Ming-3.0-tts 是蚂蚁集团 inclusionAI 团队开源的语音合成模型系列。2026 年 10 月 19 日，推理代码、模型权重和完整评测表同步出现在 GitHub 的 inclusionAI 组织下，采用 MIT 协议，权重同步上架 Hugging Face 与 ModelScope。这次一次放出两个模型：0.5B 参数的 dense 版，以及基于 Ling V3 的 tiny 版——总参数 7.9B、实际激活 1.3B 的 MoE 架构。
卖点不是音质，是"怎么说"
这一代 Ming 把控制粒度做到了文本标记里：14 种副语言标签可以直接写进文本，控制笑声、叹气这类词句之外的声音；也可以用自然语言指令描述想要的语气，或者只给一段风格描述就"设计"出一个新音色。音色来源有三条路：克隆参考音频、文字设计、从 100 多个中文音色和 5 个英文音色里直接选。语言覆盖中、英、德、西、法、韩、日七种，外加川渝话和粤语两种方言；多说话人的播客式对话生成只有 tiny 版支持。
榜单成绩单：发音鲁棒性拿了总榜第一
按官方公布的 Artificial Analysis 榜单成绩（2026 年 10 月），Ming-3.0-tts 在 Controlled Voice 项目拿到开源权重模型第一，在 Pronunciation Robustness（发音鲁棒性）拿到全场第一，正确率 93.2%，其中缩略语展开 96.5%、精确序列保持 90.6% 两项子指标也是第一；Provider Voice 项目为开源第三。发音鲁棒性恰恰是 TTS 落地时最容易翻车的地方——数字、缩写、专有名词读错一次，用户对整段语音的信任就没了，这个第一比音质类指标更有含金量。
上手前要知道的边界
两个模型的运行环境并不通用：0.5b 的测试环境是 H800-80GB 和 H20-96G，tiny 则要求单独的参考环境（PyTorch 2.7.1 + CUDA 11.8），官方明确要求分开装。能力也不是任意组合的——每种任务模式只接受规定的输入，混搭会被拒绝。另外技术报告和 vLLM-Omni 加速推理还在路线图里，现在能拿到的只有权重、代码和现成的任务手册。想先试听效果，官方演示页放出了各任务的音频样本，可以先听再决定要不要下载权重。
