蚂蚁百灵开源 Ming-3.0 语音模型系列：五个模型均为 MIT 协议，0.5B 语音合成模型登顶 Artificial Analysis 开源音色克隆榜，另有 126B（激活 6.5B）音频理解模型和支持方言的语音识别

这件事意味着什么

【要点】

蚂蚁集团百灵大模型团队（Ant Ling / inclusionAI）北京时间 10 月 19 日 23:54 在官方账号宣布开源 Ming-3.0 语音模型系列，共三类五个模型，权重以 MIT 协议发布在 Hugging Face 和魔搭（ModelScope）。

语音合成 Ming-3.0-tts 有两个版本：0.5B 稠密模型，以及基于 Ling V3 的 tiny 版（MoE，总参数 7.9B、激活 1.3B）。支持克隆参考音色、用文字描述设计新音色、自然语言控制语气，以及笑声、叹气等 14 种副语言标签；覆盖中、英、德、西、法、韩、日七种语言和四川话、粤语，tiny 版还能按剧本生成多人对话。

音频理解 Ming-3.0-audio 中，flash 版是 126B 总参数、6.5B 激活的 MoE，可做语音识别、长录音总结、语音问答、音乐和环境声理解，还能生成工具调用请求；另有 9.3B（激活 2.7B）的 tiny 版。语音识别 Ming-3.0-asr-tiny（总参数 8.6B、激活 2B）支持中英文、方言，并可用热词和上下文提高专有名词识别。vLLM 和 SGLang 首日支持。

第三方评测机构 Artificial Analysis 10 月 20 日公布：Ming-3.0-tts 在“受控音色”语音竞技场中位列开源权重模型第一（Elo 1069，总榜第 13），在发音稳健性榜以 93.2% 排总榜第一。

【可核验】

Hugging Face 合集：https://huggingface.co/collections/inclusionAI/ming-30-6ad62ac04ca3a3f15e976f34

GitHub（语音合成）：https://github.com/inclusionAI/Ming-3.0-tts

GitHub（音频理解）：https://github.com/inclusionAI/Ming-3.0-audio-flash

GitHub（语音识别）：https://github.com/inclusionAI/Ming-3.0-asr

官方帖子：https://x.com/AntLingAGI/status/2112210811997540475

Artificial Analysis 榜单：https://x.com/ArtificialAnlys/status/2112389514404462613

【我们的判断】

一、这是一次整套语音栈的开源：合成、理解、识别一起放出，且都是 MIT 协议，企业可以把配音、会议转写这类原本要按调用付费的业务搬到自己服务器上。

二、0.5B 的小模型在独立榜单上排进开源第一，说明语音合成的质量门槛已经不靠堆参数；126B 的 audio-flash 则是目前少见的大规模开源音频理解模型。

三、除 Artificial Analysis 的排名外，各项基准成绩都是蚂蚁自测；技术报告尚未发布，音频理解模型的实际效果还要等更多第三方测试。