AI 工具实测 · 2026-10-31

蚂蚁开源 Ming 3.0 TTS：真强还是吹的？怎么装？

它能克隆声音，能用一句话造新声音，还会笑、会叹气。官网写着并列第一，我回榜单原网站对了一遍，数字已经变了。

本文的榜单数据查看于 2026 年 10 月 31 日，排名会变。安装步骤来自官方文档，我还没有在自己的电脑上实际安装。

它能做什么

Ming 3.0 TTS 是蚂蚁集团 Inclusion AI 开源的语音生成模型，使用 MIT 许可。官方介绍的主要能力有：

克隆：给一小段参考音频，学会这个声音。
造声音：不用参考音频，用文字描述生成新声音。
导演模式：用大白话指定情绪、节奏和重音。
副语言标签：把笑声、叹气、咳嗽写进台词。
语言：中、英、日、韩、法、德、西七种语言，加四川话和粤语。

榜单成绩：官网和今天不一样

官网的成绩来自第三方机构 Artificial Analysis，官网也注明了排名会随新模型变化。下面是我当天在原网站看到的结果：

榜单	官网写的	2026-10-31 原网站
发音（Pronunciation Robustness）	93.2%，并列第一	93.2%，排第二；第一是 Fish Audio Drama 3（94.6%）；高于 Eleven v4（91.7%）
克隆同一声音比听感（Controlled Voice）	开源第 1，总榜第 13	开源第 2，总榜第 17
各用自家音色比听感（Provider Voice）	开源第 3，总榜第 17	开源第 4，总榜第 24

Artificial Analysis 发音榜，Ming-3.0-tts 为 93.2% — 发音榜，页面标注测试语言为 English。来源：Artificial Analysis

我的判断：发音准是真的，开源模型里也有竞争力，但在听感上还算不上总榜顶尖。

中文要自己听

发音榜和克隆榜的默认成绩考的都是英文。我把克隆榜切到 Mandarin（普通话），当天列表里没有 Ming。所以它的中文表现，这些榜单回答不了，最好拿自己的稿子试。

两个版本怎么选

版本	参数	Hugging Face 仓库大小	说明
0.5B	5 亿	约 3GB	除多人对话外都能做
Tiny	总共 79 亿，激活 13 亿	约 18GB	支持多人对话，要单独的环境

别被名字骗了，Tiny 反而是大的。不做多人对话，先用 0.5B。

显存：官方没有写显存要求，只写了 0.5B 在 NVIDIA H800-80GB 和 H20-96G 上测试过。有视频作者在 RTX 4070 Ti 上看到约 2.1GB 占用，但这只是一次个人测试，不能当成官方要求。

官方安装步骤

1. 下载代码，安装依赖

git clone https://github.com/inclusionAI/Ming-3.0-tts.git
cd Ming-3.0-tts
pip install -r requirements.txt

Tiny 要单独建环境：

conda create -n ming-tiny python=3.10.15 -y && conda activate ming-tiny
pip install -r requirements-tiny.txt

2. 下载模型

pip install "huggingface_hub[cli]"
hf download inclusionAI/Ming-3.0-tts-0.5b --local-dir Ming-3.0-tts-0.5b

官方说中国大陆用魔搭通常更快：

pip install modelscope
modelscope download --model inclusionAI/Ming-3.0-tts-0.5b --local_dir Ming-3.0-tts-0.5b

3. 文本规范化（可选）

conda install -c conda-forge pynini==2.1.6

它用来处理数字、日期和单位。装不上的话，运行时加 --no_text_normalization 跳过。

4. 自检

python tools/preflight.py --model_path /path/to/Ming-3.0-tts-0.5b

5. 生成第一条配音

python infer.py \
  --model_path inclusionAI/Ming-3.0-tts-0.5b \
  --task TTS \
  --language_id Chinese \
  --text "傍晚的风从山口吹过来，远处的云慢慢染成了金色。" \
  --prompt_wav_path data/voice_presets/voice_audio/lingguang.wav \
  --prompt_text "诶，你今天有空吗？我们能不能聊聊这件事啊？" \
  --use_spk_emb \
  --output output/tts.wav

官方自己写的短板

音高是两个模型最不准的属性。
台词本身不带情绪时，情绪准确率会明显下降。
官方要求不得未经同意模仿真人，也不得用于欺骗或违法用途。

值不值得试

想要开源、能本地跑、英文发音准，值得试。要做中文配音，先拿自己的稿子听一遍再决定。