螞蟻百靈10月20日開源 Ming-3.0語音系列，圍繞聲音創作、長語音分析、業務語音轉寫三類任務，提供語音合成、音頻理解與對話、語音識別三個系列共五款模型:Ming-3.0-tts（0.5B、tiny）、Ming-3.0-audio(flash、tiny)與 Ming-3.0-asr-tiny，權重上架 Hugging Face 與 ModelScope，Ling Studio 提供 API 與在線體驗。

合成方向上，Ming-3.0-tts 的 Voice Design 可用文字描述目標音色或參考音頻，導演模式允許用文字說明情緒變化、重讀詞與節奏，並支持行內副語言標籤標註笑聲、嘆息、咳嗽位置，該系列已進入阿福 APP 語音通話、醫生音色克隆與小虎智能辦公。

QQ20261020-092031.jpg

理解方向上，Ming-3.0-audio-flash 與 tiny 可直接對長音頻轉寫、總結與觀點分析並結構化輸出，保留情緒、說話人與環境信息;其輸入端採用6.25Hz 低幀率音頻表徵縮短序列，語言主幹基於 Ling-3.0，結合 KDA 與 Gated MLA 混合注意力及稀疏 MoE。

識別方向上，Ming-3.0-asr-tiny 的 Context ASR 可接收熱詞列表與對話上文輔助判斷同音詞而無需額外訓練，已用於阿福醫生助手、支付寶搜索與安全核身。

實測方面，Artificial Analysis2026年10月評測中，Ming-3.0-tts-0.5B 在 Pronunciation Robustness 得分93.2% 並列全榜第一，Controlled Voice 以1069Elo 位列開放權重模型第一。

Ming-3.0-audio-flash 在 MMAU、VoiceBench 分別得分82.00、86.74，BigBenchAudio（S2T）得分99.40位列第一，SpeechFCEval 得分82.60。Ming-3.0-asr-tiny(8.6B A2B)在四類評測中平均錯誤率4.41%，優於 Fun-ASR1.5、FireRedASR2-LLM(8B)與 Qwen3-ASR-1.7B。