Ming-3.0-tts 把语音合成的控制粒度做到了方言、情绪和笑声叹气这一层。2026 年 10 月 19 日，蚂蚁集团 inclusionAI 团队在 GitHub 开源这组模型，采用 MIT 协议，一次放出两个版本：0.5B 参数的稠密模型 Ming-3.0-tts-0.5b，以及基于 Ling V3 的 MoE 版本 Ming-3.0-tts-tiny，总参数 7.9B、激活参数 1.3B。权重已同步上架 Hugging Face 和 ModelScope，推理代码、任务 Cookbook 和完整评测表都在仓库里。
能控制的不只是音色
两个版本共用同一套生成框架，能力清单比常见的“输入文字、输出朗读”长不少：可以用参考音频克隆音色，也可以只用文字描述从零设计一个声音，内置 100 多个中文音色和 5 个英文音色；语种覆盖中、英、德、西、法、韩、日七种语言，外加川渝话和粤语两种方言；可以在文本里插入 14 种副语言标签，控制大笑、叹气等非词语发声；情绪、语速、音高、音量都能单独调。tiny 版本还独占多人对话模式，可以按脚本和各自的参考音频生成播客式对话。用起来有个硬规矩：这些能力按任务模式分开调用，一次只能选一种模式，不能把任意几种控制随意叠加。
榜单成绩和使用门槛
仓库公布的 Artificial Analysis 2026 年 10 月榜单显示，Ming-3.0-tts 在受控音色一项拿到开放权重模型第一，在发音鲁棒性一项以 93.2% 拿到总排名第一，自有音色一项为开放权重第三。这些是项目方引用第三方榜单的成绩，排名会随新模型加入而变化，实际选型仍建议用自己的文本集试听。部署门槛也要先算清：0.5b 版本的环境在 H800、H20 级别显卡上验证，tiny 版本需要单独的依赖环境，官方同样推荐 H800 推理；文本归一化依赖的 pynini 没有通用安装包，需要按仓库说明单独装。团队的路线图里还列着 vLLM-Omni 加速推理和技术报告，都还没交付。
适合谁先上手
做中文配音、方言内容、多人播客或需要精细情绪控制的团队，这组模型是目前开放权重里少见的“控制项齐全”的选择，MIT 协议也方便商用评估。只想给应用加一个简单朗读功能的团队，先评估 0.5b 版本的部署成本，别一上来就上 tiny。下一步可以观察官方承诺的推理加速何时落地，那会直接决定它能不能从演示走向在线服务。
