把语音能力接入工作流，Ming-3.0 语音系列模型发布

产品评审结束后，项目负责人要交付一份能继续推进工作的纪要：哪些方案已经达成共识，哪些问题还需拍板，各方的理由分别是什么。这些答案往往散落在整场讨论里，拿到逐字稿之后，还要把它们重新整理出来。

在客户服务的场景，用户带着地方口音，能否被准确识别？内容团队关心的则是如何根据台词设计出在情绪、节奏、风格等维度全面契合角色的语音？

围绕声音创作、长语音分析、业务语音转写三类任务，蚂蚁百灵开源 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。

有声内容与产品助手：Ming-3.0-tts 按角色设定调整声音

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。

给台词加个导演：调整情绪、节奏与重音

无论是突如其来的惊讶，还是隐忍克制的怒意，只需用文字描述演绎方式，就能让声音呈现细腻的情绪变化。

用笑声和叹息表现人物状态

一句台词前的叹息，或说到一半时的一声轻笑，可以帮助听众理解人物的状态。TTS 系列支持在文本中放入行内副语言标签，指定笑声、叹息、咳嗽等表达出现的位置。

0.5B 小参数获得出众效果

在 Artificial Analysis 2026 年 10 月的评测中，Pronunciation Robustness 测试关注专有名词、缩写、数字等内容能否读准，Ming-3.0-tts-0.5B得分为 93.2%，并列全榜单第 1，在 Controlled Voice 榜单中以 1069 Elo 位列开放权重模型第 1。Provider Voices 中以 1188 Elo 位列开放权重模型第 3。

会议与访谈：Ming-3.0-audio 从长录音中整理共识与分歧

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，这需要模型首先要对长音频有高效的语音表征，同时保留声音中的人声、音频事件、环境音等的精细声学信息，另外还需要模型对长上下文序列的快速推理。

模型架构设计让长音频理解与交互更高效

一场录音越长，连续提问需要处理的声音信息就越多。Ming-3.0-audio-flash 在输入端采用 6.25 Hz 低帧率音频表征，缩短同等时长录音对应的序列；语言主干基于 Ling-3.0，结合 KDA 与 Gated MLA 混合注意力和稀疏 MoE 架构，降低长音频理解与回答的计算负担。

听懂录音、推理与调用工具，支撑更完整的语音任务

从理解声音与说话内容，到语音推理和工具调用，评测覆盖了不同任务。

Ming-3.0-audio-flash 在综合音频理解评测 MMAU 和语音问答与指令遵循评测 VoiceBench 上分别得分 82.00、86.74。
在语音推理评测 BigBenchAudio 上(S2T)，Ming-3.0-audio-flash 得分 99.40，位列图示模型第一；在语音工具调用评测 SpeechFCEval 上得分 82.60。

客户沟通与语音输入：Ming-3.0-asr 准确识别口音、地名与专业术语

方言口音理解、热词识别、对话上下文信息注入等是语音识别领域的传统难题，也是 ASR 模型在实际业务落地中的高价值问题。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。

热词与上文：把场景信息一起交给模型

Context ASR 可以在识别时接收两类场景信息：热词列表提示可能出现的产品名、人名、地名和行业术语；对话上文帮助模型理解连续交流中的语境。应用可按需传入这些信息，辅助判断同音词和不常见的名称，无需为此额外训练模型。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。

在领域热词、方言识别、中英文语音识别等四类评测中，Ming-3.0-asr-tiny (8.6B A2B)的平均错误率为 4.41%。与闭源模型 Fun-ASR 1.5，以及开源模型 FireRedASR2-LLM（8B）、Qwen3-ASR-1.7B 相比，识别准确率进一步提升。

局限性与未来计划

面向下一步，我们将重点探索语音交互在真实复杂场景的应用：

让语音交互支持长程复杂任务：探索 Voice Agent，让语音成为发起和持续推进复杂任务的交互入口。通过多轮对话理解需求、发起任务、查询进展，并记住相关上下文与用户偏好，支持任务在持续交互中逐步完成。

即刻体验 Ming-3.0 系列语音模型

在线体验入口：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，开发者可将语音识别与语音生成接入自己的业务工作流。