Le 20 octobre, Ant Bailing a ouvert en source la série vocale Ming-3.0. Autour de trois types de tâches — la création sonore, l'analyse de longues paroles et la transcription vocale professionnelle —, elle propose trois séries totalisant cinq modèles : Ming-3.0-tts (0.5B, tiny), Ming-3.0-audio (flash, tiny) et Ming-3.0-asr-tiny. Les poids sont disponibles sur Hugging Face et ModelScope, et Ling Studio fournit une API ainsi qu'une expérience en ligne.
Du côté de la synthèse, le Voice Design de Ming-3.0-tts permet de décrire la voix cible par texte ou via un audio de référence ; le mode réalisateur autorise à indiquer par texte les variations d'émotion, les mots accentués et le rythme, et prend en charge des balises paralinguistiques en ligne pour marquer les rires, soupirs ou toux ; la série a déjà été intégrée aux appels vocaux de l'APP Afu, au clonage de voix de médecins et au bureau intelligent Xiaohu.
Du côté de la compréhension, Ming-3.0-audio-flash et tiny peuvent directement transcrire, résumer et analyser les points de vue de longs audios avec une sortie structurée, en conservant les informations d'émotion, de locuteur et d'environnement ; leur entrée utilise une représentation audio à faible fréquence d'images de 6.25Hz pour raccourcir les séquences, et le tronc linguistique est basé sur Ling-3.0, combinant une attention hybride KDA et Gated MLA ainsi qu'un MoE épars.
Du côté de la reconnaissance, le Context ASR de Ming-3.0-asr-tiny peut recevoir une liste de mots chauds et le contexte de dialogue pour aider à distinguer les homophones sans entraînement supplémentaire ; il est déjà utilisé dans l'assistant médecin Afu, la recherche Alipay et la vérification d'identité de sécurité.
En termes de tests réels, dans l'évaluation de 2026-10 d'Artificial Analysis, Ming-3.0-tts-0.5B a obtenu un score de 93.2 % en Pronunciation Robustness, à égalité à la première place du classement général, et s'est classé premier des modèles à poids ouverts en Controlled Voice avec un Elo de 1069.
Ming-3.0-audio-flash a obtenu respectivement 82.00 sur MMAU et 86.74 sur VoiceBench, 99.40 sur BigBenchAudio (S2T), le classant premier, et 82.60 sur SpeechFCEval. Ming-3.0-asr-tiny (8.6B A2B) affiche un taux d'erreur moyen de 4.41 % sur quatre types d'évaluations, surpassant Fun-ASR1.5, FireRedASR2-LLM (8B) et Qwen3-ASR-1.7B.