蚂蚁百灵开源 Ming-3.0语音系列:五款模型覆盖合成、理解与识别

蚂蚁百灵10月20日开源 Ming-3.0语音系列，围绕声音创作、长语音分析、业务语音转写三类任务，提供语音合成、音频理解与对话、语音识别三个系列共五款模型:Ming-3.0-tts（0.5B、tiny）、Ming-3.0-audio(flash、tiny)与 Ming-3.0-asr-tiny，权重上架 Hugging Face 与 ModelScope，Ling Studio 提供 API 与在线体验。

合成方向上，Ming-3.0-tts 的 Voice Design 可用文字描述目标音色或参考音频，导演模式允许用文字说明情绪变化、重读词与节奏，并支持行内副语言标签标注笑声、叹息、咳嗽位置，该系列已进入阿福 APP 语音通话、医生音色克隆与小虎智能办公。

理解方向上，Ming-3.0-audio-flash 与 tiny 可直接对长音频转写、总结与观点分析并结构化输出，保留情绪、说话人与环境信息;其输入端采用6.25Hz 低帧率音频表征缩短序列，语言主干基于 Ling-3.0，结合 KDA 与 Gated MLA 混合注意力及稀疏 MoE。

识别方向上，Ming-3.0-asr-tiny 的 Context ASR 可接收热词列表与对话上文辅助判断同音词而无需额外训练，已用于阿福医生助手、支付宝搜索与安全核身。

实测方面，Artificial Analysis2026年10月评测中，Ming-3.0-tts-0.5B 在 Pronunciation Robustness 得分93.2% 并列全榜第一，Controlled Voice 以1069Elo 位列开放权重模型第一。

Ming-3.0-audio-flash 在 MMAU、VoiceBench 分别得分82.00、86.74，BigBenchAudio（S2T）得分99.40位列第一，SpeechFCEval 得分82.60。Ming-3.0-asr-tiny(8.6B A2B)在四类评测中平均错误率4.41%，优于 Fun-ASR1.5、FireRedASR2-LLM(8B)与 Qwen3-ASR-1.7B。