Ming-3.0-tts

Ming‑3.0‑tts 是蚂蚁集团 inclusionAI（蚂蚁百灵）团队开源的文本转语音（TTS）模型套件，采用 MIT 开源协议，推理代码、模型权重、评测报告全部公开，支持本地离线部署运行。项目包含两个版本：0.5B 参数稠密小模型；Ming‑3.0‑tts‑tiny，基于 Ling V3 MoE 稀疏专家架构，总参数量79亿，推理激活仅13亿，兼顾高音质、长文本稳定性与普通电脑本地运行效率，tiny版本额外支持多人对话式播客风格语音生成。音频输出为44.1kHz高保真采样率。

核心功能与产品特点

1. 导演模式（核心特色），精细化台词表演控制 不需要复杂标签语法，直接用自然语言描述朗读要求：情绪、重音位置、语速快慢、停顿节奏、语气起伏；同时支持在文本中插入副语言标记，直接生成笑声、叹息、吸气、咳嗽等自然人声副语言，做出有表演感的配音，区别于传统TTS平淡机械的朗读效果，适合剧本、有声书、短视频台词创作。
2. 三种音色方案，零样本音色创作 内置一百多款优质中文音色、多款英文音色；支持三种音色方式：直接选用内置音色、用文字描述嗓音特征生成全新音色、上传一段简短参考音频复刻音色，全程不需要额外微调训练。同一段剧本里每一句台词都可以单独指定不同说话人音色。
3. 完整多语言、方言合成能力（详细清单） ✅ 支持主语言共7种：普通话、英语、日语、韩语、法语、德语、西班牙语 ✅ 支持中文方言2种：粤语（广粤话）、四川话（川渝方言）

   说明：模型原生TTS合成仅稳定支持上面列出7门主语言+粤语、四川话；其他方言属于同系列Ming大语音模型的识别能力，不在Ming‑3.0‑tts的语音合成范围内。

4. 轻量化本地推理，硬件门槛友好 稠密0.5B小模型对显卡要求低，消费级显卡甚至部分Mac都可以本地跑；tiny版MoE模型音质更强、长文本连贯性更好，适合播客、多角色对话配音；适合短视频配音、有声读物、对话机器人、游戏NPC语音、音频原型快速开发等场景。
5. 长文本稳定性强 针对大段连续文本做了优化，不容易出现音色漂移、断句错乱、音质崩坏，适合几千字的有声书一次性合成。

底层技术

底层基于 inclusionAI 自研 Ling V3 MoE 稀疏专家架构，采用类大语言模型自回归语音生成范式。模型将文本内容、导演指令、副语言标记、音色参考信息作为统一输入，端到端直接输出完整语音波形；稀疏MoE架构让模型在保有大容量知识与表现力的同时，每次推理只激活一小部分参数，大幅降低推理显存与算力开销，实现本地高可控语音合成。