Ant Group tillgängliggör talspråksmodeller i Ming-3.0-serien
Ant Group har släppt fem nya talspråksmodeller som erbjuder funktioner för talsyntes, analys och igenkänning.
Den 20 oktober lanserade Ant Group sin Ming-3.0-modellfamilj, som omfattar fem öppen källkod-modeller inriktade på talsyntes, ljudförståelse och taligenkänning. Utvecklare har nu möjlighet att integrera dessa modeller i röstbaserade applikationer.
Modellerna för text-till-tal tillåter röstkloning från referensinspelningar samt design av röster via beskrivande språk. Användare kan även styra leveransen genom att justera parametrar som emotionellt tonläge, betoning och hastighet. Systemet hanterar dessutom transkribering och analys av långa ljudfiler, där kontextuell information om talare och bakgrundsljud bevaras.
Ant Group använder redan tekniken i sina egna tjänster, däribland hälsoappen Afu och sökfunktionen i Alipay. Genom att publicera modellerna med öppen källkod ökar bolaget tillgängligheten för externa utvecklare och företag.