螞蟻百靈開源5款語音模型：5億參數TTS在同音色盲聽測試中拿下開源第一

動察 Beating AI 快訊，螞蟻百靈開源 Ming-3.0 語音系列，涵蓋語音合成、音頻理解和語音識別三大方向，共 5 款模型，包括 2 款 TTS、2 款 Audio 和 1 款 ASR，均採用 MIT 許可。開發者可以將它們組合起來，完成語音輸入、內容分析和語音回覆。

最亮眼的是只有 5 億參數的 Ming-3.0-tts-0.5B。用戶可以像導演一樣，用自然語言要求 AI 壓住怒氣說話、強調特定詞語，或調整台詞節奏。它還支持音色克隆、文字設計音色，以及在指定位置插入輕笑、嘆息等 14 類聲音標籤。在 Artificial Analysis 的同音色盲聽測試中，該模型以 1069 Elo 位列開源模型第一。

負責理解錄音的 Ming-3.0-audio-flash 則大得多，總參數達到 1260 億，每次激活約 65 億。它可以直接接收會議錄音，圍繞討論內容進行問答，整理共識、分歧和待辦事項，無需先單獨生成逐字稿。

另一款 Ming-3.0-asr-tiny 專攻語音識別，支持傳入人名、地名、行業術語和對話上文，輔助識別方言與生僻詞。螞蟻公布的四類語音識別測試中，其平均錯誤率為 4.41%。