Ming-3.0 – 蚂蚁百灵开源的语音模型系列，五款模型分做合成、理解与识别

Ming-3.0是蚂蚁百灵于 2026 年 10 月开源的语音模型系列，按声音创作、长语音分析、业务语音转写三类任务分设语音合成、音频理解与对话、语音识别共五款模型。三系列各自独立开源，既能单用，也能串成一条从语音输入到语音播报的链路；合成侧支持用自然语言描述表演方式，理解侧直接吃长录音并输出结构化结论，识别侧可外挂热词列表与对话上文，适用于有声内容制作、会议访谈整理、客服质检与终端语音输入等场景。

Ming-3.0 的核心能力

三个系列各管一段：合成负责把文字变成声音，音频理解负责把长录音读成结论，识别负责把口语转成文字。权重与推理代码分别放在三个仓库，可以先单跑其中一款，再按需要串起来。

五款模型的命名与分工

合成系列两款：Ming-3.0-tts-0.5b 是 0.5B 稠密模型，Ming-3.0-tts-tiny 是 7.9B 总参数、1.3B 激活的稀疏模型，后者独有播客模式，能按脚本生成多角色对话。音频理解系列两款：Ming-3.0-audio-flash 为 126B 总参数、6.5B 激活，Ming-3.0-audio-tiny 为 9.3B 总参数、2.7B 激活。识别系列目前一款 Ming-3.0-asr-tiny，8.6B 总参数、激活约 2B。同系列内部的差别是任务与规模，不是同一个模型的裁剪版。

语音合成：用导演模式控制情绪、节奏与重音

tts 系列除了常规的音色克隆与文字音色设计，还多出一层导演模式：把表演方式写成一句自然语言指令，模型据此处理情绪走向、哪些词该重读、节奏怎么摆。官方给的示例是让它愤怒但克制，把指责读重，最后一句问话放尖却不喊出来。文本里还能插入行内副语言标签，笑声、叹息、咳嗽按标记位置出现，官方口径是 14 种。语言侧覆盖中文、英文与德西法韩日，以及川渝话、广粤话两种方言，内置音色为 100 个以上中文加 5 个英文。

音频理解：长录音直接给结论，不用先出逐字稿

audio 系列直接对长音频做转写、总结与观点分析，并按给定结构输出结果，省掉先出逐字稿再分析的两步。因为保留说话人身份、情绪与环境音，它能在会议录音里把达成共识的部分与仍需拍板的部分分开。输入端用的是 6.25 Hz 低帧率音频表征，语言主干则接了 Ling-3.0-tiny-base 这一支，长录音才处理得下来。

语音识别：热词与对话上文一起交给模型

asr-tiny 的差异点在 Context ASR：识别时可以把热词列表和对话上文一并传进去，热词管产品名、人名、地名与行业术语，上文管连续交流的语境，同音词与生僻名称靠这两类信息判断，不需要为某个业务重新训练模型。官方举的例子是粤语问路，先给佐敦道、弥敦道、波鞋街、西洋菜街四个地名，再问弥敦道怎么走。方言评测覆盖湖南、闽南、粤语、川渝、上海、安徽、东北、河南、湖北、江苏、客家、陕西、山东、天津、云南 15 个测试集。

Ming-3.0 五款模型的选型对比

五款模型的关系是同一条系列里的任务分工，不是轻重两档。参数、输入输出与语言覆盖取自各仓库 README 与官方选型表。

八行差异集中在主要任务、输入与语言覆盖三项：合成与识别各守一端，理解款吃下转写、总结与对话；识别款不收文本指令，合成款要带参考音频；合成给到七种语言与两种方言，识别重方言与热词。tts-0.5b 发音稳健性 93.2% 并列第一，asr-tiny 四类评测平均错误率 4.41%。

同一条语音赛道上还有别的系列在并排跑：Qwen-Audio-3.1 把识别、理解与合成收进一套权重，走的是同一类思路。

Ming-3.0 的应用场景与适用人群

官方把三类任务对应到三类真实业务：声音创作、长语音分析、业务语音转写。常见场景包括：

• 有声内容与角色配音：剧本给到台词和一句表演说明，合成款按情绪走向与重音位置出音，多角色场景换 tts-tiny 的播客模式。
• 会议与访谈整理：把整场录音交给音频理解款，一次拿到转写、共识与分歧，不用再拿逐字稿人工过一遍。
• 口音与专业术语识别：客服、医疗、政务这类场景把产品名、人名、地名做成热词，连同上文一起传给识别款。
• 端到端语音助手：识别款接管输入、合成款接管播报，中间接自家对话模型，官方在阿福 App 的主对话与语音通话里就是这么串的。

适用人群：做中文配音与角色台词的创作者、要把会议纪要自动化的产品团队、处理方言与热词的客服与质检方，以及手上已有 GPU、想自建语音链路的工程团队；只想直接调成品接口、不打算碰权重的话，站内StepAudio 3 这类同样把语音能力收进系列的方案可以并着看。

Ming-3.0 的使用方法

官方给了三条路径，难易各不相同：网页试用、调托管接口、下权重本地跑。

在线体验：网页里传一段录音，直接问它讲了什么

1. 打开 Ling Studio Chat（chat.ant-ling.com），登录账号。
2. 在模型里选 Ming-3.0-audio-flash，传一段录音，直接问这段录音讲了什么。
3. 想直接听合成效果，打开项目主页的演示页 nomorecoding.github.io/Ming-3.0-tts，输入文本、挑音色就能试听。

调接口：不碰权重，把合成与识别接进自己的业务流

1. 按任务选模型名：合成用 Ming-3.0-tts-0.5B、音频理解用 Ming-3.0-audio-flash、识别用 Ming-3.0-asr-tiny，三个都有官方 API 服务。
2. 把识别或生成的返回接进自己的业务工作流，权重与推理服务由官方托管。

下权重：本地跑合成与识别，数据不出内网

1. 下载权重：hf download inclusionAI/Ming-3.0-tts-0.5b --local-dir Ming-3.0-tts-0.5b；国内走镜像用 modelscope download --model inclusionAI/Ming-3.0-tts-0.5b。
2. 跑一次合成：python infer.py --task TTS --language_id Chinese --text "傍晚的风从山口吹过来" --prompt_wav_path data/voice_presets/voice_audio/lingguang.wav，参考音频决定音色。
3. 跑一次识别：python examples/transcribe.py --model $MODEL_DIR --audio examples/cases/audio/chinese_common_voice.wav，热词与对话上文按 cookbook 里的 Context ASR 写法传。

环境别混用：0.5B 与 tiny 的依赖版本不同，tiny 要 Python 3.10.15 加 PyTorch 2.7.1，官方建议在 H800 上推理；数字、日期、单位的归一化依赖 pynini，不想装就加 --no_text_normalization。完整参数见 Ming-3.0-tts 官方仓库，音频理解与识别两个仓库的启动方式与上面同构，换掉权重路径即可。

Ming-3.0 的项目地址

• Hugging Face 模型库：https://huggingface.co/collections/inclusionAI/ming-30
• GitHub 组织主页：https://github.com/inclusionAI

Ming-3.0 的价格与开源情况

权重与代码免费：三个仓库均采用 MIT 许可，下载、修改与商用都不需要付费或单独授权，也没有调用量限制。成本落在硬件上，官方在 0.5B 上实测过 NVIDIA H800-80GB 与 H20-96G，tiny 建议用 H800；音频理解款 126B 总参数，显存要求比合成款高一档。

在线调用按平台计费：Ling Studio 提供 Ming-3.0-tts-0.5B、Ming-3.0-audio-flash 与 Ming-3.0-asr-tiny 的 API 服务，单价与额度以该平台控制台公示为准。第三方口径另有一层参考，Artificial Analysis 的发音稳健性 93.2% 与受控音色 1069 Elo 都是盲测评分，与自家定价无关。

Ming-3.0 的常见问题