蚂蚁百灵一口气开源五款语音模型

语音赛道又添一家重量级开源玩家。10月20日，蚂蚁百灵宣布开源Ming-3.0语音系列，围绕声音创作、长语音分析和业务语音转写三类任务，一口气放出五款模型：语音合成的Ming-3.0-tts（0.5B与tiny两版）、音频理解与对话的Ming-3.0-audio（flash与tiny两版）、语音识别的Ming-3.0-asr-tiny，全部权重同步上架Hugging Face与ModelScope，Ling Studio同步提供API和在线体验。

合成方向上，Ming-3.0-tts玩出了「导演感」：Voice Design既可以用一段文字描述目标音色，也支持上传参考音频做音色定制；更特别的是导演模式，创作者可以用文字说明台词怎么演——情绪如何变化、哪些词要重读、节奏怎么处理，还能用行内标签标注笑声、叹息、咳嗽的位置。目前这套合成能力已在蚂蚁内部的阿福App语音通话、医生音色克隆和小虎智能办公等业务中落地。

理解方向上，Ming-3.0-audio-flash与tiny能直接对长音频做转写、总结和观点分析，并输出结构化结果。与「先转逐字稿再分析」的传统两段式流程不同，它保留了对话里的情绪、说话人身份和环境信息。架构上采用6.25Hz低帧率音频表征压缩序列长度，语言主干基于Ling-3.0，结合KDA与Gated MLA混合注意力以及稀疏MoE来控制推理成本。

识别方向上，asr-tiny靠普通话、英文、方言和领域热词的高质量语料打底，其Context ASR可以直接接收热词列表和对话上文来消解同音词歧义，不需要额外训练。第三方评测也给出了背书：Artificial Analysis今年10月的评测中，Ming-3.0-tts-0.5B发音稳健度93.2％并列全榜第一，受控音色以1069 Elo位列开放权重模型第一；asr-tiny在四类评测中平均错误率4.41％，优于Fun-ASR 1.5、FireRedASR2-LLM与Qwen3-ASR-1.7B等竞品。

官方透露，下一步的重点是把语音交互推向长程复杂任务——让语音成为Voice Agent的入口，通过多轮对话理解需求、发起任务、跟进进度，并记住用户的偏好。当语音不再只是「问答的一环」而能串起整个工作流，开源生态里又多了一个值得盯紧的选项。

编译自 IT之家，原标题："蚂蚁百灵开源Ming-3.0语音系列模型，把语音能力接入工作流"