Ant Group membuka bobot Ming-3.0, lima model suara dari sintesis sampai pengenalan ucapan

Ant Group melalui unit riset InclusionAI mengumumkan keluarga model suara Ming-3.0 pada 20 Oktober 2026. Keluarganya terdiri dari lima model yang dibagi ke tiga kelompok: sintesis ucapan, pemahaman serta dialog audio, dan pengenalan ucapan. Modelnya adalah Ming-3.0-tts-0.5B dan Ming-3.0-tts-tiny untuk sintesis, Ming-3.0-audio-flash dan Ming-3.0-audio-tiny untuk pemahaman audio, serta Ming-3.0-asr-tiny untuk pengenalan ucapan. Bobotnya tersedia di Hugging Face dan ModelScope, dan ketiga kemampuan utama juga dapat dipanggil lewat API Ling Studio.

Pembeda utama ada pada cara mengendalikan suara. Fitur Voice Design memungkinkan pengembang mendeskripsikan target timbre dengan teks, atau memakai audio referensi sebagai acuan warna suara. Di atas itu ada mode sutradara, tempat penulis dapat menjelaskan bagaimana sebuah kalimat diperankan: bagaimana emosinya berubah, kata mana yang perlu ditekankan, dan bagaimana tempo dibawakan. Pendekatan ini menggeser pekerjaan pengaturan suara dari menyetel parameter menjadi menulis arahan, mirip memberi brief kepada pengisi suara.

Sisi pengenalan ucapan dibangun dengan korpus berisi bahasa Mandarin, bahasa Inggris, dialek, dan istilah khusus bidang. Model memanfaatkan daftar kandidat istilah dan konteks percakapan untuk memperbaiki hasil transkripsi pada kondisi nyata, bukan hanya pada rekaman bersih. Ant menyebut Ming-3.0-asr-tiny sudah dipakai pada asisten dokter, pencarian di Alipay, percakapan suara waktu nyata, dan verifikasi identitas berbasis suara. Artinya model ini sudah melewati uji lapangan di lingkungan yang menuntut ketepatan tinggi, bukan hanya demo.

Untuk pemahaman audio, Ming-3.0-audio-flash dan versi tiny dapat langsung memproses rekaman panjang: transkripsi, ringkasan, sampai analisis pendapat dengan keluaran terstruktur. Bedanya dengan alur lama adalah rekaman tidak lebih dulu diubah menjadi transkrip kata per kata. Model membaca audionya langsung sehingga emosi, identitas pembicara, dan informasi lingkungan ikut terbawa, dan ia perlu penalaran cepat atas konteks panjang agar hasilnya tetap berguna.

Menurut Pandaily, kode, buku resep tugas, dan tabel evaluasi dirilis di GitHub dengan bobot di Hugging Face dan ModelScope, seluruhnya di bawah lisensi MIT. Bila benar, ini salah satu rilis suara terbuka paling longgar izinnya dari laboratorium besar tahun ini. Untuk pembangun produk lokal, kombinasi tts, asr, dan audio understanding berukuran kecil masuk akal dijalankan pada satu GPU, dan lisensi MIT memudahkan pemakaian komersial. Yang perlu diuji sendiri: kualitas bahasa Indonesia, angka, nama diri, dan istilah perbankan, karena korpus yang disebut menonjol adalah Mandarin dan Inggris.