มดไป่หลิงเปิดซอร์สโมเดลเสียง 5 รุ่น: TTS ขนาด 500 ล้านพารามิเตอร์คว้าอันดับหนึ่งในหมู่โอเพนซอร์สในการทดสอบฟังแบบปิดเสียงเดียวกัน

动察 Beating ข่าวด่วน AI，Ant Bailing เปิดโอเพนซอร์สชุดโมเดลเสียง Ming-3.0 ครอบคลุมสามด้านหลัก ได้แก่ การสังเคราะห์เสียง การเข้าใจเสียง และการรู้จำเสียง รวมทั้งหมด 5 โมเดล ประกอบด้วย TTS 2 โมเดล Audio 2 โมเดล และ ASR 1 โมเดล ทั้งหมดใช้สัญญาอนุญาต MIT นักพัฒนาสามารถนำมาผสมผสานกันเพื่อทำการป้อนเสียง การวิเคราะห์เนื้อหา และการตอบกลับด้วยเสียง

ที่โดดเด่นที่สุดคือ Ming-3.0-tts-0.5B ที่มีพารามิเตอร์เพียง 500 ล้าน ผู้ใช้สามารถสั่ง AI เหมือนผู้กำกับด้วยภาษาธรรมชาติ ให้พูดทั้งที่กลั้นความโกรธ เน้นคำเฉพาะ หรือปรับจังหวะบทพูด นอกจากนี้ยังรองรับการโคลนเสียง การออกแบบเสียงด้วยข้อความ และการแทรกแท็กเสียง 14 ประเภท เช่น หัวเราะเบา ๆ ถอนหายใจ ณ ตำแหน่งที่กำหนด ในการทดสอบ blind test ด้วยเสียงโทนเดียวกันของ Artificial Analysis โมเดลนี้ได้ 1069 Elo ครองอันดับหนึ่งในกลุ่มโมเดลโอเพนซอร์ส

ส่วน Ming-3.0-audio-flash ที่รับผิดชอบการเข้าใจบันทึกเสียงนั้นมีขนาดใหญ่กว่ามาก มีพารามิเตอร์รวม 126 พันล้าน และเปิดใช้งานประมาณ 6.5 พันล้านต่อครั้ง สามารถรับบันทึกการประชุมโดยตรง ตอบคำถามเกี่ยวกับเนื้อหาที่ discut กัน สรุปฉันทามติ ความเห็นต่าง และสิ่งที่ต้องทำ โดยไม่ต้องสร้างถอดความแบบคำต่อคำก่อน

อีกโมเดลหนึ่ง Ming-3.0-asr-tiny เชี่ยวชาญด้านการรู้จำเสียง รองรับการป้อนชื่อบุคคล ชื่อสถานที่ ศัพท์เฉพาะอุตสาหกรรม และบริบทบทสนทนาก่อนหน้า เพื่อช่วยในการรู้จำภาษาถิ่นและคำที่พบได้ยาก ในการทดสอบการรู้จำเสียงสี่ประเภทที่ Ant เปิดเผย มีอัตราความผิดพลาดเฉลี่ยอยู่ที่ 4.41%