10 月 20 日，蚂蚁百灵宣布开源 Ming-3.0 语音系列。不是一款，是五款，分属语音合成、音频理解与对话、语音识别三个系列。开发者可以按任务挑单个模型，也可以把不同能力拼进自己的工作流。

打开网易新闻 查看精彩图片

先说语音合成这条线。Ming-3.0-tts 系列的 Voice Design 支持用文字描述目标音色，也支持拿参考音频来定音色。更有意思的是导演模式：创作者可以说明台词的表演方式，描述情绪怎么变、哪些词要重读、节奏怎么处理。配音这件事，从"选个声音"变成了"给个指令"。

这套东西不是实验室里的样品。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 已经进了多类业务。它既能独立承担配音，也能和 Ming-3.0-asr-tiny 组合，把语音输入和回答播报两个环节接起来。

音频理解这边，Ming-3.0-audio-flash / tiny 能直接对长音频做转写、总结和观点分析这类复杂理解，并做结构化输出。和传统"先语音识别出逐字稿再分析"的流程相比，它能保留对话中的情绪、说话人身份、环境信息。代价是模型得对长上下文序列做快速推理。

语音识别这边，Ming-3.0-asr-tiny 的做法是构建普通话、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，利用候选热词列表和对话上下文信息，针对真实业务场景提升识别效果。在蚂蚁内部，它已经用在阿福医生助手、支付宝搜索、蚁小保实时语音对话和安全核身等场景。

对开发者来说，可用的入口已经摆出来了：

  • 在线体验：ling.tbox.cn；音频理解与对话可访问 Ling Studio Chat，选择 Ming-3.0-audio-flash
  • API 调用：Ling Studio 提供 Ming-3.0-tts-0.5B、Ming-3.0-audio-flash 和 Ming-3.0-asr-tiny 的 API 服务
  • 权重下载：Ming-3.0-tts-0.5B、Ming-3.0-tts-tiny、Ming-3.0-audio-flash、Ming-3.0-audio-tiny、Ming-3.0-asr-tiny 均已上架 Hugging Face 与 ModelScope

三个系列、五款模型，从合成到理解到识别，一次放齐。语音这条链路上的每个环节，现在都有开源选项可以试了。