio-flashのモデルカードとウェイト、実行コードを公開しました。
音声とテキスト指示を入力し、音声認識、音声による質問応答、長時間録音の理解、音声に基づく推論を行います。
出力はテキストのほか、組み込み音声または参照音声を使った合成音声を選べます。
モデルは総1260億パラメータのMixture of Expertsで、推論時には65億パラメータを有効化します。
主な対応言語は中国語と英語で、方言、アクセント、雑音、複数話者を含む音声を対象にしています。
音声エンコーダーとプロジェクター、MoE言語モデルを組み合わせ、任意のTalkerが音声応答を生成します。
Transformersの実行例に加え、vLLM-OmniとSGLangで配信するためのスクリプトを公開しました。
モデルカードの128K参照構成は80GB H800を8基、検証済みSGLang構成は4基のGPUを使う例であり、最小要件とは明記されていません。
ウェイトとコードはMITライセンスで公開され、Hugging Face、ModelScope、GitHubから取得できます。
音声認識、音声知能、テキストの評価値はinclusionAI自身の測定であり、独立評価とは区別する必要があります。