蚂蚁百灵开源Ming-3.0语音五模型：导演模式写台词情绪，0.5B发音鲁棒性并列全榜第一

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、业务转写三条线一次性放出五款模型：语音合成 Ming-3.0-tts（0.5B 与 7.9B 激活 1.3B 的 tiny 两款）、音频理解与对话 Ming-3.0-audio（126B 激活 6.5B 的 flash 与 9.3B 激活 2.7B 的 tiny）、语音识别 Ming-3.0-asr-tiny（8.6B 激活 2B）。全部权重已上架 Hugging Face 与 ModelScope，Ling Studio 同步提供 API 与在线体验。

合成：给配音装上「导演」

Ming-3.0-tts 最有辨识度的能力是「导演模式」：创作者用自然语言写明台词的表演方式——情绪怎么起伏、哪些词要重读、节奏如何处理——这些指令和音色描述、合成文本一起作为条件输入模型。Voice Design 支持用一段文字描述目标音色，或直接给参考音频克隆声线；文本里还能插入 [Laughter] 这类行内标签，精确指定笑声、叹息、咳嗽出现的位置。

成绩单上，0.5B 的小参数量跑出了 SOTA：在 Artificial Analysis 2026 年 10 月评测中，tts-0.5B 发音鲁棒性得分 93.2%，并列全榜第一；Controlled Voice 榜以 1069 Elo 位列开放权重模型第一。小模型意味着低成本部署，这对要批量出配音的业务来说比榜单名次更实在。

理解：跳过转写稿，直接听懂长录音

audio-flash 和 audio-tiny 改掉了传统「先语音识别出逐字稿、再拿去分析」的两段式流程，直接对长音频做转写、总结、观点抽取，并输出结构化结果。关键差异在于信息保真：对话里的情绪、说话人身份、环境音这些转写稿里丢掉的东西被保留了下来。

架构上，输入端用 6.25Hz 低帧率音频表征把长序列压短，语言主干基于蚂蚁自家的 Ling-3.0，结合 KDA 与 Gated MLA 混合注意力捕捉长程依赖，再叠加稀疏 MoE 控制推理成本。官方数据：MMAU 82.00、VoiceBench 86.74、SpeechFCEval 82.60，其中 BigBenchAudio（S2T）99.40 位列第一。一场几小时的会议录音扔进去，纪要、观点、待办可以一步出来。

识别：热词加语境，专治同音词和方言

asr-tiny 走的是「语料工程 + 上下文注入」路线：训练语料覆盖普通话、英文、方言、领域热词并控制分布，识别时通过 Context ASR 机制传入候选热词列表与对话上文，辅助判断地名、术语和同音词，不需要针对场景额外微调。官方披露其在领域词、方言、中英文四类场景的平均错误率 4.41%，优于 Fun-ASR 1.5、FireRedASR2-LLM（8B）与 Qwen3-ASR-1.7B。

已经在蚂蚁体系里跑着

这套模型不是实验室摆设：tts 系列已用于阿福 App 的主对话与语音通话、医生音色克隆、小虎智能办公；asr-tiny 则支撑阿福医生助手、支付宝搜索、蚁小保实时语音对话和安全核身。对开发者来说，三条线可以按需单取，也可以拼成「语音输入 → 理解分析 → 语音播报」的完整闭环——接电话、做客服、搭会议助手都够用。

在线体验地址为 ling.tbox.cn，权重在 Hugging Face 和 ModelScope 均可下载。国内大厂的语音开源又添一枚重磅玩家，值得一提的是，这与 Fish Audio 昨日开源的 Drama 3 属于不同路线：Drama 3 主打 35B 大模型的词级情绪导演，Ming-3.0 则以小参数、全链路、可组合取胜，开发者按算力和场景对号入座即可。