蚂蚁开源 Ming-3.0 系列 5 个语音模型，覆盖 TTS、音频理解和 ASR
蚂蚁开源了 5 个 Ming-3.0 语音模型，TTS 能用一句话指挥语气情绪，audio 模型直接听懂录音不用转文字，想自己搭语音 Agent 的可以试试。
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。
蚂蚁一口气又开源出来了5个模型，涵盖了听懂、回答、说话三个环节，TTS、原生音频理解、ASR
可组合、可自行部署，用这个链路可以搭一个从“听—理解—合成”的语音Agent出来
TTS方面：Ming-3.0-tts，最有价值的是“导演式语音生成”，声音可以通过自然语言来设计
模型可以按照指令控制音色、语速、音高、情绪、重音以及叹气、笑声、停顿等副语言表现
有两款模型：Tiny 7.9B/A1.3B、0.5B
Audio方面：Ming-3.0-audio，不是单纯的ASR也不是TTS，应该说是有听觉能力的大模型，原生音频理解与推理，无需中间转写
能直接听懂声音、理解和推理音频，以文字或语音回答，也可以结合外部工具构建语音Agent
比如说总结长录音、回答口头问题、理解音乐和环境声音等
也是两款模型：Flash 126B-A6.5B/Tiny 9.3B-A2.7B
ASR方向：Ming-3.0-asr-tiny，这次重点强化了方言、专业术语以及上下文识别
核心是它的Context ASR能力，结合专业术语、候选热词和历史对话，可以提高复杂场景下的识别准确率
#ASR #TTS #蚂蚁百灵大模型
