蚂蚁百灵开源5款语音模型：5亿参数TTS在同音色盲听测试中拿下开源第一

动察 Beating AI 快讯，蚂蚁百灵开源 Ming-3.0 语音系列，涵盖语音合成、音频理解和语音识别三大方向，共 5 款模型，包括 2 款 TTS、2 款 Audio 和 1 款 ASR，均采用 MIT 许可。开发者可以将它们组合起来，完成语音输入、内容分析和语音回复。

最亮眼的是只有 5 亿参数的 Ming-3.0-tts-0.5B。用户可以像导演一样，用自然语言要求 AI 压住怒气说话、强调特定词语，或调整台词节奏。它还支持音色克隆、文字设计音色，以及在指定位置插入轻笑、叹息等 14 类声音标签。在 Artificial Analysis 的同音色盲听测试中，该模型以 1069 Elo 位列开源模型第一。

负责理解录音的 Ming-3.0-audio-flash 则大得多，总参数达到 1260 亿，每次激活约 65 亿。它可以直接接收会议录音，围绕讨论内容进行问答，整理共识、分歧和待办事项，无需先单独生成逐字稿。

另一款 Ming-3.0-asr-tiny 专攻语音识别，支持传入人名、地名、行业术语和对话上文，辅助识别方言与生僻词。蚂蚁公布的四类语音识别测试中，其平均错误率为 4.41%。