蚂蚁集团开源 Ming 3.0 TTS：用自然语言调音，支持多人播客与商用

Ming 3.0 TTS 是蚂蚁集团开源的一套文本转语音模型，能把文字直接转成逼真的人声，而且允许你用日常大白话去指导声音该怎么读。

除了常规的参考音频声音克隆，它最大的特点是支持自由的自然语言调音。你可以直接在提示词里描述声音的质感或情绪，比如「在北方山脊的另一边，有一座从所有地图上消失的城市」，或者让声音带上「老旧收音机发出轻微噼啪声」的质感。

如果你想更精细地控制细节，它还支持在文本里直接插入 14 种副语言标签，用来指定笑声、叹气声等副语言表现，或者直接调节语速、音高和音量。

它能做什么

语言支持上，Ming 3.0 TTS 涵盖中文、英语、德语、西班牙语、法语、韩语和日语，甚至还支持四川话和粤语等汉语方言。

整个模型家族放出了两个版本。一个小版本是 0.5B 的 Dense 密集模型，权重大小只有约 3GB。另一个大版本是代号为 tiny 的 MoE 混合专家模型，基于 Ling V3 构建，总参数 7.9B，激活参数 1.3B，权重大小约 18GB。

大版本专门额外支持根据脚本和说话人参考音频生成多人对话播客。不过官方在文档里也提醒，这些能力是通过独立的任务模式运行的，目前并不能随意随意组合使用。

在第三方评测机构 Artificial Analysis 截至 2026 年 10 月的榜单上，Ming 3.0 TTS 在可控声音评测中位列开放权重模型第一，在发音鲁棒性上拿到总榜第一。其中文本缩写展开准确率达到 96.5%，精确序列保持度达到 90.6%，在服务商声音评测中排在开放权重模型第三。

虽然在整体声音质量上，它被指出仅比 Fish Audio 的 Drama 3 略好一些，并没有拉开本质差距，但发音准确度确实扎实。

怎么跑起来

小版本只有约 3GB，很多消费级显卡都能直接塞下。它支持 PyTorch SDPA，flash-attn 是可选配置，官方给出的测试环境包括 NVIDIA H800 和 H20。

大版本约 18GB，对显存要求较高，官方推荐使用 NVIDIA H800 等专业显卡，并且依赖独立的 Python 3.10 和 PyTorch 2.7.1 环境。

两个版本的权重和推理代码都已经在 GitHub、Hugging Face 和 ModelScope 上开放。更关键的是，两个模型都采用极为宽松的 MIT 许可证，这意味着个人和企业都能免费修改并用于商业项目。

为什么重要

对于做播客、有声书或者独立游戏配音的开发者来说，Ming 3.0 TTS 值得马上拉下来跑一跑。小版本体积够小、门槛极低，普通显卡就能本地跑起来；MIT 协议更是扫清了商业合规风险，不需要担心商用授权问题。

和 Fish Audio Drama 3 等开源同类相比，它的发音准确率和方言支持表现亮眼，自然语言调音也比手动调参数直观得多。但如果你的硬件配置有限，18GB 的大版本依然吃力，而且多任务混用的灵活性还有待后续更新完善。