跳到正文
原文
IT之家·人工智能·· 13 天前AI 评分51

蚂蚁百灵开源 Ming-3.0 语音系列模型，覆盖语音合成、音频理解与对话、语音识别

文章要点
  • 1蚂蚁百灵 10 月 20 日宣布开源 Ming-3.0 语音系列，覆盖语音合成、音频理解与对话、语音识别三方向，共五款模型。
  • 2蚂蚁内部多场景已用上这批模型，包括阿福 App 语音通话、医生音色克隆、支付宝搜索与安全核身。
  • 3TTS 系列 Voice Design 支持文字描述目标音色，导演模式可描述台词的情绪变化、重读词与节奏处理。
  • 4Ming-3.0-audio-flash/tiny 可对长音频直接转写、总结与观点分析，保留情绪、说话人身份与环境信息。
决策要点

语音合成、识别与音频理解全链路以开源形式放出，企业自建语音交互的获取门槛降低，并有蚂蚁内部业务实际使用可作参照。

  • 影响：客服对话、语音搜索、核身等语音链路有蚂蚁内部落地可作参照，试点成本可控；长音频理解保留情绪与说话人信息，适合质检、访谈分析类需求；开源组合可减少对单一商用语音供应商的依赖。
  • 参考：可考虑先用 Ling Studio 在线体验验证音色定制与方言热词识别是否满足业务；值得盘点现有语音识别与播报环节的用量和费用，对比自建与采购的差距。
  • 依据：开源信息与模型地址由官方发布并经 IT之家转述，可自行下载验证；蚂蚁内部业务落地效果均为官方口径，暂无独立评测。
正文

IT之家 10 月 20 日消息，蚂蚁百灵今日宣布开源 Ming-3.0 语音系列，分别提供语音合成、音频理解与对话、语音识别三个系列，共五款模型。开发者可以按任务选择，也可以将不同能力组合进自己的工作流。

Ming-3.0-tts 系列的 Voice Design 可以用文字描述目标音色，同时也支持参考音频的音色设定。更具特色的是，创作者可以用导演模式说明台词的表演方式，描述情绪如何变化、哪些词需要重读，以及节奏应如何处理。

在蚂蚁，从阿福 App 的主对话与语音通话，到医生音色克隆、小虎智能办公，Ming-3.0-tts 已进入多类业务。它既可以独立承担配音，也可以与 Ming-3.0-asr-tiny 组合，连接语音输入和回答播报两个环节。

Ming-3.0-audio-flash / tiny 支持直接对长音频的转写、总结和观点分析等复杂理解，并进行结构化输出。相对传统的先语音识别逐字稿再分析的过程，能保留对话中的情绪、说话人身份、环境信息等，另外还需要模型对长上下文序列的快速推理。

MIng-3.0-asr-tiny 通过构建普通话、英文、方言、领域热词等高质量语料，合理控制分布，再结合语言模型基座强大的上下文理解能力，利用候选热词列表、对话上下文信息，为真实业务场景带来语音识别效果的全面提升。

在蚂蚁，Ming-3.0-asr-tiny 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。

IT之家附相关链接如下：

在线体验：https://ling.tbox.cn

  • 在线体验：访问 Ling Studio Chat，选择 Ming-3.0-audio-flash，体验音频理解与对话能力

  • API 调用：Ling Studio 提供 Ming-3.0-tts-0.5B、Ming-3.0-audio-flash 和 Ming-3.0-asr-tiny 的 API 服务

Ming-3.0-tts-0.5B

Ming-3.0-tts-tiny

Ming-3.0-audio-flash

Ming-3.0-audio-tiny

Ming-3.0-asr-tiny

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家包含外链的文章均包含本声明。

来源：IT之家·人工智能 · ithome.com

#模型发布#内容生成