Ant Ling kündigte am 20. Oktober die Open-Sourcing der Ming-3.0-Sprachserie an. Rund um drei Aufgabenkategorien – Stimmerkreation, Analyse langer Sprachaufnahmen sowie geschäftliche Sprachtranskription – werden drei Modellserien mit insgesamt fünf Modellen bereitgestellt: Ming-3.0-tts (0.5B, tiny), Ming-3.0-audio (flash, tiny) und Ming-3.0-asr-tiny. Die Gewichte sind auf Hugging Face und ModelScope verfügbar, und Ling Studio bietet eine API sowie eine Online-Erprobung an.
Im Bereich der Synthese kann die Voice-Design-Funktion von Ming-3.0-tts den gewünschten Timbre über Textbeschreibungen oder Referenzaudio erfassen; der Regisseur-Modus erlaubt, Emotionsverläufe, betonte Wörter und Rhythmus in Textform vorzugeben, und unterstützt Inline-Parasprach-Tags zur Markierung von Lachen, Seufzern und Hustenpositionen. Die Serie wird bereits in den Sprachanrufen der Afu-APP, beim Stimmenklonen von Ärzten und in Xiaohu Smart Office eingesetzt.
Im Bereich des Verständnis können Ming-3.0-audio-flash und tiny lange Audioaufnahmen direkt transkribieren, zusammenfassen und Meinungsanalysen erstellen, mit strukturierter Ausgabe unter Beibehaltung von Emotions-, Sprecher- und Umgebungsinformationen; der Eingang nutzt eine 6.25Hz-Niedrigframerate-Audiorepräsentation zur Verkürzung der Sequenzen, das sprachliche Backbone basiert auf Ling-3.0 und kombiniert KDA und Gated MLA Hybrid-Attention mit sparsamem MoE.
Im Bereich der Erkennung kann Context ASR von Ming-3.0-asr-tiny Hotword-Listen und Dialogkontext zur Unterstützung der Beurteilung von Homophonen empfangen, ohne zusätzliches Training, und wird bereits im Afu-Ärzteassistenten, in der Alipay-Suche und bei der sicheren Identitätsprüfung eingesetzt.
Zu den Testergebnissen: In der Bewertung von Artificial Analysis im Oktober 2026 erreichte Ming-3.0-tts-0.5B bei Pronunciation Robustness 93.2% und teilte sich den ersten Platz der gesamten Rangliste, bei Controlled Voice lag es mit 1069Elo auf Platz eins der Modelle mit offenen Gewichten.
Ming-3.0-audio-flash erzielte bei MMAU und VoiceBench 82.00 bzw. 86.74 Punkte, bei BigBenchAudio (S2T) 99.40 Punkte und damit Platz eins, bei SpeechFCEval 82.60 Punkte. Ming-3.0-asr-tiny (8.6B A2B) erreichte in den vier Bewertungstypen eine durchschnittliche Fehlerrate von 4.41% und übertraf damit Fun-ASR1.5, FireRedASR2-LLM (8B) und Qwen3-ASR-1.7B.