蚂蚁百灵开源 Ming-3.0，5 款语音模型一次放齐

10 月 20 日，蚂蚁百灵宣布开源 Ming-3.0 语音系列，一共五款模型，分成语音合成、音频理解与对话、语音识别三个方向，权重已上架 Hugging Face 与 ModelScope，也可以通过官方平台提供的接口调用。

三条线分别管什么

合成侧有 tts 的 0.5B 与 tiny 两档，支持用文字描述目标音色，也支持传一段参考录音做音色克隆；「导演模式」可以把情绪转折、重读词、说话节奏写成自然语言一并提交，文本里还能插入行内标签，指定笑声、叹息、咳嗽出现的位置。

理解侧有 audio 的 flash 与 tiny，参数量分别是 126B（每 Token 激活 6.5B）和 9.3B（激活 2.7B），跳过了先转写再分析的旧流程，直接对长录音做转写、总结、观点抽取并结构化输出，同时保留说话人、情绪与环境信息。识别侧是 asr-tiny，可以在识别时传入热词表和对话上文，辅助判断地名、术语和同音词，不需要额外微调。

官方给出的分数

按官方披露：tts-0.5B 在发音鲁棒性上拿到 93.2%，并列第一；语音可控性榜单 1069 Elo，列开放权重模型第一。audio-flash 在 MMAU 得 82.00、VoiceBench 得 86.74、语音推理基准 BigBenchAudio 得 99.40。asr-tiny 在领域词、方言、中英文四类场景平均错误率 4.41%。这些均为厂商自测口径。

需要提醒的是，开放权重不等于能在普通电脑上跑：官方给 audio-flash 的参考部署配置要多张 80GB 显存的 H800。

对普通用户意味着什么

做短视频配音、会议纪要、客服录音分析的团队，现在可以按需拼装：合成负责好听，理解负责听懂长录音，识别负责把方言和专业词转准。这套能力已在阿福 App、支付宝搜索、安全核身等业务里跑过，属于有真实场景验证的一批开源模型。