inclusionAI 發布 Ming-3.0-audio-flash：支援長音訊理解與多模態推理的原生語音語言模型

inclusionAI 推出原生音訊語言模型 Ming-3.0-audio-flash，採用混合專家架構（MoE），總參數達 126B 但每次推論僅啟動 6.5B。該模型以 MIT 授權發布，主打處理中英文、方言及噪音環境下的複雜語音辨識與長錄音理解，並支援可選的語音合成輸出。

AI 新聞雷達編輯團隊·本站收錄：2026/10/20 03:41（台灣時間）·閱讀約 2 分鐘

本站收錄時間為新聞雷達完成整理的時間，不代表事件發生時間。原文日期僅在取得明確來源證據時顯示；未標示者請參閱下方原始來源。

30 秒掌握

模型採用 MoE 架構，總參數 126B，單次推論啟動參數為 6.5B，以平衡效能與資源需求。

主要功能涵蓋複雜環境下的語音辨識、長錄音分析、非語音聲音（如音樂、環境音）理解及音訊推理。

官方提供 SGLang 與 vLLM-Omni 的本地部署參考配置，分別需 4 張 GPU 與 8 張 80GB H800，但強調這些並非最低硬體要求。

模型架構與核心能力

Ming-3.0-audio-flash 是由 inclusionAI 開發的原生音訊語言混合專家（MoE）模型，總參數量為 126B，但在每個推論步驟中僅啟動 6.5B 參數。

該模型接受音訊與文字指令作為輸入，輸出可以是純文字，或包含透過內建語音或參考語音合成的語音回應。

主要支援語言為中文與英文，並宣稱能處理各種口音、方言以及噪音環境下的多說話者錄音。

模型強調在複雜條件下的語音辨識能力，包括處理噪音干擾、不同口音及多人重疊說話的錄音。

除了語音轉文字與口語問答外，它還具備長錄音理解功能，能分析並回答關於長時間錄音內容的問題。

其感知範圍擴展至非語音聲音，包括環境場景聲與音樂，並能針對這些音訊內容進行推理與互動。

模型卡片文件提供了透過 Transformers、SGLang 和 vLLM-Omni 進行本地部署的路徑說明。

官方驗證過的 SGLang 設定需要四張 GPU 來處理文字輸出；而 vLLM-Omni 的 128K 參考配置文件則使用八張 80GB H800 GPU。

需注意的是，這些數據僅為參考配置，並非模型運行的最低硬體要求，實際需求可能因具體任務與優化策略而異。