|
|
蚂蚁百灵把 Ming-3.0 语音系列开源了。这个系列有意思的地方在于它不是单点模型，而是把「声音创作、长语音分析、业务语音转写」三类任务拆成三套模型，五款产品，让开发者按任务选型、按需组合。
TTS 这边的亮点是「导演模式」。Ming-3.0-tts 的 Voice Design 可以用文字描述目标音色，也支持参考音频定音色；但更有意思的是导演模式——直接描述台词该怎么演：「Sound angry but controlled. Stress the accusation and make the final question sharp, without shouting.」用文字说明情绪怎么变化、哪些词重读、节奏怎么处理，就能让合成声音呈现细腻的情绪。还支持在文本里插行内副语言标签（[Laughter]、叹息、咳嗽），指定这些表达出现的位置。
参数上，0.5B 小模型在 Artificial Analysis 2026 年 10 月的评测里，Pronunciation Robustness 93.2% 并列全榜单第 1，Controlled Voice 1069 Elo 开放权重第 1——小参数做出这个效果，是这代的一个卖点。
audio 系列解决的是「长录音分析」：直接对长音频做转写、总结、观点分析，还能结构化输出。相比传统「先转逐字稿再分析」的流程，它保留了对话中的情绪、说话人身份、环境信息。架构上，flash 在输入端用 6.25Hz 低帧率音频表征缩短序列，语言主干基于 Ling-3.0，加 KDA 与 Gated MLA 混合注意力、稀疏 MoE，降长音频的计算负担。评测上，MMAU 82.00、VoiceBench 86.74，BigBenchAudio(S2T) 99.40 位列图示模型第 1，SpeechFCEval 82.60——不止听懂，还能语音推理和调用工具。
ASR 主打业务落地最难啃的部分：方言口音、热词、专业术语。Context ASR 在识别时接收两类场景信息——热词列表（产品名、人名、地名、行业术语）和对话上文，辅助判断同音词，无需额外训练。官方给了个粤语问路例子：应用先提供「佐敦道、弥敦道、波鞋街、西洋菜街」等地名热词，模型就能准确识别「弥敦道怎么走」。asr-tiny（8.6B A2B）在领域、方言、中英文四类评测的平均错误率 4.41%，对标 Fun-ASR 1.5、FireRedASR2-LLM、Qwen3-ASR。
这几款不是纸上模型——阿福 APP 的主对话与语音通话、医生音色克隆、小虎智能办公、支付宝搜索、蚁小保实时语音对话、安全核身，都已经是生产环境。百灵把下一步指向 Voice Agent：让语音成为发起和持续推进复杂任务的交互入口，多轮对话理解需求、发起任务、查进展、记偏好。语音从「识别和合成」走向「交互入口」，是这代之后值得盯的方向。
模型权重在 Hugging Face 和 ModelScope，Ling Studio 提供在线体验和 API。
参考来源：
• 蚂蚁百灵官方公众号：Ming-3.0 语音系列发布
• Hugging Face：Ming-3.0-tts-0.5B
• Ling Studio
原文链接 |
|
发表于 2026-10-20 12:30:19
