Ming-3.0-audio-flash

Ming-3.0-audio-flash

接收音频和文字指令，返回文字，或带合成语音的文字。涵盖中英文的语音识别、语音问答和音频推理。适合拥有大型 GPU 的开发者。

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-flash 是 inclusionAI 的音频语言模型。你给它一段录音和一条文字指令，它用文字回答，也可以选择语音输出。它是混合专家模型，总共 126B 参数，每一步激活 6.5B，针对中文和英文做了调优。

适合谁：它适合处理语音音频、并且有硬件来运行超大模型的开发者和研究者。

行业 | 谁在用 | 怎么用 | 例子
语音技术 | 开发者 | 转写中文和英文语音，包括口音和方言 | 把一段录音变成文字
会议和媒体 | 分析师 | 针对较长或多人的录音提问 | 问某位说话人对某个话题说了什么
语音产品 | 产品团队 | 得到文字回复，可选合成语音 | 用语音回答一个口头问题
音频研究 | 研究者 | 研究语音之外的声音、声学场景和音乐 | 问一段音频来自什么样的场景

如果你没有大内存的机器，可以跳过它，因为 BF16 权重约 256 GB。

用在哪里：

• 使用 transformers 库和项目自定义代码的 Python
• 带有大容量 GPU 内存的服务器
• ModelScope 网站，模型卡把它列为另一个获取渠道
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用例 | 谁用 | 得到什么
语音识别 | 开发者 | 标注了所说语言的转写文本
语音问答 | 产品团队 | 对音频中提出的问题的文字回答
音频推理 | 研究者 | 基于语音、声音或音乐得出的回答

如何设置：这个模型使用自定义的 Transformers 代码，所以你要从项目仓库开始，并先审查那份代码。

• 带 venv 的 Python，以及 Git
• 项目的 GitHub 仓库，里面有示例和依赖文件
• 足够放下约 256 GB BF16 权重的内存
• 在允许 trust_remote_code 之前认真看一遍代码

1. 克隆项目的 GitHub 仓库并进入它的文件夹。
2. 创建虚拟环境并安装依赖文件。
3. 下载模型文件，或者让示例脚本去获取。

cd Ming-3.0-audio-flash

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

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

如何使用：你用一个音频文件和一条提示词来运行示例脚本。第一条命令询问示例录音里口头提出的问题。第二条运行语音识别。

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

工具 | 作用
--prompt | 把你的文字指令和音频一起发送
--task asr | 把脚本切换成语音识别
--max-new-tokens 256 | 限制模型写出的文字量
--no-repeat-ngram-size 10 | 减少输出中重复的短语

示例：你让脚本处理示例录音，并要求它回答音频里的问题。它返回一段文字回答。在识别模式下，它返回所说的语言和转写文本，两者用制表符分隔。

新手与专家：如果你刚接触这类模型，可以把它想成一个听得见的助手。你交给它一段录音和一个请求，它就写回答。第一次可以用示例录音运行上面的第一条命令。

对熟悉这个领域的人来说，音频编码器和投影器把特征送入混合专家语言主干。可选的 Talker 把输出变成语音。代价是体积，因为带自定义代码的 126B 模型需要高配硬件，也需要审查代码。

Title: 权重大小，单位 GB
BF16: 256 GB
4-bit estimate: 64.1 GB

音频和文字指令输入
音频编码器和投影器传递特征
混合专家主干写出文字
可选的 Talker 加上合成语音

注意事项：这个模型能处理嘈杂的房间、口音、方言和多个说话人，也能分析长录音。

• License: MIT
• Cost to run: 未提及，不过你需要一台 GPU 内存很大的机器
• Data it reaches: 你给它的音频文件和下载的模型文件
• Not for: 克隆你无权使用的声音，因为语音选项可以使用参考声音

Hugging Face 上的数据（2026年11月13日）

• 任务：audio to audio
• 框架：transformers
• 参数量：128B
• Weights: about 256 GB in BF16; about 64.1 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：2,122
• 点赞：87
• 许可证：mit
• 语言：en, zh
• Quantized versions: 1
• Fine-tunes: 1
• 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-flash
• 文件：https://huggingface.co/inclusionAI/Ming-3.0-audio-flash/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-flash

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。