· 1 min read · AI工具

蚂蚁百灵开源 Ming-3.0-tts,0.5B 稠密版与 7.9B MoE 版两套语音合成模型按 MIT 许可发布

Ming-3.0-tts 以 MIT 许可开源 0.5B 稠密版与 7.9B MoE 版两套语音合成模型,支持 voice design、音色克隆与 14 个副语言标签;榜单成绩来自 README 引用,自部署成本与合规边界仍需单独核算。

蚂蚁百灵开源 Ming-3.0-tts

概念示意:语音制作工作台。

10 月 19 日 16 时 58 分,inclusionAI 的 Ming-3.0-tts 仓库出现第一个提交,提交信息只有一句 Initial release of Ming-3.0-tts。第二天 9 时 34 分,IT 之家发出报道,蚂蚁百灵开源 Ming-3.0 语音系列,语音合成、音频理解与对话、语音识别分三个系列,共五款模型。负责“说话”的是其中两款:0.5B 稠密版和名叫 tiny 的 MoE 版。

按仓库 README,Ming-3.0-tts 只有两个语音生成模型:0.5b 是稠密结构,tiny 建在 Ling V3 上,总参数 79 亿,每次激活 13 亿。三个系列五款模型的能力,不能一并记到这个仓库名下。名字叫 tiny,参数量是 0.5b 的十几倍。

Ming-3.0-tts官方模型架构

inclusionAI 提供的 Ming-3.0-tts 架构图,MIT 许可;Copyright (c) 2025 inclusionAI。

README 列了三类入口:给一段参考音频做音色克隆,用文字描述目标音色做 voice design,或者从 100 多个中文、5 个英文内置音色里挑一个。IT 之家报道里的“导演模式”属于这一类:创作者可以交代台词的情绪怎么走、哪些词要重读、节奏怎么处理。

14 个行内副语言标签可以直接写进文本,笑声、叹气这类声音中英文都支持。情绪、语速、音高、音量是另一组可调项。语言覆盖中文、英文、德语、西班牙语、法语、韩语、日语,外加四川话和粤语。tiny 多一项多说话人对话,可以按脚本和几位说话人的参考音频生成一段对话。

README 特意写了一句,这些能力分属不同任务模式,不能随意组合。

README 引用 Artificial Analysis 2026 年 10 月的语音榜单:Controlled Voice 一项,Ming-3.0-tts 以 1069 的 Elo 排在开源模型第一、总榜第 13;Pronunciation Robustness 以 93.2% 排总榜第一;Provider Voice 的 Elo 是 1188,开源第三、总榜第 17。文本归一化的 Expanding Shorthand 为 96.5%,Preserving Exact Sequences 的序列保真度是 90.6%。榜单会随新模型加入变化,这组数字来自 README 的引用,不是第三方复测。

德语说话人相似度 tiny 0.791 排第三,其余几种新语言两款都没进前三;法语相似度 0.5b 0.675、tiny 0.733,粤语这一项两款都落后于 CosyVoice2-Yue。音高是最不准的属性,tiny 78.70%,0.5b 86.00%,差 7.3 个百分点,两款都低于上一代 Ming-omni-tts-0.5B 的 91.33%。角色音色设计是 voice design 里最低的子项,tiny 61.10%、0.5b 61.06%,排第四和第五。韩语字符错误率,tiny 6.000%,0.5b 1.728%。中文的多标签控制仍落后于 NV-CV3,多标签的分数低于单标签。以上数字同出 README。

两个模型各有 Python API,ming_tts.MingTTS 和 ming_tiny.MingTinyTTS;命令行入口是 infer.py 和 infer_tiny.py,另有 preflight 预检脚本。0.5b 可以用 Docker 镜像起环境,torch 2.6、CUDA 12.4、transformers 4.46.3;README 给出的测试环境是 NVIDIA H800-80GB 和 H20-96G,tiny 推荐 H800,并且要单独建环境,因为依赖版本和 0.5b 不一样。这组是测试环境,不是最低配置。路线图里 vLLM-Omni 加速推理已经打勾,技术报告还没发。本次没有实测推理,显存占用、首包延迟和长文本稳定性都不下结论。

配音工作流概念示意

概念示意:员工核对配音脚本与声音表达,非产品界面。

许可证是 MIT,复制、修改、分发、再许可、售卖都允许,保留版权与许可声明即可。LICENSE 覆盖的是仓库内容,权重页面、训练数据和声音素材各自的授权还要单独确认;部署成本里,GPU、电、运维和人工审核都要算。

《民法典》第 1023 条把自然人声音纳入保护,参照肖像权;第 1019 条规定未经同意不得制作、使用、公开他人肖像,声音同理;第 1020 条列了合理使用的例外。《互联网信息服务深度合成管理规定》第 14 条要求,对真人声音做编辑要取得单独同意,第 17 条要求显著标识。2025 年 9 月 1 日起施行的《人工智能生成合成内容标识办法》,把音频纳入显式与隐式标识范围。以上为条文内容,不构成法律意见。

授权与试听概念示意

概念示意:发布前检查声音使用许可,并由人试听成片。

2026 年 10 月 21 日 12 时 27 分抓取的阿里云百炼价格页显示,华北 2(北京)的 cosyvoice-v2 按输入文本字符数计费,原价 2 元 / 万字符,输出不计费。这是指定平台、指定型号的牌价,不是 Ming-3.0-tts 的自部署成本,也不能拿来推算行业均价。

基于公开参数能下的判断只有一条:开源语音模型的比拼,正从“像不像真人”挪到“能不能按指令演”。这不是市场预测。对配音、有声书、客服这些环节,能自行部署、能按句控制,意味着试错成本可能下降;榜单分数和实际交付之间,还隔着环境、审核和运维。它会不会改变现有服务商的报价,公开信息不够,不能下结论。

试用的第一条样片,用一段不含客户信息的产品说明,请会配环境的人跑一版,再用店名、型号、价格、日期这些词验收,这些词读错比声线不够自然更容易造成业务问题。同一份脚本留成基线,每次换模型或升级后重新试听;对外的价格、承诺,以及医疗、金融内容,交给有权限的人确认。员工、客户、合作伙伴的录音不要直接当素材,先定用途、期限和撤回后的处理方式;内部培训和公开广告的授权范围未必是一回事。

这次发布值得关注的地方,不是又多了一个开源语音模型,而是它把“表演”拆成了可写的参数,同时把榜单和短板摊在同一页上。对想自建配音链路的团队,这比一句“效果惊艳”更有判断价值。

Comments

Copied
Copied to clipboard