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
- 核心发布：蚂蚁百灵开源 Ming-3.0 语音系列，包含 Ming-3.0-tts-0.5B、tts-tiny、audio-flash、audio-tiny、asr-tiny 五款模型，权重已在 Hugging Face 与 ModelScope 开放；用户可在 Ling Studio 体验 audio-flash，开发者可通过 API 调用 tts-0.5B、audio-flash 与 asr-tiny。
- 能力差异：0.5B TTS 支持自然语言指令控制音色与台词表演，可指定重读、停顿，并在句中插入笑声、叹息；audio 系列可直接分析长对话，保留语气、说话人特征与环境音，并定位背景声出现时间；asr-tiny 支持中英文及方言转写，可传入热词与对话上文辅助识别专业术语。
- 评测数据：Ming-3.0-tts-0.5B 在 Artificial Analysis 英文发音鲁棒性测试中得分 93.2%，与 Fish Audio Drama 3 Preview 并列第一，高于 Eleven v4 与 Gemini 3.8 Flash TTS，并在 Controlled Voice 开放权重榜单中位列第一。Ming-3.0-audio-flash 语音推理得分 99.40，领先字节 Seed 2.0 Lite、小米 MiMo-V2.6-Pro、阿里 Qwen3.8-Omni-Flash 与 Gemini 3.8 Flash；Ming-3.0-asr-tiny 在领域、方言及中英文四类评测中平均错误率 4.41%，低于通义 Fun-ASR 1.5、小红书 FireRedASR2-LLM（8B）及 Qwen3-ASR-1.7B。
- 实测局限：智东西用《甄嬛传》滴血验亲片段测试 audio-flash，模型能区分多人音色与立场，并定位 3 分 18 秒的哭声，但对“白切黑”复杂人物的分析仍流于表面；官方称下一步将探索支持多轮语音对话与任务推进的 Voice Agent。
- 行业意义：语音模型的开源供给从单一 TTS 扩展到合成、音频理解与 ASR 的完整链路，且 0.5B 小模型具备表演控制能力；对语音 Agent 与本地化应用而言，可组合、可自托管的语音组件增加。 🔗 智东西报道 | Hugging Face 开源页 | 体验地址