蚂蚁百灵开源Ming-3.0语音系列 五款模型覆盖合成、理解与识别三大方向 - 果核剥壳

10月20日消息，蚂蚁百灵今日宣布开源Ming-3.0语音系列，围绕声音创作、长语音分析、业务语音转写三类任务，分别提供语音合成、音频理解与对话、语音识别三个系列，共五款模型。开发者可以按任务选择，也可以将不同能力组合进自己的工作流。模型权重已上架Hugging Face与ModelScope，Ling Studio提供API与在线体验。

合成方向，Ming-3.0-tts系列的Voice Design可以用文字描述目标音色，同时也支持参考音频的音色设定。更具特色的是，创作者可以用导演模式说明台词的表演方式，描述情绪如何变化、哪些词需要重读，以及节奏应如何处理。在蚂蚁内部，从阿福App的主对话与语音通话，到医生音色克隆、小虎智能办公，Ming-3.0-tts已进入多类业务。它既可以独立承担配音，也可以与Ming-3.0-asr-tiny组合，连接语音输入和回答播报两个环节。

理解方向，Ming-3.0-audio-flash/tiny支持直接对长音频的转写、总结和观点分析等复杂理解，并进行结构化输出。相对传统的先语音识别逐字稿再分析的流程，该模型能保留对话中的情绪、说话人身份、环境信息等，同时需要模型对长上下文序列的快速推理。

识别方向，Ming-3.0-asr-tiny通过构建普通话、英文、方言、领域热词等高质量语料，合理控制分布，再结合语言模型基座的上下文理解能力，利用候选热词列表、对话上下文信息，为真实业务场景带来语音识别效果的全面提升。在蚂蚁内部，该模型已用于阿福医生助手、支付宝搜索、蚁小保实时语音对话和安全核身等场景。

根据模型卡信息，五款模型均采用MIT开源协议：Ming-3.0-tts-0.5B为基于Qwen2.5-0.5B的稠密模型，Ming-3.0-tts-tiny为7.9B总参数（每token激活约1.3B）的MoE模型，两者支持中、英、日、韩、法、德、西7种语言及四川话、粤语两种方言，输出44.1 kHz音频；Ming-3.0-audio-flash为126B总参数（激活6.5B）的MoE模型，上下文长度131072 Token；Ming-3.0-audio-tiny为9.3B总参数（激活2.7B），可单卡部署；Ming-3.0-asr-tiny为8.6B A2B规格。

第三方评测方面，Artificial Analysis 2026年10月评测显示，Ming-3.0-tts-0.5B在Pronunciation Robustness得分93.2%并列全榜第一，Controlled Voice以1069 Elo位列开放权重模型第一；Ming-3.0-audio-flash在MMAU、VoiceBench分别得分82.00和86.74，BigBenchAudio（S2T）得分99.40位列第一；Ming-3.0-asr-tiny在四类评测中平均错误率4.41%，优于Fun-ASR 1.5、FireRedASR2-LLM（8B）与Qwen3-ASR-1.7B。