蚂蚁百灵开源 Ming-3.0 语音系列：三系列五款模型覆盖合成、理解与识别

10月20日，据报道，蚂蚁百灵宣布开源 Ming-3.0 语音系列，分别提供语音合成、音频理解与对话、语音识别三个系列共五款模型，开发者可以按任务选择，也可以把不同能力组合进自己的工作流。

语音合成方面，Ming-3.0-tts 的 Voice Design 支持用文字描述目标音色，也支持参考音频的音色设定。更有特色的是导演模式，创作者可以说明台词的表演方式，描述情绪如何变化、哪些词需要重读、节奏怎么处理。在蚂蚁内部，这套能力已用于阿福 App 的主对话与语音通话、医生音色克隆、小虎智能办公等业务，既可以独立配音，也能与 Ming-3.0-asr-tiny 组合，串起语音输入和回答播报两个环节。

音频理解为 Ming-3.0-audio-flash 与 audio-tiny，能直接对长音频做转写、总结和观点分析，并给出结构化输出。相比先做逐字稿再分析的传统流程，它能保留对话中的情绪、说话人身份和环境信息，同时对长上下文序列的推理速度要求很高。

语音识别为 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，再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提升识别效果，目前已用于阿福医生助手、支付宝搜索、蚁小保实时语音对话和安全核身等场景。