Ant group lanza modelos de voz de código abierto Ming-3.0 para la conversión de texto a voz, la comprensión de audio y el reconocimiento de voz

El 20 de octubre de 2026, Ant Group anunció el lanzamiento de código abierto de su serie Ming-3.0 de modelos de voz, que incluye modelos para la conversión de texto a voz (TTS), la comprensión de audio y el diálogo, y el reconocimiento de voz. La serie consta de cinco modelos, lo que permite a los desarrolladores elegir en función de sus tareas específicas o combinar diferentes capacidades en sus flujos de trabajo. El modelo Ming-3.0-tts permite a los usuarios describir las características de la voz objetivo a través de texto o audio de referencia, con un modo de director único para especificar matices de rendimiento, como cambios emocionales, énfasis y ritmo. Los modelos Ming-3.0-audio-flash y tiny admiten el procesamiento de audio avanzado, incluyendo la transcripción, la summarización y el análisis de sentimientos de archivos de audio largos, preservando elementos contextuales como la identidad del hablante y las señales ambientales. Estos modelos ya están integrados en varias aplicaciones de Ant, incluyendo la aplicación Afu, la clonación de voz médica y la verificación de seguridad. Los desarrolladores pueden acceder a los modelos a través de Ling Studio, servicios de API y plataformas como Hugging Face y ModelScope.