我用Codex + Ming-3.0，做了一个餐厅 AI 语音点餐系统 蚂蚁百灵发布了新一代 Ming-3.0 音频模型家族，一次开源了 5 个模型。 我第… · @Huouo908070 · TwKit

@Huouo908070

我用Codex + Ming-3.0，做了一个餐厅 AI 语音点餐系统 蚂蚁百灵发布了新一代 Ming-3.0 音频模型家族，一次开源了 5 个模型。 我第一时间拿来折腾了一下，用 ChatGPT 构思方案，再让 Codex 写代码，做出了一个餐厅 AI 语音点餐网页。 整个过程不需要手动输入菜品，顾客只要上传一段点餐录音，AI 就能整理出最终订单，自动生成收银小票。 一、先介绍一下 Ming-3.0 这次蚂蚁百灵发布的 5 个模型，主要分为三类： 1. Ming-3.0-tts：语音合成 可以把文字转换成语音，支持声音设计、音色克隆、情绪和语气控制等功能。 2. Ming-3.0-audio：音频理解与交互 不仅能识别语音，还能理解音频内容、进行音频推理和问答。 3. Ming-3.0-asr-tiny：语音识别 主要负责把语音转换成文字，支持方言、口音、专业术语识别，还能结合上下文理解语音内容。 这次我选择的是 Ming-3.0-audio-flash，主要测试它对复杂语音指令和上下文修改的理解能力。 二、为什么想到做语音点餐？ 平时去饭店点菜，经常会遇到这种情况： 刚点完两份菜，又觉得多了，改成一份。 本来要正常辣，想了想又改成微辣。 有的菜已经取消了，过一会儿又想加回来。 如果把这一整段录音交给 AI，它能不能准确分辨哪些菜最终保留了，哪些已经取消了？ 我觉得这个场景挺适合测试音频模型的理解能力。 于是决定做一个 AI 语音点餐系统。 三、用 ChatGPT + Codex 开发网页 我的想法很简单： 上传顾客的点餐录音，自动生成订单小票。 我先用 ChatGPT 整理需求，再交给 Codex 开发。 网页采用 Next.js、TypeScript 和 Tailwind CSS，整个界面是黑绿科技风，订单部分保留了传统餐厅收银小票的样式。 除了上传录音，还支持浏览器录音、修改商品数量、编辑特殊要求、取消商品、自动计算金额和打印小票。 模型接入的是蚂蚁百灵官方 Ming-3.0-audio-flash。 整个流程是： 顾客录音 → Ming-3.0-audio-flash 理解音频 → 输出结构化订单 → 网页自动生成小票。 这里有一点我特意做了区分： AI 负责理解顾客到底点了什么，菜品价格则由网页根据预设菜单匹配，数量和金额交给程序计算。 四、实际测试：故意反复修改订单 网页做好后，我自己录制了一段约 31 秒的点餐语音。 测试内容包括酸辣土豆丝、酸菜鱼、辣子鸡、皮蛋豆腐等菜品。 为了增加难度，我还故意加入了不少修改。 比如土豆丝先要两份，一份微辣，一份特辣，后来又不要微辣的，只留特辣的。 辣子鸡也要两份，但口味不同，一份正常辣，一份微辣少花椒。 中间还有减少数量、取消菜品，以及重新调整要求的情况。 我想看看模型能不能理解整段对话，而不是简单把所有提到的菜都加进订单。 测试结果出来了。 31 秒的点餐录音，这次页面显示模型处理耗时约 6 秒。 AI 直接生成了结构化订单，把不同口味的辣子鸡分开显示，保留了正常辣、少花椒等特殊要求，也单独列出了取消记录。 对照我这次实际修改后的录音内容，生成的订单符合我的点单要求。 而且整个过程没有手动输入一道菜，上传录音后，AI 就自动整理出了最终订单。 五、体验感受 这次体验对Ming-3.0-audio-flash音频处理能力很满意。 同一道菜点两份不同口味、不断修改数量、撤销之前的要求，这些操作都需要结合前后文才能整理出最终订单。 从这次测试来看，Ming-3.0-audio-flash 已经能够处理这类任务，而且速度也挺快。

想体验的可以进评论区。

曝光 312 · 评论 8 · 点赞 6 · 书签 1