专题 · FULL STORY

蚂蚁 Ming-3.0 开源即登顶 TTS 榜

蚂蚁集团 inclusionAI 于 10 月 19—20 日在 Hugging Face 与 ModelScope 开源 Ming-3.0 五款语音模型，次日 Ming-3.0-tts 即在 Artificial Analysis 多份语音合成榜单中登顶，发音鲁棒性居首，开源发布与评测表现形成连贯进展。

2026-10-19 ~ 2026-10-20 · 2 集 · 14 条

第 1 集 · 蚂蚁 inclusionAI 开源 Ming-3.0 五款语音模型(2026-10-19,6 条)

蚂蚁集团 inclusionAI（AntLingAGI）于 10 月 19—20 日在 Hugging Face 与 ModelScope 开源 Ming-3.0 系列共 5 个语音模型，全部采用 MoE 架构，规模从 0.5B 到 126B 总参数（激活 6.5B），均以 MIT 协议开放权重，vLLM-Omni 提供首日（Day-0）推理支持。

已确认

  • Ming-3.0-tts 家族：tts-0.5B 支持音色设计与副语言线索；tts（7.9B，激活 1.3B）擅长长篇语音生成；另有帖子提及 tts-tiny（9B）文本转语音规格。
  • Ming-3.0-audio 家族：audio-tiny 为 9.3B 紧凑型原生音频语言模型，接受音频+文本指令输入，支持语音识别、口语问答、音频理解与推理，可选用内置音色或参考音色合成语音；audio-flash 为 126B 总参数 / 6.5B 激活，支持音频理解 + 语音输出。
  • 系列覆盖可控语音合成、长录音分析与上下文感知转录。
  • 据 @AdinaYakup 与转发帖 @realmrfakename 转述，Ming-3.0-tts-0.5B 在 Artificial Analysis Controlled Voice 榜单登顶开源 TTS，语音克隆达到开源 SOTA 水平（来自 ModelScope 发布信息，非独立验证）。

为什么重要

  • 以 MIT 协议一次性开源覆盖 TTS、ASR、音频理解三大方向的完整模型家族，且提供 vLLM-Omni 首日支持，降低了社区部署与二次开发门槛。
  • 从 0.5B 到 126B-A6.5B 的规格跨度兼顾端侧与高能力场景，配合榜单成绩，构成对闭源语音模型的有力开源替代。

第 2 集 · 蚂蚁 Ming-3.0-tts 登顶开源 TTS 榜，发音鲁棒性居首(2026-10-20,8 条)

10 月 20 日，评测机构 Artificial Analysis 发布/更新多份语音合成（TTS）榜单，涵盖发音鲁棒性、Controlled Voice TTS 与 Provider Voice TTS 三大排行榜，并开放 Speech Arena 投票与 Speech Explorer 样本试听。蚂蚁集团 Ling AGI 团队开源的 Ming-3.0-tts 成为开源权重阵营的最大赢家：该模型为 0.5B 参数稠密模型，支持预设音色与无状态声音克隆，另有 7.9B MoE 变体，以 MIT 协议开放权重。

已确认

  • 在「发音鲁棒性」（Pronunciation Robustness）评测中，Ming-3.0-tts 以 93.2% 总分位列全部模型第一；该评测由人工审核员按预先约定的标准发音逐条核对模型对四类高难度文本的读法。
  • 发音鲁棒性分项上，「缩写展开」项 Ming-3.0-tts 以 96.5% 排名第一，领先 Eleven v4（94.1%）；Gemini 在短语类分项领先。
  • 在 Controlled Voice Arena（所有模型使用相同 8 个克隆音色对比）中，Ming-3.0-tts 以 Elo 1069 位列开源权重 TTS 第一，领先 Drama 3 Preview。
  • 在 Provider Voice 竞技场（各模型用自家原生音色）中，Ming-3.0-tts Elo 1188，总榜第 19、开源模型第三；客服（Elo 1230）与助手（1216）场景表现最强。

为什么重要

  • 以 0.5B 的轻量规格和 MIT 开放协议，在发音鲁棒性总榜及缩写展开分项上超越商用闭源模型（如 Eleven v4），显示开源 TTS 在发音准确性与音色可控性上已具备竞争力。
  • 发音鲁棒性等新评测维度由人工审核支撑，为行业提供了比 Elo 主观偏好更客观的技术能力参照。