Ant Ling liberó el 20 de octubre como código abierto la serie de voz Ming-3.0, que ofrece tres series con un total de cinco modelos —síntesis de voz, comprensión de audio y diálogo, y reconocimiento de voz— para tres tipos de tareas: creación de voz, análisis de voz larga y transcripción de voz empresarial: Ming-3.0-tts (0.5B, tiny), Ming-3.0-audio (flash, tiny) y Ming-3.0-asr-tiny. Los pesos están disponibles en Hugging Face y ModelScope, y Ling Studio ofrece API y experiencia en línea.
En la dirección de síntesis, el Voice Design de Ming-3.0-tts permite describir con texto el timbre objetivo o usar un audio de referencia; el modo director permite indicar por texto cambios de emoción, palabras acentuadas y ritmo, y admite etiquetas paralingüísticas en línea para marcar posiciones de risas, suspiros y tos. Esta serie ya se ha incorporado en las llamadas de voz de la APP Afu, la clonación de voz de médicos y la oficina inteligente Xiaohu.
En la dirección de comprensión, Ming-3.0-audio-flash y tiny pueden transcribir, resumir y analizar opiniones directamente sobre audio largo con salida estructurada, conservando la información de emoción, hablante y entorno; en su entrada adoptan una representación de audio de baja tasa de fotogramas de 6.25Hz que acorta las secuencias, y el tronco del lenguaje se basa en Ling-3.0, combinando atención híbrida KDA y Gated MLA con MoE disperso.
En la dirección de reconocimiento, el Context ASR de Ming-3.0-asr-tiny puede recibir una lista de palabras calientes y el contexto del diálogo para ayudar a distinguir homófonos sin necesidad de entrenamiento adicional, y ya se usa en el asistente médico Afu, la búsqueda de Alipay y la verificación de identidad de seguridad.
En cuanto a las pruebas reales, en la evaluación de octubre de 2026 (10/2026) de Artificial Analysis, Ming-3.0-tts-0.5B obtuvo una puntuación del 93.2% en Pronunciation Robustness, empatado en el primer puesto de toda la tabla, y con Controlled Voice alcanzó 1069 Elo, ocupando el primer lugar entre los modelos de pesos abiertos.
Ming-3.0-audio-flash obtuvo puntuaciones de 82.00 y 86.74 en MMAU y VoiceBench respectivamente, 99.40 en BigBenchAudio (S2T), quedando en el primer puesto, y 82.60 en SpeechFCEval. Ming-3.0-asr-tiny (8.6B A2B) logró una tasa de error promedio de 4.41% en las cuatro categorías de evaluación, superando a Fun-ASR1.5, FireRedASR2-LLM (8B) y Qwen3-ASR-1.7B.