2026 年 11 月 19 日——截至发稿,蚂蚁集团 inclusionAI(百灵)开源的音频语言模型 Ming-3.0-audio-flash 在 Artificial Analysis 的 Speech Reasoning(Big Bench Audio)榜单上以 99.8% 准确率位列第一,超过阶跃星辰 StepAudio 3 Realtime(99.7%)、阿里 Qwen Audio 3.0 Realtime Plus(99.2%),以及 Grok Voice 3.0、Gemini 3.8 Live Extended Thinking(High)、GPT-Realtime-2.1 High 等闭源模型。该模型于 2026 年 10 月 20 日随 Ming-3.0 语音系列开源,采用 MIT 协议,总参数 126B、单步激活 6.5B。
Ming-3.0 是蚂蚁百灵推出的一体化语音模型栈,按任务拆为语音合成、音频理解与对话、语音识别三条产品线,共五款模型,权重同步上架 Hugging Face 与 ModelScope。此次登顶的 Ming-3.0-audio-flash 是其中的旗舰音频理解模型,官方模型卡明确写明其在 Big Bench Audio 上取得 99.8%、在闭源与开源模型中排名第一。
登顶详情
Artificial Analysis 的 Speech to Speech 榜单将语音推理(Speech Reasoning)作为核心组件之一,共评测 42 款模型。在该单项上,前三名均为中国模型:蚂蚁 Ming-3.0-audio-flash(99.8%)、阶跃星辰 StepAudio 3 Realtime(99.7%)、阿里云 Qwen Audio 3.0 Realtime Plus(99.2%)。
用户关注的几款闭源实时语音旗舰成绩分别为:SpaceXAI Grok Voice 3.0 98.5%、谷歌 Gemini 3.8 Live Extended Thinking(High)97.7%、OpenAI GPT-Realtime-2.1 High 95.8%,均低于 Ming-3.0-audio-flash。榜单同时显示,Ming-3.0-audio-flash 在 Big Bench Audio 口径下的首包延迟(Time to First Audio)为 1.12 秒。
需要区分单项与综合:Speech to Speech Index 综合指数要求语音推理、Agentic Performance、Arena Preference、Task Success Rate 四项数据齐全,Ming-3.0-audio-flash 目前仅有推理与延迟数据,因此暂无综合指数分;作为对照,Grok Voice 3.0 综合指数为 86.9、Gemini 3.8 Live Extended Thinking(High)为 82.6、GPT-Realtime-2.1 High 为 75.2。语音推理单项第一不等同于综合对话能力第一。
评测口径
Big Bench Audio 是 Artificial Analysis 自建的语音推理基准,包含 1000 道音频题,改编自 Big Bench Hard,分为四类、每类 250 题:Formal Fallacies(判断演绎论证是否有效)、Navigate(判断导航步骤是否回到起点)、Object Counting(从物品清单中计数特定类别)、Web of Lies(判断文字表述的布尔函数真值)。模型接收音频输入并生成音频输出,按答案对错判分。
这一成绩与开源时的厂商自测口径不同。据智东西 2026 年 10 月 20 日报道,蚂蚁百灵当时公布的对比测试中,Ming-3.0-audio-flash 语音推理成绩为 99.40 分,领先字节 Seed 2.0 Lite、小米 MiMo-V2.6-Pro、阿里 Qwen3.8-Omni-Flash 与谷歌 Gemini 3.8 Flash;本次 99.8% 为 Artificial Analysis 独立评测结果。
数据与规格
榜单前列模型与代表性闭源竞品成绩如下(按准确率降序,数据来源为 Artificial Analysis Speech to Speech 榜单,截至 2026 年 11 月 19 日):
| 模型 | 厂商 | Speech Reasoning 准确率 |
|---|---|---|
| Ming-3.0-audio-flash | 蚂蚁集团 | 99.8% |
| StepAudio 3 Realtime | 阶跃星辰 | 99.7% |
| Qwen Audio 3.0 Realtime Plus | 阿里云 | 99.2% |
| Phonic 1 (High) | Phonic | 98.9% |
| Eleven Realtime v1 Max | ElevenLabs | 98.8% |
| Qwen3.5 Omni Plus Realtime | 阿里云 | 98.7% |
| Grok Voice 3.0 | SpaceXAI | 98.5% |
| Gemini 3.8 Live Extended Thinking (High) | 谷歌 | 97.7% |
| GPT-Realtime-2.1 High | OpenAI | 95.8% |
Ming-3.0-audio-flash 官方模型卡给出的规格如下:
| 项目 | 规格 |
|---|---|
| 开发方 | inclusionAI(蚂蚁百灵) |
| 架构 | 音频编码器 + 投影层 + MoE 语言主干,可选 Talker 语音合成模块 |
| 参数量 | 总参数 126B,单步激活 6.5B |
| 输入 | 音频 + 文本指令 |
| 输出 | 文本,或文本 + 可选合成语音(内置音色或参考音频克隆) |
| 主要语言 | 中文、英文,含多种口音与方言 |
| 上下文 | 128K(vLLM-Omni 参考部署配置) |
| 许可 | MIT |
| 权重平台 | Hugging Face、ModelScope |
官方表示,模型支持复杂语音识别(方言、口音、噪声环境、多说话人录音)、长音频理解、多维感知(语音、非语音声音、声学场景与音乐)、音频推理与音频交互。
开源与部署
Ming-3.0 语音系列于 2026 年 10 月 20 日开源,五款模型分别为 Ming-3.0-tts-0.5B、Ming-3.0-tts-tiny(语音合成)、Ming-3.0-audio-flash、Ming-3.0-audio-tiny(音频理解与对话)、Ming-3.0-asr-tiny(语音识别)。Ming-3.0-audio-flash 代码仓库为 GitHub 的 inclusionAI/Ming-3.0-audio-flash,权重在 Hugging Face 与 ModelScope 开放下载。
部署方面,官方提供三条推理路径:vLLM-Omni 的 128K 参考配置使用 4 张 80GB H800 做张量并行,超长音频输入可切换 8 卡回退配置;SGLang 验证配置使用 4 卡提供文本输出;SGLang-Omni 用 2 卡同时提供转写、音频对话与语音合成,暴露 OpenAI 兼容的 /v1/audio/transcriptions、/v1/audio/speech、/v1/chat/completions 接口,支持通过 ref_audio 与 ref_text 做音色克隆。内置音色包括灵小柔(默认)、灵楷、US_James、US_Stella。网页端可在 Ling Studio(ling.tbox.cn)体验 Audio 系列。
行业观察
此次榜单的一个显著特征是语音推理前三名全部来自中国团队,且榜首为 MIT 协议的开源权重模型,意味着开发者可本地部署该单项成绩超过闭源实时语音旗舰的模型。结合 10 月开源时 99.40 分的厂商自测与本次 99.8% 的第三方独立评测,两套口径相互印证了其在语音推理任务上的表现。
后续关注点在于:Ming-3.0-audio-flash 是否补齐 Agentic Performance、Arena Preference 等数据以参与综合指数排名,以及开源语音栈在会议分析、语音助手、内容配音等场景的实际落地进展。
评论