我把一通找宿管拿电池的电话丢给蚂蚁百灵 Ming-3.0：11 分钟《孔乙己》6 秒听完，电话录音 4 秒内开口提醒我 蚂蚁百灵这次一口气发了三个音频模型：… · @vintcessun · TwKit

@vintcessun

我把一通找宿管拿电池的电话丢给蚂蚁百灵 Ming-3.0：11 分钟《孔乙己》6 秒听完，电话录音 4 秒内开口提醒我 蚂蚁百灵这次一口气发了三个音频模型： - Ming-3.0-asr-tiny：语音识别，管「听写」 - Ming-3.0-audio-flash：音频理解与交互，管「听懂」 - Ming-3.0-tts：语音合成，管「开口说话」 发布稿我没转述，直接拿真人录音测了一晚上：我自己的一通电话、30 段真人中英混说对话、粤语、11 分钟的鲁迅有声书、地铁报站、二胡……所有输入、输出音频和调用日志都留着。先放结论： - 听写：真人中英混说 30 段，字错率 asr-tiny 4.8%、audio-flash 3.8%；和同档开源模型同批对比，干净普通话 / 粤语与 Qwen3-ASR-1.7B 基本持平、明显好于 Whisper-large-v3；背景 4 个人同时说话时，开源 asr-tiny 本地跑字错率 20.4%，是对比组里最低的 - 听懂：11 分 02 秒的《孔乙己》有声书一次喂进去，6.5 秒答完 7 道题全对，连录音结尾的朗读者署名都复述对了；但问「某段情节在第几分钟」，它答错了 - 开口：日期、温度、百分比、金额全部念对；克隆官方参考音色很稳；但用电话音质的 6 秒录音克隆我自己，会男声女声来回跳。风格、方言、笑声这些控制，接口暂时不灵，开源权重本地跑是好的 - 串起来：电话录音进去 → 听懂 → 语音提醒我几点去拿电池，录音丢进去 3.6 秒就听见回答，整段 6.8 秒说完 - 发布当天接口层踩了几个坑（ASR 中断约 10 分钟、中文内置音色报错、风格指令会被念出来等），文末单独列出 想自己上手的话，在线体验、API 和开源地址都整理在文末。 先认识一下：三个模型，各管一段 模型 | 干什么 | 关键信息（来自官方模型卡与发布文章） Ming-3.0-asr-tiny | 语音转文字 | 8.6B 总参、约 2B 激活，基于 Ling-tiny-v3 语言模型 + 音频编码器；中英文、15 组地区方言、热词 / 上文增强；官方四类评测平均错误率 4.41% Ming-3.0-audio-flash | 听音频、回答问题、语音对话 | 126B 总参数，每步只激活 6.5B（MoE）；能听语音、环境声、音乐，可选语音输出 Ming-3.0-tts | 文字转语音 | tiny 版 7.9B 总参、约 1.3B 激活，另有 0.5B 版；零样本克隆、7 种语言、粤语 / 川渝话、14 种副语言标签；0.5B 版在 Artificial Analysis 10 月评测里发音鲁棒性 93.2%（并列全榜第 1）、Controlled Voice 开放权重第 1 三个模型的权重都以 MIT 协议放在了 HuggingFace / ModelScope 的 inclusionAI 组织下，Ling Studio 也上线了 OpenAI 兼容接口（其中 TTS 接口提供的是 0.5B 版）：ASR 走 /v1/audio/transcriptions，audio-flash 走 /v1/chat/completions（音频用 audio_url 传 base64），TTS 走 /v1/audio/speech。 > 测试方式：除横向对比外，所有测试都调用官方 API（2026-10-19 晚 ~ 10-20 凌晨），temperature 默认。横向对比里的开源模型，在同一张 A800 上用各自官方推理代码本地跑。字错率统一做了繁简转换、数字写法统一、去标点。 实测①：asr-tiny 听写——从我自己的一通电话开始 一通真实的电话 宿舍门锁没电了，我打电话给宿管拿电池。25 秒，电话音质，两个人，我还说得磕磕巴巴。 asr-tiny 1.9 秒出结果： > 喂您好，我我我能我要刚才拿个电池，就是那个宿舍那个门没有电了，住哪里的宿舍，呃我在过光十三我现在在那个我现在下午两点，对下午两点下午两点半开始上班的哈啊好。呃两点半过过来拿好吧好哎好拜拜拜拜。 口语里的重复、「哈」「呃」都老老实实记下来了，时间、事情都对，唯一的错是把宿舍楼「国光十三」听成了「过光十三」——这种专有名词正是热词功能要解决的。 - 官方 API：接口的 prompt 参数文档里写的是「上文」，我试了 3 种写法（楼名、带学校名、整句背景），结果都还是「过光十三」，只是标点风格变了。 - 同一个模型，开源权重本地跑：按模型卡里 Context ASR 的格式，把「国光十三、电池、宿舍门」写进提示 → 输出「国光十三」。说明模型本身支持热词，只是接口还没开放这个入口。 - audio-flash：在指令里加一句「这段音频可能包含：国光十三、电池、宿舍」→ 也对了。 再来一通 5 分钟的工作电话：满嘴术语 第二段录音是我和合作者讨论工作的一通电话，5 分钟出头，电话音质，中英术语混着说。内容不便公开，下面只说结论，不放原话。 术语类型 | asr-tiny（切成 13 段） | audio-flash（整段一次） 学术圈常用的两字缩写 | 听成同音的日常词 ✗ | ✓ 「初版」 | 「出版」✗ | ✓ 一个英文会议缩写 | 听成「xml」✗ | ✓ token、intro、metric 等 | ✓ | ✓ 术语密集的时候，audio-flash 明显更懂行：asr-tiny 按发音挑最常见的字；audio-flash 会联系上下文，知道这是在聊什么。 再让 audio-flash 出会议纪要，议题、结论、各自的待办都理对了，但有两点要注意： - 会脑补：纪要里出现了一个通话里根本没提过的名词，还自作主张给两个人贴了身份标签。 - 话外音听不出来：通话里有一件事双方需要协商，它找到了这件事，也说清了怎么谈妥的，但判断是「语气平和、无争执」。我作为当事人，觉得当时是有点争执的，只是我这边多半只回「嗯」「行」。字面上的分歧它抓得住，语气里的勉强它还抓不住。 这一次它给的时间点基本准，几个关键段落和切片位置相差都在 15 秒以内。相比之下，11 分钟的《孔乙己》差了 3 分多钟（见下文）。 30 段真人中英混说 中英夹杂是很多语音模型的软肋。我用了香港科技大学公开的 ASCEND 数据集（CC BY-SA 4.0），随机抽 30 段 4–15 秒、标注为「混说」的真人对话： 原话（人工标注） | asr-tiny 输出 他当时也在那个 Houston Rockets 跟 team up with McGrady | 他当时也在那个houston rocket跟team up with mcgrady。 第二个呢它的测试也很很复杂就是说你在测试的时候你只能 simulate 这个 scenario | 第二个呢，它的测试也很很复杂。就是说，你在测试的时候，你只能simulate这个scenario。 那你呃当初为什么选择来 UST 读 master 呢 | 那你呃当初为什么选择来ust读master呢？ 30 段整体字错率：asr-tiny 4.8%，audio-flash 3.8%。 普通话、粤语、长音频、噪声 测试集 | asr-tiny | audio-flash 中英混说 · ASCEND 30 段 | 4.8% | 3.8% 普通话朗读 · FLEURS 40 段 | 4.2% | 4.2% 粤语 · FLEURS 30 段 | 6.9% | 6.0% 《孔乙己》有声书 · 11 分钟 | 4.6% | 2.1% 普通话 + 4 人背景说话 · 5 dB | 31.2% | 61.1% 几点说明： - 速度：asr-tiny 在 245 次调用里中位延迟 1.45 秒（p90 2.35 秒），4–28 秒的片段基本都在 2 秒内返回。 - 长音频：API 单次限 30 秒，11 分钟的《孔乙己》我按静音点切成 26 段，单段平均 1.7 秒；audio-flash 则可以一次吃下整段（文档上限 1 小时），12.6 秒出全文。不过《孔乙己》是名篇，audio-flash 的 2.1% 里可能有「记得原文」的成分。 - 两个模型的输出有大量逐字相同：普通话 40 段里有 24 段、粤语 30 段里 15 段、混说 30 段里 9 段，两者输出（忽略标点）完全一样，所以上表别当成两个完全独立的系统来看。 - 噪声是短板：我把 4 个别人的说话声以 5 dB 混进去，模拟食堂、展会那种嘈杂。两个模型都会把背景里别人的话也写进来——多出来的内容里，约 1/4 能逐字对上背景里那几句话。audio-flash 输出平均比原文长 41%，更「爱记」。另外有一段，audio-flash 第一次跑时陷入「职大医院、职大医院……」的循环，一口气输出了 32768 个 token、154 秒（原因见文末的坑）。 横向对比：和同档开源模型同场 光看自己的数字没意义。我把同一批录音在本地跑了一遍同档的开源模型：Qwen3-ASR-1.7B、SenseVoice-Small、Whisper-large-v3，以及 Ming-3.0-asr-tiny 的开源权重。 模型 | 普通话 40 段 | 粤语 30 段 | 中英混说 30 段 | 背景人声 5 dB Ming-3.0-asr-tiny · 官方 API | 4.2% | 6.9% | 4.8% | 31.2% Ming-3.0-asr-tiny · 开源权重本地 | 4.4% | 7.4% | 6.1% | 20.4% Ming-3.0-audio-flash · 官方 API | 4.2% | 6.0% | 3.8% | 61.1% Qwen3-ASR-1.7B | 4.3% | 6.7% | 5.2% | 41.9% SenseVoice-Small | 4.9% | 8.4% | 10.6% | 49.9% Whisper-large-v3 | 8.5% | 11.5% | 20.2% | 28.9% > 中英混说这组送到服务器上的是 32 kbps Opus 压缩版（上传带宽所限；官方 API 版 asr-tiny 在同样的压缩文件上是 4.7%，和原始 WAV 的 4.8% 几乎一样，压缩影响可以忽略）。开源 asr-tiny 在这一组按模型卡建议加了中文语种提示；不加提示时字错率是 13.7%——它会把一些中英混说的句子误判成英文，直接整句「翻译」成英文（例如「所以说我们很难去判定……」变成「so you know we’re very hard to……」）。其余模型都用各自默认设置。 - 干净语音：asr-tiny 和 Qwen3-ASR-1.7B 基本持平（每组 30–40 段，小样本，差 0.5 个点以内我都算平手），略好于 SenseVoice-Small，明显好于 Whisper-large-v3。 - 中英混说：官方 API 的 asr-tiny（4.8%）和 audio-flash（3.8%）领先，Qwen3-ASR-1.7B 5.2%，SenseVoice 10.6%，Whisper 20.2%。开源 asr-tiny 本地跑要记得加语种提示。 - 嘈杂语音：差距真正拉开。开源 asr-tiny 本地跑 20.4%，Whisper 28.9%，Qwen3-ASR 41.9%，SenseVoice 49.9%。 - 一个值得注意的现象：asr-tiny 的官方 API 版和开源权重本地版，在噪声组差了一截（31.2% vs 20.4%），干净语音上则接近。我不知道接口背后的解码设置，只能如实记录：同一个名字，接口和开源权重的表现不完全一样。 实测②：audio-flash 听懂——11 分钟有声书 6.5 秒答完 《孔乙己》，11 分 02 秒 我从 LibriVox 找了鲁迅《呐喊》的公有领域有声书（朗读：Jing Li），把《孔乙己》整章 11 分 02 秒一次传进去，问了 7 道题： 1. 这是鲁迅的小说集《呐喊》中的《孔乙己》。叙述者「我」是一个十二岁起就在镇口咸亨酒店当伙计的穷孩子。 2. 孔乙己是站着喝酒而穿长衫的唯一的人。 3. 他说「茴」字一共有四样写法。 4. 孔乙己在粉板上还欠酒店十九个钱。 5. 孔乙己的腿被打折了，据说是因为他去偷丁举人家里东西，被打断了腿。 6. 故事最后一句话是「我到现在终于没有见——大约孔乙己的确死了」…… 4146 个音频 token，首字 5.6 秒，全部答完 6.5 秒，7 题全对。 它是真在听，还是背过原文？ 《孔乙己》太有名了，答对这些不能说明它在「听」。所以我又专门问了原著里没有、只存在于这段录音里的东西： - 「录音开头正文之前说了什么？」→「鲁迅小说集《呐喊》孔乙己。此次 LibriVox 录音由公众所有。」✓ 和 asr-tiny 逐段转写对照，一字不差 - 「录音结尾说了什么？」→「孔乙己结束。此次录音由李晶提供。」✓ 录音结尾自报的朗读者名字（Li Jing），和 LibriVox 页面上登记的朗读者 Jing Li 对得上，这是背不出来的 - 「『茴』字有几种写法这段，大约在第几分钟？」→ 它说约 03:00。我用 asr-tiny 逐段定位，实际在 6:23 附近 ✗ 结论很清楚：内容理解是真听出来的，但时间定位还不能信。要做「带时间戳的会议纪要」，时间轴还得靠 ASR 切片自己对。 盲听：不是人声也能听 我从 Wikimedia Commons 找了几段公有领域 / CC 授权的录音，不给任何提示，只问「你听到了什么、在什么场景」： 录音 | audio-flash 的回答（节选） | 核对 公鸡 8 秒 | 鸡的咯咯声、公鸡打鸣……乡村或农场 | ✓ 罗马街头狗叫 18 秒 | 狗叫声，带轻微回声，户外或半开放空间 | ✓ 雷雨 30 秒 | 雨声、雷声，户外雷雨天 | ✓ 北京地铁 4 号线 84 秒 | 地铁车厢内……中英双语报站「中关村站」「Next station, Haidian Huangzhuang, Interchange station for Line 10」……防疫提醒全程佩戴口罩 | ✓ 用 asr-tiny 逐段核对，站名和换乘信息都对 香港西九龙 G80 车厢广播 4 分钟 | 依次是普通话、英语、粤语三段播报，内容涵盖行李、插座、看护儿童、禁烟、站台间隙…… | ✓ 三语顺序正确 二胡独奏 4 分半 | 只有二胡独奏，哀婉深情，滑音与揉弦明显 | 盲听没说曲名；追问「曲名和作者」→《二泉映月》，华彦钧 ✓ 短音频 2 秒内出结果，4 分钟的广播 5.2 秒。 实测③：tts 开口说话 念数字、念英文：合成完再交给 asr-tiny 听写回来 TTS 好不好，最客观的检验是「让另一个模型听写回来」。我用官方参考音色「灵光」克隆，合成这句： > 2026年10月19日下午3点15分，气温23.5℃，GDP同比增长5.2%，转账￥1,280.50元。 asr-tiny 听写回来：「二零二六年十月十九日下午三点十五分，气温二十三点五摄氏度，GDP同比增长百分之五点二，转账一千两百八十点五零元。」一个不差。 「我刚用 ChatGPT 和 Claude 改了 PPT，又在 GitHub 上提了个 PR。」也完整读对。 翻车的是它自己的名字：「这是 Ming-3.0-tts 的测试」被读成了类似「Minfu 三点零 TTS」。写成「Ming 三点零」就正常了——这条视频的旁白就是这么写的。 用我自己电话里的 6 秒声音克隆 我截了电话开头 6 秒我自己的声音当参考，想让它替我主持一段播客。结果出乎意料： 合成的句子 | 音高中位数 | audio-flash 判断 我的原声（参考） | 162 Hz | 男声 我是小文。 | 135 Hz | 男声 对，我的声音是从一通六秒钟的电话录音里克隆出来的。 | 209 Hz | 男声 欢迎收听《耳朵实验室》，我是主持人小文。 | 324 Hz | 女声 同一个参考，有的句子是我，有的句子变成了女声；同样的输入重跑，结果完全一样（不是随机抖动）。换成官方提供的干净参考音色，就一直很稳。结论：克隆请用安静环境下录的干净音频，电话录音不行。 语速、音量、音高 参数 | 实测 speed 0.75 / 1.5 | 时长 +23% / −24% ✓ volume 0.5 | 响度降到约 1/3 ✓ pitch 0.7 / 1.4 | 音高只变了约 ±7%，效果偏弱 播客开场：两个主持人都是克隆的 既然我自己的电话录音不适合当参考，我换成官方提供的两段参考音色（「灵光」3.3 秒、「DB30」1 秒），每句一次接口调用，拼成一段 33 秒的播客开场： > 主持人 A：欢迎收听《耳朵实验室》，今天这期有点特别。 主持人 B：特别在哪？ 主持人 A：我们俩的声音，都不是录的。是 Ming 三点零的 TTS，各听了几秒钟参考音频，克隆出来的。 主持人 B：几秒钟？那我现在说的这些话，我自己一句都没说过？ 主持人 A：一句都没说过。今天就聊聊蚂蚁百灵刚开源的这套音频模型：一个听写，一个听懂，一个开口说话。 主持人 B：好，那我们先从最难的说起——中英文混着说的时候，它到底听不听得懂？ 6 句话交给 asr-tiny 听写回来，平均字错率 1.0%（只有「Ming 三点零」被听成「min 三点零」、「它」听成「他」这类差别）。单句生成 1.3–5 秒。 两个主持人听不听得出来？我把拼好的整段交给 audio-flash 盲听，问「有几个人、每句是谁说的」：它答两个不同的女声（一个明亮、一个更柔和），6 句的归属甲乙交替，和脚本完全对得上。两个声线能分开，但都是女声，想要一男一女得换参考音频。 同一个 tts，开源权重本地跑：接口里不灵的控制，模型本身是会的 接口里的风格指令、副语言标签、中文内置音色都有问题，那是模型不行还是接口没接好？官方发布文章写明，API 提供的就是 Ming-3.0-tts-0.5B。于是我把同一个 0.5B 的开源权重拉到一张 A800 上，用官方仓库的代码跑了同样几件事： 能力 | 官方 API | 开源权重本地跑 副语言标签 [Laughter] [Sigh] | 念成英文单词 | 不再念单词，变成语气声：asr-tiny、SenseVoice、Qwen3-ASR 三个模型听写回来都是「我是林光。哼，今天这期有点特别。哎，我们……」 粤语 | 无对应参数 | 「今日天气极好，我哋食完饭一齐去海边行下啦。」audio-flash 盲判粤语；Qwen3-ASR 语种识别也判为 Cantonese，逐字转写一致 川渝话 | 无对应参数 | 「你莫慌嘛。这个事情我们慢慢说。巴适得很。」audio-flash 盲判四川话；Qwen3-ASR 只判为「Chinese」，不细分方言 音色设计（一句话描述声音） | 400 | 「三十岁左右的男性播客主持人，声音温暖有磁性……」→ audio-flash 盲判：男声，中性情绪，普通话。 中文内置音色 灵小柔 / 灵楷 | 500 | 正常（灵楷音高中位数 100 Hz，男声） 念数字 | 全对 | 听写回来「GDP」成了「cpi」、末尾「元」重复——没法确定是合成还是听写的问题 注意 [Laughter] 出来的是一声「哼」，不是哈哈大笑：SenseVoice 的声音事件检测在这段里没有标出笑声（只有 Speech），audio-flash 说有叹气和笑声但把两者的位置说反了。所以更准确的说法是「标签能变成语气声」，笑得像不像要看具体标签。 情绪控制（愤怒 / 悲伤 / 高兴）本地也能跑通，但这类效果只有耳朵说了算，我没法用数字证明它「真的生气了」，就不下结论了。 结论：模型能力是在的，等接口把这些参数接上就好。0.5B 版在 A800 上单句生成 4–13 秒（未做任何加速），想现在就用这些能力，可以本地部署。 实测④：三个串起来——电话录音进，语音提醒出 最后做个最小的语音助理：把那通电话丢进去，让它用语音提醒我该干什么。 asr-tiny 转写 1.3 s （屏幕上显示文字） audio-flash 理解 1.3 s 直接听原始音频，不是读转写稿 tts 首包 1.0 s 流式合成 ────────────────────────── 录音丢进去 → 听见第一个字 3.6 s 整段回答合成完 6.8 s 它说：「你得去国光十三号楼的宿管处拿电池，宿管说下午两点半才开始上班，所以得等到那时候过去。」 第一次我没给任何背景，它回答「你约了下午两点半去过光十三拿宿舍门的电池」——楼名错了，还把我住的地方当成了取电池的地方。在指令里补一句「我住厦门大学国光十三号楼」（真实助理本来就会有这类个人信息），就对了。 同样的输入我连跑了 3 次：听见第一个字 3.6–4.0 秒，整段回答 6.3–7.0 秒。但有 2 次它自己加了电话里没有的叮嘱，比如「记得带好学生卡敲门」「带好学生卡或身份证证明身份」——做真实助理时，最好让它只复述电话里出现过的信息。 再来一段真人提问：ASCEND 里有人用中英混说问「你认为 children 应不应该有自己的 smartphone？」，助理用语音回答：「我觉得小孩可以有自己的手机，但最好设一些限制，比如每天用多久。因为现在很多学校作业都要用手机查资料，没手机也不太方便。」——全程 7.3 秒。 发布当天踩到的坑 这些都是 10 月 19 日夜里实测遇到的，全部有请求 ID，大概率会很快修掉，列出来给同样当天上手的人省点时间： 1. ASR 接口中断约 10 分钟：22:57–23:07 返回 404 Model Not Found（模型仍在 /v1/models 列表里），之后恢复；高峰时偶发 429（平台 QPS 限制为 2）和 404 HTTP method not supported: GET，重试即可。 2. 中文内置音色报 500：灵小柔、灵岩、灵小萌、灵楷整晚都返回 TTS failed: system error；英文音色 US_Stella、US_James、UK_Charlotte 正常。中文场景先用 references 克隆。 3. 文档参数名不生效：文档示例写的是 max_completion_tokens，实测设成 50 仍返回 1685 个 token；改用 max_tokens 才生效。上面那次 32768 token 的「职大医院」循环就是因为上限没生效。 4. instructions（风格指令）：配内置音色时，指令文本会被当成正文念出来、后面还夹杂乱码（一句话生成了 28 秒），或者把正文截断；配克隆参考时则被忽略（6 种风格输出时长几乎相同，听写回来一字不差）。 5. 副语言标签：[Laughter]、[Surprise-ah]、[Breathing] 在接口里被当成英文单词读出来（听写回来是「laughter」「surprise 啊」「breathing」）。 6. 不传音色、只传风格描述会返回 400：接口暂未开放「音色设计」。 总结：适合谁，怎么用 - 要做会议、访谈、电话录音转写的：asr-tiny 已经能直接用，中英混说、粤语都稳，1.5 秒左右返回；嘈杂环境下开源权重本地跑的表现尤其好。专有名词多的话，现阶段用开源权重 + 热词，或者让 audio-flash 带热词转写。 - 要做「听完一段音频回答问题」的：audio-flash 一次能吃下 11 分钟的音频、6 秒多给出答案，内容理解靠谱，能分辨环境声和音乐；但时间戳别直接信。 - 要做配音、有声书的：tts 的数字、单位、英文读法很稳，克隆干净参考音色效果好；风格、情绪、副语言这些高级控制，等接口补齐再用，或者先用开源权重本地跑。 三个模型串起来，「语音进—听懂—语音出」4 秒内开口，一个能用的语音助理原型已经搭得起来了。 自己试一试 - 在线体验：Ling Studio Chat https://chat.ant-ling.com，左上角模型列表里选 Ming-3.0-audio-flash，体验音频理解与对话 - API：Ling Studio 提供 Ming-3.0-asr-tiny、Ming-3.0-audio-flash、Ming-3.0-tts-0.5B 的 OpenAI 兼容接口，地址 https://api.ant-ling.com/v1，调用时的模型名分别是 Ming-3.0-asr-tiny / Ming-3.0-audio-flash / Ming-3.0-tts（本文所有 API 测试都走这个地址） - 开源代码（MIT）： - https://github.com/inclusionAI/Ming-3.0-asr - https://github.com/inclusionAI/Ming-3.0-audio-flash - https://github.com/inclusionAI/Ming-3.0-tts - 模型权重（Hugging Face / ModelScope，同名）： - Ming-3.0-asr-tiny：https://huggingface.co/inclusionAI/Ming-3.0-asr-tiny ｜ https://www.modelscope.cn/models/inclusionAI/Ming-3.0-asr-tiny - Ming-3.0-audio-flash：https://huggingface.co/inclusionAI/Ming-3.0-audio-flash ｜ https://www.modelscope.cn/models/inclusionAI/Ming-3.0-audio-flash - Ming-3.0-audio-tiny：https://huggingface.co/inclusionAI/Ming-3.0-audio-tiny ｜ https://www.modelscope.cn/models/inclusionAI/Ming-3.0-audio-tiny - Ming-3.0-tts-0.5B：https://huggingface.co/inclusionAI/Ming-3.0-tts-0.5B ｜ https://www.modelscope.cn/models/inclusionAI/Ming-3.0-tts-0.5B - Ming-3.0-tts-tiny：https://huggingface.co/inclusionAI/Ming-3.0-tts-tiny ｜ https://www.modelscope.cn/models/inclusionAI/Ming-3.0-tts-tiny 附：测试素材与方法 - 我的电话录音：本人录制，文章 / 视频只播放我本人说话的部分 - ASCEND（CC BY-SA 4.0）、FLEURS（CC BY 4.0）、LibriVox《呐喊》（公有领域，朗读 Jing Li）、Wikimedia Commons 录音（公有领域 / CC0 / CC BY-SA） - 字错率：繁→简、中文数字→阿拉伯数字、去标点和括号注释后按字计算；噪声组为 4 个 FLEURS 说话人以 5 dB 信噪比混入 - 所有调用日志（请求、响应、延迟、token 用量）、合成音频、脚本均已保存

曝光 699 · 评论 9 · 点赞 4 · 书签 0