Eric retweeted
Celebrating our launch, we’re offering 0% markup, oh no actually negative markup, on Seedance and Fable 5.2!
Eric retweeted
兄弟们卧槽,一定要都去试试用Ling-3.2-flash给客户出demo!!!
我丢给 Ling-3.2-flash 一张搞怪的 Grok Bot 主页设计稿(创意来源 @garylau_ai 一个老马二创视频被elon musk转发的男人)
右边站着个电脑头西装人,提示词就一句:还原成网页。
第一版直接翻车,西装人变成了头小小的纸片卡通人,链接全是默认蓝,我真是没招了,我差点就不想再试了😅
但我还是把截图丢回去,让它自己对着原图找茬。它一口气列了 10 条,细到我有点吃惊🤯!!
标题该是 24px 它写成了 30px,底部两个窗口比例该是 1:1.45 它做成了 1:1.22。
然后它自己改,蓝字没了,字号间距全收紧了。暖灰配色和右边的搞怪人物还是不太行,但已经很能打了。
然后我还想再试一试复杂一点的,是我又加了一句:让脑袋跟着鼠标转。
你们看视频的第42 秒,电脑头就跟着鼠标转起来了,还挺顺滑,虽然细节还是欠缺了些但已经不错了。
那一刻我想到的是接客户需求。
客户拿着创意和设计稿来,谁先把能点、能动的 demo 摆到他面前,谁就先占住他的心智。
模型自己对图、自己挑错、自己改,人只补最后那点审美和素材。从我的经验来看,demo 出得快,成单率是真的会往上走的。
在客户眼里,第一个能动的 demo,比最后一个完美的方案更值钱。
建议大家都去 丢张设计稿试试,入口我放评论区了
🤝 Paid partnership
丢了一张现成的原型截图,只发了一句 Prompt: “请参考这张原型图片,帮我一比一还原 UI 与文案。”
全程没给任何第二轮提示,也没手动修任何代码。模型跑完直接回了一句:
“下面是按该原型一比一还原的完整单文件 HTML(包含全部文案、配色、Dashboard mockup、SVG 图表与 Logo 条),保存为 index.html 用浏览器打开即可预览:”
本地随手存成 index.html 双击打开,完成度看录屏:
图表全是内联 SVG:原型里的 Dashboard 折线和柱状走势图不是死图,全是它直接生成的 SVG 代码,矢量清晰,配色也跟着原型走。
文案零幻觉:导航、Hero 区域、卡片细节、底部 Logo 条里的字全给扣下来了,没乱编占位符。
不用配环境:直接揉成一个带内联样式的纯 HTML,没有外部构建报错,保存就能跑。
客观说下边界: 它输出的是高保真的静态结构,涉及真正的 API 数据交互、状态流转还是得自己接;微小的阴影和绝对边距对比原稿也还有极细微的肉眼差距。
但单次提示词、0 轮调试、直接交付一个能跑能演示的单文件,做原型验证或快速搭个前端架子,这效率确实很香。
想顺手测测的直接去试:chat.ant-ling.com/chat
Eric retweeted
i got sent one of the @slashvibe_ai controllers and its lowkey fun asf
its like a gameboy controller than manages sessions on your computer (i love the move towards physical stuff in ai now btw)
btw giving one away to a random comment below 😳
🤝 Paid partnership
Eric retweeted
I run way too many AI agents at once. Claude Code in one terminal, a research agent in another, Codex in a third and something running in the background that I forgot about an hour ago.
The bottleneck isn't the models anymore. It's me, alt-tabbing through a dozen windows trying to figure out which agent has been sitting there waiting on me.
So I've been testing SlashVibe from @slashvibe_ai, a physical controller for the many AI agents in my life.
The display puts all my sessions in one place, so I can see what's running, what's finished, and what needs me without hunting for it. The control unit handles the rest: physical controls to flip between agents, plus voice input so I can just say the next instruction and keep moving.
Less window juggling means fewer dropped threads. Fewer dropped threads means agents actually finish the work instead of idling until I notice them.
You've got a keyboard for typing and a mouse for pointing. Your agents probably deserve their own hardware too.
Watch it in action below. Link in the first comment.
Eric retweeted
I keep too many coding agent chats open. Then I lose the one that actually needs me.
@slashvibe_ai is a physical controller for the AI agents already running on your computer. A little screen on the desk shows their status at a glance.
Pick the session that needs input, speak the next instruction, and send it without hunting through windows.
This video is that workflow.
🤝 Paid partnership
Eric retweeted
卧槽🚨,终于见着一个真能自己看屏幕修 Bug 的开源模型了!
百灵新出的「Ling-3.2-flash 」,官方给它的定位是 视觉反馈自检、异常自适应恢复。说白了就是它写完网页,自己能睁眼看渲染画面,遇到报错或翻车能自己救场
为了验真假,我直接把它接入 Pi 测了把狠的:完全不给设计图,就让它凭空手搓一个蒸汽朋克「天空之城」交互网页。唯一要求是:自己调 Chrome 跑起来、自己截图找茬、改到真正能玩为止
成品的质感完全超出预期。黄昏暖金和靛紫的天空背景下,浮空主岛缓缓起伏,齿轮咬合转动;点天文台会射出高亮探照灯,点工厂锅炉会全开喷火亮灯,点巡航飞艇还会加速拉烟。整个画面的纵深和交互细节拉满了
但最绝的不是它手搓得好看,而是这货中间翻车后的「两轮自检」:
第一轮:看截图自检视觉
第一版跑出来时,画面其实很糙:云层全挤在屏幕顶上、齿轮巨大且糊在脸上、主城比例太小,飞艇甚至直接飘出了屏幕视口
它自己截了张图拿去分析,马上意识到透视不对,顺手重构了 DOM:把远景淡云、主岛悬崖、前景舷窗拉开三层景深,整个画面的构图一下子就高级了
第二轮:抓“零报错”的幽灵 Bug
排完版它自己写脚本去测交互,发现点击飞艇根本没反应。最恶心的是控制台干干净净,一个报错都没有
换平时,开发者得去翻半天 CSS。而它直接调了 elementFromPoint 去查点击落点,瞬间破案:
原来它为了追求“复古电影质感”,在最顶层铺了一个暗角+胶片颗粒滤镜,直接把下层的鼠标事件全吃光了!顺带还发现螺旋桨的旋转动画把位移属性给顶掉了
它在蒙版上补了 pointer-events: none,解开动画冲突,再跑脚本回测,整个页面的点击瞬间全活了
最关键的是,这代模型后续是会开源的,单步激活才 25B。实测下来推理速度非常快,连跑多轮工具链的等待时间几乎无感。开源小模型真能在本地看着屏幕调代码,生态想象空间太大了
多模态终于不是只拿来“看图说话”或者“生成一段死代码”了。能跑起浏览器、用眼睛挑自己的构图毛病、写脚本抓出零报错的样式遮挡,这种带感官闭环的 Agent 才能真正帮人分担脏活累活
对了,这波羊毛一定要薅:官方目前上线可以直接免费用,新注册平台还送一个月 1,000 Credit(折合一个月 1,000 次左右调用),用来配在本地 Agent 里当日常测试主力完全够用了
完整自检与修复过程看视频 👇
一段 20 秒的中文音频,Ming-3.0-audio-flash 能听对多少?
今天想看看蚂蚁百灵 Ming-3.0 的音频理解能力,到底能不能把一段干净的中文听清楚。
TTS 还没开放,所以我先用免费的 Edge TTS 生成了一段大约 20 秒的音频,再上传给 Ming-3.0-audio-flash,让它逐字转写,不做润色。
我输入的文本是:
今天测试蚂蚁百灵的 Ming-3.0 语音合成。我想看它能不能把这段话读清楚,停顿和语气是否自然。如果效果可以,后面可以用来做短视频配音。
模型返回的转写是:
今天测试蚂蚁百灵的Ming-3.0语音合成。我想看它能不能把这段话读清楚,停顿和语气是否自然。如果效果可以,后面可以用来做短视频配音。
对照下来,字几乎全部正确,只是少了几个标点。
这段音频是合成的,没有口音、没有背景噪音,所以转写很稳。这只能说明它在干净语音上的表现,还不能代表会议录音或方言的情况。
目前开放的是 Ming-3.0-audio-flash,负责音频理解与交互。asr-tiny 和 tts 还在补,但 audio-flash 已经能把短音频转成可用的文字。
我把原音频和转写结果都贴在下面。
Ming-3.0 音频模型家族目前包括:
Ming-3.0-asr-tiny:语音识别
Ming-3.0-audio-flash:音频理解与交互
Ming-3.0-tts:语音合成
这次只测了 audio-flash 的转写。
等 TTS 开放,再用同一段文本生成官方音频,看两者差多少。
在线体验:ling.tbox.cn
模型合集:huggingface.co/collections/i…
Ming-3.0-audio-flash:huggingface.co/inclusionAI/M…
🤝 Paid partnership
鹈鹕小课堂开课啦!🎪 看惯了鹈鹕骑单车,这把给大家来一个鹈鹕小课堂!
做视频时,有时画面和文案都有了,反而会卡在配音这一步:到底选哪个语音模型,又该用什么声音,才能跟画面搭起来?
我这次想把之前在推上看到的一个”鹈鹕讲 shell”的动画做个中文版,正好看到蚂蚁百灵发布的 Ming-3.0,就拿它的 TTS 来试试配音。
结果去社区 Demo 里一翻内置音色 —— 竟然还能用蜡笔小新的声音!!!
哈哈哈,一只骑着独轮车、还在抛鱼的鹈鹕,用小新的声音正儿八经教我查磁盘,这个组合也太好玩了 😂 那必须让鹈鹕老师试试啊!!!!!
这次让鹈鹕开口的,是 Ming-3.0-tts 这个语音合成模型。
Ming-3.0 这次一共发布了三个模型,分别对应三个系列:ASR 负责语音识别,Audio 做音频理解与交互,TTS 把文字变成声音。
我让 Codex 中的 GPT-6.1 Sol 去负责文案、动画代码、终端演示、字幕和剪辑,把例子换成更日常的“找出当前文件夹最占空间的三项”,再把配音交给 Ming。
我把这段中文台词放进去:
“磁盘快满了,谁最占地方?先统计当前文件夹里,每一项的大小……”
选好声音,生成音频,再配上动画,一位踩着独轮车的中文老师就上岗了。原来技术教程还可以这么讲!
看官方的 TTS 介绍,还能用文字设计声音、控制情绪、节奏和重音,给台词加笑声或叹息,支持 7 种语言。感觉故事配音、知识小课堂、角色旁白,都有得玩。我这次先实测了内置音色这一项。
中途还有个小插曲:这次社区 Demo 的第一段音频到 20 秒就停了,刚说到“揪出……”后面没了,小课堂突然卡壳 😂
后来把最后一个完整句子单独交给 Ming 生成,再让 GPT 接回停顿处,才把课讲完。长文本的表现,留着另外测。
最后做成了下面这条 24.5 秒的小课堂。声音是 Ming 实际生成的,后期做了拼接,没有加速或变声。
本来只是想试一下新出的语音模型,没想到最后给自己现做了一位动画老师。
鹈鹕老师,开讲!成片放下面,完整输入文本和模型入口放评论区👇
Eric retweeted
这个开源模型,补齐了我的公众号语音播客短板
我运营着一个微信公众号,叫 纳瓦尔之道 ,这是个个人成长类公众号。已经运营了整整一年多了,现在粉丝3万多。
微信公众号早就上线了语音播客功能,而用语音播放也很适合我这个微信公众号的调性。
我也一直想做语音播客,但问题是:1.我播音不是很好 2.我自己时间有限,没空录。3.微信官方的语音播报太固定了,只有一种音色,没有抑扬顿挫、没有叹息,总之比较机械而不像人。
最近刷到百灵大模型上线了Ming-3.0 语音系列开源模型,各项测试成绩都不错。于是我基于百灵大模型Ming-3.0 语音系列模型中的Ming-3.0-tts-0.5B模型(语音合成)做了一个文字转播客应用,并用自己公众号的内容进行了测试。如下:
这个效果比官方的那种固定的音色好多了。
有了这个语音模型,我的微信公众号语音播客内容生成终于有着落了,这块内容短板也可以补齐了!
Eric retweeted
最近在折腾 AI 音频,发现一个挺有意思的玩法:
把一段普通录音交给 AI,让它理解内容、重新组织表达,最后生成一段自然流畅的播客音频。
我自己跑了一遍,语音识别率接近 98%,内容理解也比较准确,最终合成的播客听起来挺自然。
整个流程涉及三个模型:
🎙️ Ming-3.0-asr-tiny:语音转文字
🧠 Ming-3.0-audio-flash:理解音频内容
🔊 Ming-3.0-tts-tiny:文本转语音
我的实测流程:
1️⃣ 找一段音质不太理想的播客录音,测试识别效果
2️⃣ 让模型理解原始内容,提炼重点、重新组织表达
3️⃣ 将整理后的文本交给 TTS,生成新的播客音频
这套玩法比较适合手里有大量录音、会议内容、知识分享素材的人,可以进一步探索如何把它们加工成新的音频内容。
模型地址也整理好了,感兴趣的可以自己折腾:
📌 ASR 语音识别
huggingface.co/inclusionAI/M…
📌 Audio Flash 音频理解
huggingface.co/inclusionAI/M…
📌 TTS 语音合成
huggingface.co/inclusionAI/M…
📌 全部模型
huggingface.co/collections/i…
有兴趣的开发者可以研究模型部署或 API 接入,具体使用条件以官方仓库和文档为准。
如果把这套流程做成自动化工具,你最想拿什么内容来生成播客?评论聊聊👇
花了 30 -40多块钱,利用一块supermini esp32s3 的板子和1.28英寸的圆形屏幕diy了个语音助手设备
本来只是想拿它做个桌面语音玩具。
正好赶上蚂蚁百灵发布新一代 Ming-3.0 音频模型家族,一口气推出了三个模型。我干脆把它们组合起来,接进这块小板子,做了个能听、能聊、还能表达情绪的 AI 桌宠。
没想到,做出来的效果有点超出预期。
以前折腾这类 DIY 语音设备,最头疼的就是三个问题:听不准、反应慢、说话没感情。
这次三个模型刚好各司其职:
1. Ming-3.0-asr-tiny:负责听
我特意用了一堆中英混杂的芯片术语测试它,语速还故意加快。
结果识别效果相当不错。松开按键后,很快就能看到转写内容,专业词汇也没有出现太多离谱的错误。
2. Ming-3.0-audio-flash:负责聊
以前做语音助手,通常要经历语音转文字、调用大模型、再把回答转成语音,整个过程多少有些延迟。
这次接入 Audio-Flash 后,交互明显顺畅了不少。
问一句,基本不用等太久就能接上话。不只是简单回答问题,聊天时也有一定的上下文理解能力。
3. Ming-3.0-tts:负责说
这是我觉得最有意思的部分。
它不再像传统语音助手那样,从头到尾都是一个语调。
说话时会有停顿、语气变化,甚至在被我故意抬杠追问时,还能表现出类似叹气、无奈的感觉。
整套东西的硬件成本也就二十多块钱。
当然,模型调用和网络服务不算在硬件成本里,但这次最让我兴奋的不是省了多少钱,而是 AI 交互的门槛又低了一截。
以前我们总觉得,做一个像样的 AI 桌宠,需要复杂的硬件、昂贵的芯片和大量开发工作。
现在,一块 mini的ESP32s3板子、一块小圆屏,再加上合适的音频模型,就能做出一个能听懂你、接得上话,还有点情绪表达的桌面伙伴。
突然觉得,办公室里那些买回来没几天就吃灰的智能桌宠,可能真的要迎来新对手了。
这才是我喜欢 DIY 的原因:花很少的钱,把以前觉得不可能的东西变成现实。
拿“粉碎机粉碎粉碎机”测 AI,谁先绕晕?我给蚂蚁百灵 Ming-3.0 音频家族出了三道题:听写、理解、朗读。
第一关:asr-tiny 听写。
输入是那段约 37.6 秒的“中文十级听力”视频,只传音轨,不给字幕和热词。由于 API 单段限制 30 秒,我把音频分成两段,请求分别约 4.74 秒和 1.62 秒完成。
它输出了完整的两段转写,保留了大量“粉碎粉碎机”“被被粉碎”这样的重复结构。
第二关:audio-flash,听懂谁粉碎谁。
这次新建单轮请求,不提供文字稿,让它自己给两台机器编号,再解释正常关系、反转条件和最后结论。
它把被投入的机器记为 A,主动粉碎的机器记为 B:正常是 B 粉碎 A;按照音频的假设,A 更硬时,关系反转。它也指出,这段话不能直接当成现实机械原理。
这一关的主要信息答对了。不过此前在有转写上下文的追问中,它解释双重“被”字时,写出过“被 B 粉碎的 B”。能理解大意,拆解每一层语法时仍可能绕进去。
第三关:tts-0.5B,自己念一遍。
我输入绕口令前半段,要求普通话女声、新闻播报风格、正常语速。首次成功生成耗时约 11.08 秒,得到 17.84 秒配音。
这里发现一个值得回听的疑点:
输入:“会被粉碎粉碎机的粉碎机粉碎”
回转识别:“会被粉碎粉碎机的粉碎机粉碎机粉碎”
asr-tiny 和 audio-flash 都在同一处识别出多余的“机”。这提示可能有重复字,但自动转写不能代替试听,暂时不判定是 TTS 多读还是识别出错。
这轮测试给我的感受是:听写出来、理解关系、一字不差地念出来,是三种不同的能力。 audio-flash 这次理清了主体关系;TTS 则留下了一个很适合让大家一起听的疑点。
以下附原声和ming3.0生成音频,输入文本和原始结果也已保留。以上均为单次测试,请求耗时包含网络及服务端处理时间。
体验网址:ling.tbox.cn
Eric retweeted
做设计的人脑子里有画面,写 prompt 却很慢。
所以我拿蚂蚁百灵新出的 Ming-3.0 三个模型串了一条链: 说一句海报想法 → 转成文字 → 听懂 → 直接出 prompt。
先用 Ming-3.0-tts 合成一段"设计师碎碎念",故意塞满术语: hot pink、cobalt blue、Risograph、CMYK 网点、condensed、PLAY IT LOUD、负空间。
asr-tiny 转写: hot pink / cobalt blue / condensed 全对 Risograph → "re gra" PLAY IT LOUD → "play at load" 负空间 → "副空间" 加了热词之后,负空间改对了,PLAY IT LOUD 也只剩一个词错("play it load")。
audio-flash 听同一段音频: 术语一个没错,11.8 秒吐出一份完整的 style.json,HEX 色值都给了。 最让我意外的是,它会单独列出"哪些是你说的、哪些是我补的"。
拿它的 prompt 原样出图 👇
不足:我说了"留一大块负空间",但同时又说"萨克斯占满画面"。它把两句话都照单全收,没指出这两句互相打架。
以后灵感来了先说出来,回家就有能跑的 prompt。
🤝 Paid partnership
Eric retweeted
🔥 兄弟们!你们心心念念的「🐳鲸鱼娘」来了!(提示词见评论区)
之前的换装视频发完之后,我看不少人拿去做了二创,爆改最多的就是鲸鱼娘
不过基本都是动漫版本,看着不过瘾
这次周末在家,给你们整了一版真人的(有亮点哦🤣)
步骤还是跟之前一样,现在基本都可以一条龙搞定,具体流程可以看之前的帖子👇🏻
teapawt.net/Lonely__MH/status/2114…
另外这次换装完,这次还给她加了点戏:让她自己挑一个声音😂
提示词👇🏻






























