Today for AI
返回全部资讯
蚂蚁开源 Ming-3.0-tts 登顶榜单IT之家 · 智能时代T2开源与评测

IT之家 · 智能时代 · 2026/10/20 09:34:53

蚂蚁百灵开源 Ming-3.0 语音模型 支持导演模式与长音频理解

出处作者 / 发布主体：IT之家
78AI 研判分
核心综述

蚂蚁百灵正式开源 Ming-3.0 语音系列，包含 TTS、ASR 及音频理解共五款模型。该系列引入“导演模式”以精细控制语音合成情绪与节奏，并优化了长音频的结构化理解能力，已在支付宝等内部业务落地。开发者可自由组合不同模块构建工作流。

报道全文原始报道全文

10 月 20 日消息，蚂蚁百灵今日宣布开源 Ming-3.0 语音系列，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。

蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别"960x410"

蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别"960x477"

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，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。

蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别"960x592"

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过程，能保留对话中的情绪、说话人身份、环境信息等，另外还需要模型对长上下文序列的快速推理。

蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别"960x375"

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强大的上下文理解能力，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，Ming-3.0-asr-tiny 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。

蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别"960x520"

IT之家附相关链接如下：

在线体验：https://ling.tbox.cn