蚂蚁百灵开源 Ming-3.0 语音系列：TTS、音频理解、ASR 五款模型全 MIT

蚂蚁百灵（inclusionAI）10 月 19 日把 Ming-3.0 语音系列放上 GitHub 与 Hugging Face：语音合成两款、音频理解与对话两款、语音识别一款，共五款，模型权重与项目代码均为 MIT 许可。TTS 侧 Ming-3.0-tts-0.5b 是稠密模型（骨干 Qwen2.5-0.5B），tiny 是建在 Ling V3 上的 MoE（总参 7.9B、激活 1.3B，额外负责长播客生成）。能力上支持用文字描述目标音色（Voice Design）、用参考音频克隆音色，以及用自然语言「导演」每句台词的情绪、重音与节奏，并可插入叹气、笑声等副语言标记。

音频理解侧 Ming-3.0-audio-flash / tiny 是原生音频语言模型：接受音频加文字指令，直接对长音频做转写、总结与观点分析并给出结构化输出，官方称相比「先出逐字稿再分析」的两段式流程，能保留对话中的情绪、说话人身份与环境信息。ASR 侧 Ming-3.0-asr-tiny 用 Ling-tiny-v3 语言基座加音频编码器，覆盖中英与方言，官方在 15 个方言测试集上评测（含粤语、闽南语、上海话），并支持把热词或前文对话作为提示做上下文识别。

可核的数字集中在 TTS：官方 README 引 Artificial Analysis 2026 年 10 月的语音榜，Ming-3.0-tts 在可控音色（Controlled Voice）排开放权重第一、全场第 13（Elo 1069），发音鲁棒性 93.2% 为全场第一，提供方音色（Provider Voice）排开放权重第三（Elo 1188）。模型卡同时写明边界：ASR 输出是纯转写文本，不含词级时间戳与说话人分离，随附示例不支持流式输入，热词只是提示不保证出现在结果里。

原文链接：蚂蚁百灵官方仓库