Ming-3.0-audio-flash 本地实测:听懂语气与情绪的音频理解
truecakesnake · reddit · 2026-11-05
作者在本机部署 AntLing 开源的 Ming-3.0-audio-flash 模型,展示它对录音内容的理解能力,分三类任务实测:
- 客户通话:两段免提电话摘录,模型准确还原其中的指令和数量,作者评为满分
- 声音与音乐:能在混合场景中分辨出雨声和低沉的音乐铺底
- 语气描述:对一段紧张对话,给出「缓慢、刻意的节奏和沉重的权威口吻」与「冷峻的反抗和急迫感」这样的人物语气刻画
该模型可做语音转录、识别音效与音乐,并描述人声中的语气和情绪。作者建议拿一段有情绪的语音备忘录问它:「这里谁听起来紧张,是哪些声音告诉你的?」
「多模态」频道最新
- AI 把 2D 角色设计转成 3D 渲染,风格还原度惊人 — azed_ai · 2026-11-05
- OpenAI 发布 ChatGPT Images 2.6:支持 GIF 与参考图,API 生成提速 50% — kagigz · 2026-11-05
- Viggle Remake 开源发布：逐镜头改视频，10 秒 0.96 美元 — Div_pradeep · 2026-11-05
- Soniox 发布 STT v6:首个能「听到」语音助手说什么的语音识别模型 — solyarisoftware · 2026-11-05
- Midjourney 加 --character design 参数可锁定人物风格 — hewarsaber · 2026-11-05
- 9 张同一「吸血鬼女主」组图，角色一致性惊艳 AI 圈 — flowersslop · 2026-11-05