蚂蚁开源 Ming-3.0 音频模型家族：TTS 克隆+情绪控制，MIT 免费商用
Promptmethus · x · 2026-11-05
蚂蚁开源 Ming-3.0 全栈音频模型家族，采用 MIT 协议完全免费商用，支持一键部署，由三款核心模型组成：
- Ming-3.0-tts：语音合成模型，支持声音克隆与设计，可控制情绪、重读、副词语气，原生多音色并发，适合一键生成多人播客；博主实测称其为「导演级语音合成」，配音不再像机器人
- Ming-3.0-audio：1260 亿参数的 MoE 音频推理模型，能理解环境音和说话人身份，与 TTS 无缝拼接即可搭建同声传译工作流
- Ming-3.0-asr：轻量高精度转写模型，适合本地会议纪要或实时语音输入
发帖人还做了一个可视化操作页面演示 TTS 能力。
「多模态」频道最新
- Atmee v2 实时生成台北街巷，演示可交互式 Agent 世界模型 — flngr · 2026-11-05
- Ming-3.0-audio-flash 本地实测:听懂语气与情绪的音频理解 — truecakesnake · 2026-11-05
- Glif 又出超写实 AI 视频：雨天公园捡栗子几乎以假乱真 — ainsoph00 · 2026-11-05
- VideoMemBench 揭示 MLLM 跨轮视频记忆能力存在明显短板 — Zhengdong Hu · 2026-11-05
- 4B 小模型生成可导出 GLB 的 3D 资产，CCORE GLB-3D-Coder 最终版开源 — ConfidentDinner6648 · 2026-11-05
- 14 次同种子实测：Regenerate 2K 细节翻倍但真人换脸，768p 草稿决定身份 — ReferenceFluffy6159 · 2026-11-05