把语音能力接入工作流，Ming-3.0 语音系列模型发布
内容提要
蚂蚁百灵开源Ming-3.0语音系列，共五款模型，覆盖语音合成、音频理解与对话、语音识别。TTS支持文字设定音色、导演模式调控情绪节奏及行内副语言标签，0.5B小模型表现突出；audio-flash/tiny可直接理解长音频并结构化输出，保留情绪与说话人信息；asr-tiny支持热词与上下文注入，提升口音、术语识别准确率。未来将探索Voice Agent长程复杂任务。
延伸解读
按任务选型：三类语音能力可独立也可组合
Ming-3.0 语音系列并非单一模型，而是按语音合成、音频理解与对话、语音识别三类任务拆分为五款模型。开发者可根据具体场景选择对应能力，例如用 tts 做配音、用 audio 分析长录音、用 asr 转写业务语音，也可将不同模型组合进同一工作流。这种设计降低了按需接入的门槛，也便于在已有系统中逐步替换或增强语音环节。
TTS 的导演模式与副语言标签：控制力是亮点
Ming-3.0-tts 支持用文字描述音色，并可通过导演模式指定情绪变化、重读词和节奏处理。行内副语言标签还能在文本中插入笑声、叹息、咳嗽等表达位置，让合成语音更贴近角色状态。这些控制方式面向有声内容和产品助手场景，使创作者无需额外训练即可调整表演细节，但实际效果仍需结合具体台词和业务需求验证。
长音频理解：跳过逐字稿，保留声音信息
Ming-3.0-audio-flash/tiny 可直接对长音频进行转写、总结和观点分析，并结构化输出。相比先转写再分析的传统流程，它保留了对话中的情绪、说话人身份和环境信息。架构上采用低帧率音频表征和稀疏 MoE 等设计以降低长音频计算负担。评测显示其在音频理解、语音问答、推理和工具调用等任务上有相应得分，适合会议、访谈等需要整理共识与分歧的场景。
ASR 的热词与上下文注入：面向真实业务口音和术语
Ming-3.0-asr-tiny 支持在识别时传入热词列表和对话上文，帮助模型判断同音词、不常见名称和行业术语，无需额外训练。文章称其在领域热词、方言、中英文识别等四类评测中平均错误率为 4.41%，并与闭源及开源模型做了对比。该能力已用于医生助手、搜索、实时语音对话和安全核身等场景，说明其定位是提升真实业务中的转写准确率，而非通用语音识别基准。
Q&A
Ming-3.0 语音系列包含哪些模型？分别对应什么任务？
Ming-3.0 语音系列共五款模型，分为三个系列：语音合成系列 Ming-3.0-tts（含 0.5B 版本），用于有声内容与产品助手；音频理解与对话系列 Ming-3.0-audio-flash/tiny，用于长录音的转写、总结和观点分析；语音识别系列 Ming-3.0-asr-tiny，用于客户沟通与语音输入。开发者可按任务选择，也可组合使用。
Ming-3.0-tts 如何通过文字控制语音的情绪和节奏？
Ming-3.0-tts 支持导演模式，创作者可以用文字描述台词的表演方式，包括情绪如何变化、哪些词需要重读、节奏如何处理。此外，还支持在文本中插入行内副语言标签，指定笑声、叹息、咳嗽等表达出现的位置，让声音更细腻地表现人物状态。
Ming-3.0-tts-0.5B 在评测中的表现如何？
在 Artificial Analysis 2026 年 10 月的评测中，Ming-3.0-tts-0.5B 在 Pronunciation Robustness 测试（关注专有名词、缩写、数字等能否读准）得分为 93.2%，并列全榜单第 1；在 Controlled Voice 榜单中以 1069 Elo 位列开放权重模型第 1；在 Provider Voices 中以 1188 Elo 位列开放权重模型第 3。
Ming-3.0-audio 相比传统先转写再分析的方式有什么优势？
Ming-3.0-audio-flash/tiny 支持直接对长音频进行转写、总结和观点分析等复杂理解，并进行结构化输出。相比传统先语音识别逐字稿再分析的过程，它能保留对话中的情绪、说话人身份、环境信息等，这得益于高效的语音表征、精细声学信息保留以及对长上下文序列的快速推理。
Ming-3.0-asr-tiny 如何提升口音和术语的识别准确率？
Ming-3.0-asr-tiny 通过构建普通话、英文、方言、领域热词等高质量语料并合理控制分布，结合语言模型基座的上下文理解能力，利用候选热词列表和对话上下文信息，为真实业务场景提升识别效果。应用可按需传入热词列表和对话上文，辅助判断同音词和不常见名称，无需额外训练模型。
Ming-3.0 语音系列未来的探索方向是什么？
未来将重点探索语音交互在真实复杂场景的应用，特别是让语音交互支持长程复杂任务：探索 Voice Agent，让语音成为发起和持续推进复杂任务的交互入口。通过多轮对话理解需求、发起任务、查询进展，并记住相关上下文与用户偏好，支持任务在持续交互中逐步完成。
