蚂蚁百灵开源 Ming-3.0 语音模型系列，覆盖合成、理解与识别全场景

封面为AI生成的主题示意图，非新闻现场照片。

10 月 20 日，蚂蚁集团旗下的百灵团队宣布开源 Ming-3.0 语音系列模型。该系列包含语音合成、音频理解与对话、语音识别三个方向，共五款具体模型，开发者可依据任务需求单独选择或组合不同能力构建工作流。在语音合成方面，Ming-3.0-tts 系列支持通过文字描述目标音色及参考音频进行设定，创新引入了“导演模式”。该模式允许创作者详细指定台词表演方式、情绪变化趋势、重读词汇及节奏处理细节，以实现更细腻的情感表达。针对长音频处理需求，Ming-3.0-audio-flash 与 tiny 系列模型支持直接对长音频进行转写、总结及观点分析并输出结构化结果。相比传统流程，这些模型能更好地保留对话中的情绪语调、说话人身份特征和环境信息，同时具备快速推理长上下文序列的能力。语音识别方面，Ming-3.0-asr-tiny 通过构建涵盖普通话、英文、方言及领域热词的高质量语料并合理控制分布，结合强大的基座上下文理解能力，显著提升了真实业务场景下的识别效果。目前，该模型已应用于支付宝搜索、蚁小保实时对话及安全核身等场景。开源平台方面，开发者可通过 Ling Studio Chat 在线体验各项模型能力，或调用相关 API 服务。同时，Hugging Face 与 ModelScope 等平台也已上线 Ming-3.0-tts-0.5B、Ming-3.0-audio-flash 及 Ming-3.0-asr-tiny 等模型的下载链接，方便技术社区使用。