AI 摘要
- 螞蟻百靈開源 Ming-3.0語音系列，共五款模型。
- 該系列涵蓋語音合成、音頻理解與對話、語音識別三類能力。
- Ming-3.0-tts 支援以文字描述音色，並提供導演模式控制表演方式。
螞蟻百靈宣布開源 Ming-3.0語音系列，共計五款模型，涵蓋語音合成、音頻理解與對話、語音識別三類能力。開發者可以依任務單獨挑選，也能把不同能力組合進自己的工作流程。
語音合成：Ming-3.0-tts 系列
Ming-3.0-tts 系列的 Voice Design 允許以文字直接描述想要的音色，也支援以參考音頻設定聲音特質。其「導演模式」讓創作者可以指定臺詞的表演方式，包括情緒起伏、需要重讀的詞語與節奏處理。
在螞蟻內部，這套能力已應用於阿福 App 的主對話與語音通話、醫生音色克隆及小虎智能辦公等業務線。它既可獨立承擔配音，也能與 Ming-3.0-asr-tiny 組合，串接語音輸入與回答播報。
音頻理解：Ming-3.0-audio-flash 與 tiny
Ming-3.0-audio-flash 與 tiny 面向長音頻的轉寫、總結與觀點分析等複雜任務，並可輸出結構化結果。相較於「先語音識別出逐字稿、再進行分析」的兩段式流程，這組模型能把對話中的情緒、說話人身份與環境資訊一併保留，並要求模型具備處理長上下文序列的快速推理能力。
語音識別：Ming-3.0-asr-tiny
Ming-3.0-asr-tiny 以普通話、英文、方言與領域熱詞等高質量語料為基礎，並控制資料分佈；結合語言模型基座的上下文理解能力，利用候選熱詞列表與對話上下文資訊提升實際業務場景的識別效果。目前已用於阿福醫生助手、支付寶搜索、蟻小保實時語音對話及安全核身等場景。
功能定位比較
| 模型 | 主要能力 | 已公開的應用場景 |
|---|---|---|
| Ming-3.0-tts 系列 | 語音合成，支援音色描述、參考音頻與導演模式 | 阿福 App 對話與語音通話、醫生音色克隆、小虎智能辦公 |
| Ming-3.0-audio-flash 與 tiny | 長音頻轉寫、總結、觀點分析與結構化輸出 | 面向長音頻的複雜理解任務 |
| Ming-3.0-asr-tiny | 語音識別，結合熱詞列表與對話上下文 | 阿福醫生助手、支付寶搜索、蟻小保實時語音對話、安全核身 |
觀察
Ming-3.0語音系列的特點在於模組化設計：合成、理解與識別可分開使用，也可串接成完整語音流程。來源未提供各型號的售價、推出日期或授權條款等資訊，開發者若需評估導入成本與使用條件，仍需參考官方發布的完整文件。
Reference Link : news.aibase.com
