蚂蚁开源 Ming-3.0 系列 5 个语音模型，覆盖 TTS、音频理解和 ASR

蚂蚁百灵团队开源 Ming-3.0 系列共 5 个语音模型，覆盖语音合成、音频理解和语音识别三个环节。TTS 方向的 Ming-3.0-tts 支持“导演式语音生成”，可用自然语言指令控制音色、语速、音高、情绪和叹气、笑声等副语言表现，提供 Tiny 7.9B/A1.3B 和 0.5B 两种规格。Ming-3.0-audio 是原生音频理解模型，无需中间转写即可直接推理音频内容，能总结长录音、理解音乐和环境声音，规格为 Flash 126B-A6.5B 和 Tiny 9.3B-A2.7B。ASR 方向的 Ming-3.0-asr-tiny 强化方言和专业术语识别，通过 Context ASR 结合热词和历史对话提升复杂场景准确率。全部模型可自行部署，可组合搭建完整的语音 Agent。