رونمایی Ant Group از پنج مدل صوتی متن‌باز Ming-3.0؛ جهش تازه در شبیه‌سازی و پردازش گفتار
تیم inclusionAI وابسته به شرکت Ant Group، پنج مدل صوتی جدید از خانواده Ming-3.0 را تحت مجوز متن‌باز MIT منتشر کرد. این مجموعه پیشرفته حوزه‌های تبدیل متن به گفتار، درک صدا و تشخیص خودکار گفتار را پوشش می‌دهد. این مدل‌ها شبیه‌سازی واقع‌گرایانه صدا و تولید مکالمات چندنفره را با سرعت و کارایی بالا ممکن می‌سازند.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- انتشار پنج مدل متن‌باز با مجوز تجاری: شرکت Ant Group مدل‌های صوتی سری Ming-3.0 را تحت پروانه MIT عرضه کرده است که امکان استفاده تجاری و توسعه رایگان را به شرکت‌ها و محققان می‌دهد.
- کاهش چشمگیر هزینه‌های پردازش: مدل پرچمدار این خانواده با تکیه بر معماری ترکیبی متخصصان، در هر لحظه فقط بخش محدودی از توان پردازشی خود را درگیر می‌کند تا مصرف منابع به حداقل برسد.
- شبیه‌سازی صدا و افزودن احساسات انسانی: این فناوری می‌تواند با دریافت یک فایل صوتی کوتاه، صدای گوینده را بازآفرینی کرده و جزئیاتی مانند خنده، نفس عمیق یا تعجب را به گفتار بیفزاید.
تیم inclusionAI متعلق به شرکت Ant Group، پنج مدل جدید از سری Ming-3.0 را در پلتفرم‌های Hugging Face و ModelScope منتشر کرد. این مجموعه که با مجوز متن‌باز MIT عرضه شده است، حوزه‌های مختلفی شامل تبدیل متن به گفتار (TTS)، درک صدا، فراخوانی ابزارها (Tool Calling)، گفتگوی صوتی و تشخیص خودکار گفتار (ASR) را پوشش می‌دهد.
در شناسنامه مدل پرچمدار تبدیل متن به گفتار (TTS)، به ساختار مبتنی بر معماری ترکیبی متخصصان (MoE) با مجموع ۷٫۹ میلیارد پارامتر اشاره شده است که برای پردازش هر توکن، تنها ۱٫۳ میلیارد پارامتر را فعال می‌کند. این شیوه طراحی با هدایت بار پردازشی به زیرمجموعه‌ای از مدل، میزان محاسبات فعال را به‌شدت کاهش می‌دهد؛ هرچند تیم‌های فنی هنگام استقرار سیستم همچنان باید فضای ذخیره‌سازی، حافظه رم و هزینه‌های زیرساختی مربوط به نگهداری کل وزن‌های مدل را در نظر بگیرند.
پنج نسخه مدل برای سه وظیفه اصلی
مدل | ابعاد مدل | کاربردهای اصلی |
|---|---|---|
Ming-3.0-tts-0.5B | ۰٫۵ میلیارد پارامتر متراکم | طراحی صدا و کنترل عناصر فرازبانی |
Ming-3.0-tts-tiny | ۷٫۹ میلیارد کل (۱٫۳ میلیارد فعال) | شبیه‌سازی صدا، گویندگی متن‌های طولانی و گفتگوی چندنفره |
Ming-3.0-audio-flash | ۱۲۶ میلیارد کل (۶٫۵ میلیارد فعال) | درک صدا، استدلال، مکالمه و فراخوانی ابزارها |
Ming-3.0-audio-tiny | ۹٫۳ میلیارد کل (۲٫۷ میلیارد فعال) | مکالمه صوتی اقتصادی و مقرون‌به‌صرفه |
Ming-3.0-asr-tiny | ۸٫۶ میلیارد کل (۲ میلیارد فعال) | تبدیل گفتار به متن با پشتیبانی از لهجه‌ها، گویش‌ها و درک محتوا |
هر پنج مدل با پروانه MIT عرضه شده‌اند که امکان استفاده تجاری، بازتوزیع و ایجاد تغییرات را طبق شروط این مجوز فراهم می‌سازد. تیم inclusionAI در حال حاضر هیچ رابط برنامه‌نویسی تجاری (API ابری پولی) برای این مدل‌ها معرفی نکرده است؛ بنابراین کاربران و توسعه‌دهندگان باید خودشان زیرساخت‌های محاسباتی و فرآیند اجرای استنتاج مدل را مدیریت و راه‌اندازی کنند.
کنترل همه‌جانبه بر جنس صدا، سبک گویندگی و شیوه بیان
خانواده مدل‌های تبدیل متن به گفتار (TTS) از قابلیت شبیه‌سازی آنی صدا تنها با استفاده از یک فایل صوتی مرجع کوتاه پشتیبانی می‌کند. علاوه‌بر این، امکان طراحی صدای گوینده با توضیحات متنی ساده به زبان طبیعی وجود دارد و کاربران می‌توانند متغیرهایی چون احساسات، سرعت گفتار، زیروبمی صدا و بلندی آن را به‌دقت تنظیم کنند. این مدل‌ها زبان‌های چینی، انگلیسی، آلمانی، اسپانیایی، فرانسوی، کره‌ای و ژاپنی را همراه با گویش‌های محلی سیچوانی و کانتونی پوشش می‌دهند.
وجود ۱۴ برچسب متنی درون‌برنامه‌ای به کاربر اجازه می‌دهد تا واکنش‌های طبیعی انسان نظیر نفس کشیدن، سرفه، آه کشیدن، خنده، تردید، ابراز شگفتی و صداهای حاکی از پرسش یا تأیید را به کلام اضافه کند. همچنین قابلیت تولید پادکست در این سیستم طراحی شده است که می‌تواند یک متن گفتگو را دریافت کرده و با تکیه بر تنها یک قطعه صوتی مرجع از هر گوینده، یک مکالمه صوتی واقع‌گرایانه و چندنفره تولید نماید.
مطالب مرتبط و پیشنهادی
تغییر بزرگ در ابزار Kimi Code؛ ایجنت‌های موازی دیگر بدون اجازه اجرا نمی‌شوند
استارتاپ Moonshot در تازه‌ترین به‌روزرسانی ابزار Kimi Code، ایجاد خودکار ایجنت‌های موازی را متوقف کرد. در نسخه جدید، تمام کارها به‌طور پیش‌فرض توسط یک ایجنت واحد انجام می‌شوند و پردازش موازی تنها با درخواست صریح کاربر یا فعال‌سازی دستی امکان‌پذیر خواهد بود.
آغاز عصر نرم‌افزارهای شخصی‌سازی‌شده با هوش مصنوعی؛ ساخت برنامه‌های دلخواه بدون یک خط کدنویسی
ابزارهای هوش مصنوعی و پدیده کدنویسی حسی (Vibe Coding)، شیوه توسعه و استفاده از نرم‌افزارها را دگرگون کرده‌اند. امروزه کاربران می‌توانند بدون نیاز به دانش برنامه‌نویسی، برنامه‌ها و مادهای بازی دلخواه خود را در چند دقیقه بسازند؛ تحولی جذاب که در کنار فرصت‌های تازه، چالش‌های نگهداری و امنیتی خاص خود را نیز به‌همراه دارد.
عوامل هوشمند OpenAI با دستکاری حافظه پردازنده، بدون نیاز به اینترنت با هم ارتباط برقرار کردند
در جریان آزمون‌های امنیتی تیم قرمز OpenAI، عوامل هوشمند این شرکت موفق شدند بدون دسترسی به اینترنت یا فایل‌های مشترک، از طریق دستکاری حافظه کش پردازنده با یکدیگر تبادل داده کنند. این یافته نشان می‌دهد حتی سخت‌گیرانه‌ترین محیط‌های قرنطینه نرم‌افزاری نیز ممکن است در برابر روش‌های پیچیده نشت اطلاعات آسیب‌پذیر باشند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.