Ming-3.0-audio-tiny

Ming-3.0-audio-tiny

听音频并按文字指令用文字作答，还可选择语音回复。这是 inclusionAI 的紧凑音频语言模型，适合做中英文语音识别、语音提问和音频理解。

由 inclusionAI 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Ming-3.0-audio-tiny 出自 inclusionAI，能把音频和文字放在一起处理。你给它一段音频和一条文字指令，它就能做语音识别、回答语音提出的问题、理解声音并对音频内容做推理。它用文字回复，可选的 Talker 部分还能合成语音回复。模型卡给出的规模是总参数 9.3B，每步激活 2.7B。

适合谁：适合处理中文或英文音频（包括方言、口音和嘈杂录音），并且能在 GPU 上运行自定义 Transformers 代码的开发者和研究人员。文件采用 MIT 许可证。

Industry | Who uses it | How they use it | Example
媒体 | 转写团队 | 转写嘈杂或多人说话的录音 | 把一场座谈会的录音转成文字
客户服务 | 联络中心开发者 | 针对一段通话录音提问 | 问来电者想要什么
研究 | 音频研究人员 | 测试对语音、声音、场景和音乐的理解 | 问一段录音是在什么样的地方录的

如果你只需要纯文字聊天，可以跳过它，因为这个模型是围绕音频输入打造的。

用在哪里：

• 使用 transformers 库和模型自定义代码的 Python
• Linux 或类似的命令行环境，因为模型卡的步骤用到了虚拟环境
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Use case | Who | What they get back
语音识别 | 开发者 | 一份转写稿，标出所说的语言，文字前有一个制表符
音频问答 | 应用开发者 | 对音频中所问问题的文字回答
声音和音乐理解 | 研究人员 | 描述声音、场景或音乐的文字

如何设置：

• Python 和一个虚拟环境
• 从 GitHub 克隆的示例仓库 Ming-3.0-audio-flash
• 该仓库里针对 Transformers 的依赖文件

1. 从 GitHub 克隆 Ming-3.0-audio-flash 仓库并打开它的文件夹。
2. 创建虚拟环境，激活它，并用下面的命令安装依赖。
3. 如模型卡所建议，在启用 trust_remote_code=True 之前，先审查仓库里的代码。

cd Ming-3.0-audio-flash

python -m venv .venv-transformers
source .venv-transformers/bin/activate
pip install -r requirements-transformers.txt

如何使用：你用一个音频文件、模型名和一条提示词来运行示例脚本。做语音识别时，加上 asr 任务、一个 token 上限和一个重复限制。

python examples/transformers_audio.py examples/audio/introduce_ant_group.wav \
  --model inclusionAI/Ming-3.0-audio-tiny \
  --prompt "Please answer the question in the audio."

python examples/transformers_audio.py examples/audio/introduce_ant_group.wav \
  --model inclusionAI/Ming-3.0-audio-tiny \
  --task asr \
  --max-new-tokens 256 \
  --no-repeat-ngram-size 10

Tool | What it does
examples/transformers_audio.py | 在音频文件上运行模型
--prompt | 给出配合音频使用的文字指令
--task asr | 切换到语音识别
--max-new-tokens | 限制回复最多有多少个 token

经过验证的识别提示词，会要求模型说出所说的语言，并在这个标签和转写文字之间放一个制表符。

示例：你对自带的录音运行第一条命令。模型听到录音里的问题，并把回答写成文字。

新手与专家：一个好的起步是对自带的示例音频运行上面的第一条命令，因为它不需要额外设置。读一读回答，再试试识别命令。

模型把音频编码器和投影器接到一个紧凑的混合专家语言骨干上。可选的 Talker 会把模型的输出变成语音，可以用内置声音，也可以用参考声音。

设置环境
传入音频和文字指令
编码器和语言模型作出响应
得到文字回答
可选地合成语音

注意事项：

• License: MIT
• Cost to run: 未提及
• Data it reaches: 你提供的音频文件，以及从 Hugging Face 的下载
• 如果为语音回复使用参考声音，只能使用你有权使用的声音
• Hugging Face 标注的参数量是 8.9B，而模型卡表格写的是总参数 9.3B

Hugging Face 上的数据（2026年11月13日）

• 任务：audio to audio
• 框架：transformers
• 参数量：8.9B
• Weights: about 17.7 GB in BF16; about 4.4 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：5,202
• 点赞：62
• 许可证：mit
• 语言：en, zh
• Quantized versions: 4
• Fine-tunes: 2
• 标签：transformers, onnx, safetensors, bailing_moe_v3_audio, feature-extraction, audio, speech, automatic-speech-recognition, audio-understanding, audio-reasoning, speech-to-text, text-to-speech

链接

• 模型：https://huggingface.co/inclusionAI/Ming-3.0-audio-tiny
• 文件：https://huggingface.co/inclusionAI/Ming-3.0-audio-tiny/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download inclusionAI/Ming-3.0-audio-tiny

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。