蚂蚁百灵开源Ming-3.0语音系列 五款模型覆盖合成识别与理解

蚂蚁百灵日前开源了Ming-3.0语音系列，共包含五款模型，涵盖语音合成、音频理解与对话、语音识别三大核心能力。这套模型系列允许开发者按需选择单一功能模块，或将多种能力组合进工作流中。

语音合成方面，Ming-3.0-tts系列引入了Voice Design功能，支持通过文字描述或参考音频设定音色特质。其'导演模式'更具创新性，允许创作者通过文字指令控制台词的表演方式，包括情绪变化、重读词汇和节奏处理等细节。该能力已在阿福App、医生音色克隆等多个蚂蚁内部业务中落地应用。

音频理解模型Ming-3.0-audio-flash与tiny专注于长音频处理，能够完成转写、总结和观点分析等复杂任务，并提供结构化输出。与传统两段式流程相比，该模型能够同时保留对话情绪、说话人身份和环境信息，展现出对长上下文序列的快速推理能力。

语音识别模型Ming-3.0-asr-tiny通过构建高质量语料库和语言模型基座的上下文理解能力，显著提升了真实业务场景中的识别效果。该模型已在阿福医生助手、支付宝搜索等多个场景中投入使用。

蚂蚁百灵表示，Ming-3.0语音系列的开源将为开发者提供更多灵活性，同时也展示了其在语音技术领域的持续创新。