螞蟻集團開源 Ming 3.0 TTS：用自然語言調音，支援多人播客與商用

Ming 3.0 TTS 是螞蟻集團開源的一套文本轉語音模型，能把文字直接轉成逼真的人聲，而且允許你用日常大白話去指導聲音該怎麼讀。

除了常規的參考音訊聲音克隆，它最大的特點是支援自由的自然語言調音。你可以直接在提示詞裡描述聲音的質感或情緒，比如「在北方山脊的另一邊，有一座從所有地圖上消失的城市」，或者讓聲音帶上「老舊收音機發出輕微噼啪聲」的質感。

如果你想更精細地控制細節，它還支援在文本里直接插入 14 種副語言標籤，用來指定笑聲、嘆氣聲等副語言表現，或者直接調節語速、音高和音量。

它能做什麼

語言支援上，Ming 3.0 TTS 涵蓋中文、英語、德語、西班牙語、法語、韓語和日語，甚至還支援四川話和粵語等漢語方言。

整個模型家族放出了兩個版本。一個小版本是 0.5B 的 Dense 密集模型，權重大小隻有約 3GB。另一個大版本是代號為 tiny 的 MoE 混合專家模型，基於 Ling V3 構建，總引數 7.9B，啟用引數 1.3B，權重大小約 18GB。

大版本專門額外支援根據指令碼和說話人參考音訊生成多人對話播客。不過官方在文件裡也提醒，這些能力是通過獨立的任務模式執行的，目前並不能隨意隨意組合使用。

在第三方評測機構 Artificial Analysis 截至 2026 年 10 月的榜單上，Ming 3.0 TTS 在可控聲音評測中位列開放權重模型第一，在發音魯棒性上拿到總榜第一。其中文本縮寫展開準確率達到 96.5%，精確序列保持度達到 90.6%，在服務商聲音評測中排在開放權重模型第三。

雖然在整體聲音質量上，它被指出僅比 Fish Audio 的 Drama 3 略好一些，並沒有拉開本質差距，但發音準確度確實紮實。

怎麼跑起來

小版本只有約 3GB，很多消費級顯示卡都能直接塞下。它支援 PyTorch SDPA，flash-attn 是可選配置，官方給出的測試環境包括 NVIDIA H800 和 H20。

大版本約 18GB，對視訊記憶體要求較高，官方推薦使用 NVIDIA H800 等專業顯示卡，並且依賴獨立的 Python 3.10 和 PyTorch 2.7.1 環境。

兩個版本的權重和推理程式碼都已經在 GitHub、Hugging Face 和 ModelScope 上開放。更關鍵的是，兩個模型都採用極為寬鬆的 MIT 許可證，這意味著個人和企業都能免費修改並用於商業專案。

為什麼重要

對於做播客、有聲書或者獨立遊戲配音的開發者來說，Ming 3.0 TTS 值得馬上拉下來跑一跑。小版本體積夠小、門檻極低，普通顯示卡就能本地跑起來；MIT 協議更是掃清了商業合規風險，不需要擔心商用授權問題。

和 Fish Audio Drama 3 等開源同類相比，它的發音準確率和方言支援表現亮眼，自然語言調音也比手動調引數直觀得多。但如果你的硬體配置有限，18GB 的大版本依然吃力，而且多工混用的靈活性還有待後續更新完善。