概览
蚂蚁 inclusionAI 以 MIT 协议开源的 Ming-3.0 语音模型家族：5 个模型覆盖语音合成、音频理解与语音识别，支持声音克隆、文字设计音色、四川话与粤语；0.5B 的 TTS 在 Artificial Analysis 可控语音榜开放权重模型中排第一。 Ming-3.0 是蚂蚁集团 inclusionAI（百灵 Ling 团队）于 2026 年 10 月 19 日以 MIT 协议开源的语音模型家族，一次发布 5 个模型，覆盖「会说、会听、会写下来」三类能力。语音合成 Ming-3.0-tts 有 0.5B 稠密版和 7.9B 总参（约 1.3B 激活）的 MoE tiny 版，支持零样本声音克隆、用一句话描述生成新音色、自然语言控制语气，以及 7 种语言和四川话、粤语，还能插入笑声、叹气等 14 种副语言标签，tiny 版可直接生成多人播客对话。音频理解 Ming-3.0-audio-flash（126B 总参、6.5B 激活）能总结长录音、回答语音提问、识别音乐和环境声，并生成工具调用；Ming-3.0-asr-tiny 面向客服通话、语音搜索等场景，支持多地方言和热词上下文识别。官方引用的 Artificial Analysis 榜单显示，Ming-3.0-tts 在可控语音（Controlled Voice）开放权重模型中排第一。权重可在 Hugging Face 和 ModelScope 免费下载，推理代码在 GitHub，首日即支持 SGLang-Omni 与 vLLM-Omni。基准与榜单排名为官方引用或自测。规格来自 2026-10-21 核对的 https://huggingface.co/collections/inclusionAI/ming-30 、https://github.com/inclusionAI/Ming-3.0-tts 、https://github.com/inclusionAI/Ming-3.0-audio-flash 、https://github.com/inclusionAI/Ming-3.0-asr 与官方公告 https://x.com/AntLingAGI/status/2112210811997540475 ，未补未核实字段。
- 模态
- 音频
- 参数量
- tts-0.5B（0.5B 稠密）；tts-tiny（7.9B 总参 / 约 1.3B 激活）；audio-flash（126B / 6.5B 激活）；audio-tiny（9.3B / 2.7B 激活）；asr-tiny（基于 Ling-tiny-v3）
- 许可说明
- 开源 · MIT
能力
- 家族：3 个系列共 5 个模型——Ming-3.0-tts（0.5B、tiny）、Ming-3.0-audio（flash、tiny）、Ming-3.0-asr（tiny）
- tts-0.5B：基于 Qwen2.5-0.5B 的稠密模型加 DiT 头，44.1 kHz 输出；声音克隆、用文字描述设计音色、自然语言控制语气
- tts-tiny：基于 Ling V3 的 MoE（7.9B 总参、约 1.3B 激活），支持按脚本和参考音生成多人对话（播客）
- TTS 通用：中、英、德、西、法、韩、日 7 种语言及四川话、粤语；14 种内嵌副语言标签（笑声、叹气、咳嗽、呼吸等）；可控情绪、语速、音高、音量；内置 100+ 中文音色与 5 个英文音色
- audio-flash：126B 总参、6.5B 激活的原生音频模型，做复杂语音识别、长录音理解与总结、音乐与环境声理解、音频推理，并能生成工具调用请求；可选 Talker 输出语音回复
- audio-tiny：9.3B 总参、2.7B 激活的轻量版，面向高效语音对话
- asr-tiny：中英文语音识别，在湖南话、闽南语、粤语、川渝话、上海话等 15 个方言测试集上评测；可在提示里加热词或前文对话做上下文识别；官方称四类 ASR 平均错误率 4.41%
- 榜单（官方引用 Artificial Analysis，2026 年 10 月）：tts 在 Controlled Voice 开放权重模型中第 1（1069 Elo），Pronunciation Robustness 全部模型并列第 1（93.2%），Provider Voice 开放权重第 3
- 部署：权重在 Hugging Face 与 ModelScope；推理代码在 GitHub；首日支持 SGLang-Omni 与 vLLM-Omni
- 许可：MIT（权重与代码）
