蚂蚁百灵于10月20日正式开源 ming-3.0 语音大模型系列，聚焦声音内容创作、长时音频理解分析、行业场景语音转写三大核心任务，推出涵盖语音合成（tts）、音频理解与对话（audio understanding）、语音识别（asr）三大方向的五款模型：ming-3.0-tts（含 0.5b 与 tiny 两个版本）、ming-3.0-audio（含 flash 与 tiny 两个版本）以及 ming-3.0-asr-tiny。全部模型权重已同步上线 hugging face 与 modelscope 平台，ling studio 同步提供标准化 api 接口及在线交互体验。
在语音合成方向，Ming-3.0-tts 引入 Voice Design 功能，支持通过自然语言描述目标音色特征，或上传参考音频实现音色定制；导演模式可基于文本指令精准控制情绪起伏、重音位置与语速节奏，并原生支持行内副语言标签（如 <laugh>、<sigh>、<cough>），灵活标注笑声、叹息、咳嗽等非言语信息。该系列模型已落地至阿福 APP 语音通话、医生个性化音色克隆、小虎智能办公等实际业务场景。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
在音频理解方向，Ming-3.0-audio-flash 与 Ming-3.0-audio-tiny 具备端到端长音频处理能力，可直接完成语音转写、内容摘要、观点抽取与结构化输出，同时保留原始音频中的情绪倾向、说话人身份及环境声学线索。其输入模块采用 6.25Hz 超低帧率音频表征技术，显著压缩序列长度；主干语言模型基于 Ling-3.0 架构，融合 KDA（Knowledge-Distilled Attention）与 Gated MLA（Gated Multi-Level Attention）混合注意力机制，并引入稀疏 MoE（Mixture of Experts）提升建模效率。
在语音识别方向，Ming-3.0-asr-tiny 创新提出 Context ASR 架构，支持动态加载热词列表与上下文对话历史，无需微调即可有效缓解同音异义歧义问题。目前已集成至阿福医生助手、支付宝搜索语音入口及金融级安全核身流程中。
实测性能方面，根据 Artificial Analysis 2026 年 10 月发布的权威评测报告：
- Ming-3.0-tts-0.5B 在 Pronunciation Robustness 指标上斩获 93.2% 分数，并列榜单首位；Controlled Voice 综合能力达 1069 Elo，位居所有开源权重模型榜首；
- Ming-3.0-audio-flash 在 MMAU 与 VoiceBench 基准测试中分别取得 82.00 与 86.74 分，在 BigBenchAudio（S2T）任务中以 99.40 分登顶第一，SpeechFCEval 得分为 82.60；
- Ming-3.0-asr-tiny（8.6B A2B 版本）在四大主流 ASR 评测集上的平均词错误率（WER）低至 4.41%，全面优于 Fun-ASR1.5、FireRedASR2-LLM（8B）与 Qwen3-ASR-1.7B 等竞品模型。
