एंट ग्रुप ने 20 अक्टूबर को अपना मिन्ग-3.0 स्पीच मॉडल परिवार जारी किया, जिसमें स्पीच सिंथेसिस, ऑडियो अंडरस्टैंडिंग, डायलॉग हैंडलिंग और स्पीच रिकग्निशन के क्षेत्रों में उपयोग के लिए पांच मॉडल प्रदान किए गए। डेवलपर्स इन मॉडलों को अलग से लागू कर सकते हैं या उन्हें आवाज पर आधारित अनुप्रयोगों में एकीकृत कर सकते हैं।
टेक्स्ट-टू-स्पीच रूपांतरण मॉडल रिकॉर्डिंग नमूनों के आधार पर वॉयस क्लोनिंग का समर्थन करते हैं, और प्राकृतिक भाषा विवरणों के माध्यम से वॉयस डिज़ाइन करने की भी अनुमति देते हैं। उपयोगकर्ता भावनात्मक रंगत, उच्चारण और गति जैसे मापदंडों को इंगित करके भाषण वितरण को नियंत्रित कर सकते हैं।
ऑडियो मॉडल लंबे रिकॉर्डिंग का ट्रांसक्रिप्शन, सारांश और विश्लेषण करने में सक्षम हैं, जबकि बोलने वालों, उनकी भावनाओं और पृष्ठभूमि शोर की जानकारी को बनाए रखते हैं। एंट ने बताया कि ये मॉडल पहले से ही Afu स्वास्थ्य ऐप, Alipay खोज और कंपनी के आंतरिक कार्यालय उपकरणों जैसी सेवाओं में एकीकृत हैं।