蚂蚁 inclusionAI 开源 Ming-3.0 语音模型：0.5B 配音模型支持声音克隆、笑声叹气标签和川粤方言，MIT 协议可商用
蚂蚁集团旗下 inclusionAI 团队 10 月 19 日集中开源 Ming-3.0 系列五个语音模型，覆盖语音合成、音频理解和语音识别。其中面向配音的 Ming-3.0-tts-0.5B 支持短音频零样本克隆、用一句话描述设计音色、14 种笑声叹气等副语言标签，以及四川话、粤语控制；更大的 tiny 版还能按剧本生成多人对话播客。代码和权重均为 MIT 协议，可在 Hugging Face 与魔搭下载。
据 Hugging Face 上的 inclusionAI 模型页，蚂蚁集团旗下 inclusionAI 团队在 10 月 19 日把 Ming-3.0 系列语音模型集中开放：语音合成两款（tts-0.5B、tts-tiny），音频理解两款（audio-flash、audio-tiny），语音识别一款（asr-tiny），代码和权重均采用 MIT 协议，可在 Hugging Face 和魔搭社区下载。
对做内容的人来说，最值得关注的是两款合成模型。按官方模型卡的说明：
- Ming-3.0-tts-0.5B：基于 Qwen2.5-0.5B 的稠密小模型，输出 44.1kHz 音频；支持用一小段参考音频零样本克隆音色，也可以用自然语言描述「想要什么样的声音」来设计音色，或用一句指令控制语气和说话风格；内置 100 多个中文音色和 5 个英文音色；
- 副语言与细节控制：文本里可插入 14 种标签，生成呼吸、咳嗽、叹气、笑声、迟疑、惊讶等声音，另可单独调情绪、语速、音高和音量；
- 语言与方言：支持中、英、德、西、法、韩、日七种语言，以及四川话和粤语；
- Ming-3.0-tts-tiny：基于 Ling V3 的混合专家模型，总参数 7.9B、每个词约激活 1.3B，在 0.5B 的能力之外，多了按剧本和每位说话人的参考音频生成多人对话（播客）的能力；
- 成绩与局限：官方称 0.5B 版在 Artificial Analysis 的可控语音榜上位列开源模型第一，多项测试与 CosyVoice3、Qwen3-TTS 等互有胜负，这些对比均为厂商公布；模型卡也写明了短板，比如韩语准确率偏弱、文字本身不带情绪时情绪控制较难、播客音质评分还不如部分对手。
需要注意，Hugging Face 上只是权重分发，推理要配合官方 GitHub 仓库的代码；官方测试环境是 H800、H20 这类数据中心显卡，没有给出消费级显卡的显存要求。
对创作者意味着什么： 做口播、解说、有声书和播客的创作者，又多了一个可以本地部署、协议宽松的中文配音选项，尤其「笑声叹气标签 + 方言 + 一句话调语气」对做情景剧、方言内容和人物对话很实用。但它目前更适合有技术同事或云端显卡的团队上手，个人用户暂时还是在线配音工具更省事。官方也明确提醒：未经本人同意不要克隆真人声音，合成语音在可能被误认为真人录音时要标注 AI 生成，这一点在各平台的 AI 内容标识规则下同样适用。
信息来源：Hugging Face · inclusionAI 模型页（本文为编辑整理改写）
