蚂蚁开源5款语音模型，AI复刻甄嬛传名场面

智东西10月20日报道，蚂蚁百灵今日开源Ming-3.0语音系列模型，共五款，覆盖语音合成、音频理解与对话、语音识别，重点支持音色与台词表演控制、长音频分析与连续问答，以及结合热词和对话上下文的语音识别。

语音合成系列包括Ming-3.0-tts-0.5B和Ming-3.0-tts-tiny，后者支持长篇多角色播客生成；音频理解与对话系列包括Ming-3.0-audio-flash和Ming-3.0-audio-tiny，面向会议、访谈等录音分析；语音识别模型为Ming-3.0-asr-tiny，支持中英文及方言转写。

亮点方面，0.5B参数的TTS模型可根据文字指令调整声音表演，用户能要求台词表现克制的愤怒、指定重读和停顿，还可在句中插入笑声和叹息。Audio系列可直接分析录音，在理解对话内容的同时保留语气、说话人特征和环境音等信息；ASR模型支持提前传入地名、产品名等热词及对话上文，辅助识别专业术语和同音词。

目前Ling Studio网页端仅开放Audio系列体验。智东西实测显示，Ming-3.0-audio-flash能结合长对话分析人物性格、立场及言外之意，准确定位背景声音出现时间。在《甄嬛传》“滴血验亲”22分15秒录音测试中，模型约一分钟给出人物分析，对皇上、皇后、祺贵人等主要人物性格和立场判断较到位，并分析出皇后借验亲制造假证据的目的，但对甄嬛复杂人物的分析仍流于表面。模型约6.6秒准确回答弘曕在3分18秒左右开始哭泣，与录音吻合。

五款模型权重已在Hugging Face和ModelScope开放。开发者可通过API调用Ming-3.0-tts-0.5B、Ming-3.0-audio-flash和Ming-3.0-asr-tiny。

语音合成方面，Ming-3.0-tts-0.5B在Artificial Analysis英文发音鲁棒性测试中以93.2%与Fish Audio Drama 3 Preview并列第一，高于Eleven v4和Gemini 3.8 Flash TTS；在Controlled Voice榜单位列开放权重模型第一，Provider Voice榜单位列开放权重模型第三。Ming-3.0-tts-tiny在德语、西班牙语词错误率上领先对比模型，但两款TTS在音色设计测试中均低于Qwen3-TTS。

音频理解方面，Ming-3.0-audio-flash以99.40分语音推理成绩领先字节Seed 2.0 Lite、小米MiMo-V2.6-Pro、阿里Qwen3.8-Omni-Flash和谷歌Gemini 3.8 Flash，综合音频理解成绩仅次于千问，语音问答与指令遵循仅次于Gemini，语音工具调用位列第三。

语音识别方面，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%，低于阿里通义Fun-ASR 1.5、小红书FireRedASR2-LLM（8B）及阿里Qwen3-ASR-1.7B；领域和英文识别错误率最低，方言识别略逊于Fun-ASR 1.5，中文识别不及FireRedASR2-LLM（8B）。

官方案例显示，Ming-3.0-tts支持通过自然语言控制情绪、节奏和重音，并可用标签指定笑声、叹息、咳嗽等声音位置。Ming-3.0-asr-tiny可结合热词列表和对话上文识别人名、地名和行业术语，官方以粤语问路场景演示，预先传入“佐敦道、弥敦道、波鞋街、西洋菜街”等热词后，模型将录音转写为“弥敦道怎么走？”。该模型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。

蚂蚁百灵透露，下一步将探索语音智能体，支持用户通过多轮语音对话提出需求、发起任务和查询进展。