蚂蚁集团Ming-omni-tts重磅开源：16.8B参数统一音频生成大模型，粤语情感控制超93%，超越SeedTTS引领AIGC音频新范式

💡 站外导读：当前AI语音合成领域正面临多模态协同与精细控制的核心挑战：传统模型往往局限于单一语音生成，难以应对复杂场景下的多音轨需求，且缺乏对方言、情感等细粒度属性的精准调控。蚂蚁集团开源的Ming-omni-tts应运而生，它首次在自回归架构中实现了语音、音乐与音效的统一生成，以16.8B参数规模在粤语方言控制上达到93%的准确率，并将推理延迟压缩至3.1Hz，直接突破了现有技术的天花板。

Ming-omni-tts是什么

Ming-omni-tts 是蚂蚁集团开源的统一音频生成模型，采用自回归架构实现语音、音乐和音效的联合生成。模型支持通过自然语言指令对语速、音调、音量、情感和方言进行细粒度控制，粤语方言控制准确率达93%，情感控制准确率46.7%，超越CosyVoice3。技术上采用统一连续音频Tokenizer和Diffusion Transformer架构，以12.5Hz帧率处理多模态音频，通过”Patch-by-Patch”压缩策略将LLM推理帧率降至3.1Hz，在降低延迟的同时保持音质。16.8B参数版本在Seed-tts-eval中文测试集上WER仅0.83%，超越SeedTTS和GLM-TTS。模型内置100+优质音色，支持零样本声音设计，提供Docker镜像和Gradio演示，适用于有声书、播客、多语言内容创作等场景。

Ming-omni-tts的主要功能

• 统一多模态音频生成：业界首个自回归模型，可在单通道中联合生成语音、环境音和音乐，实现”身临其境”的听觉体验。
• 细粒度语音控制：支持通过简单指令精确控制语速、音调、音量、情感和方言，粤语方言控制准确率高达93%，情感控制准确率达46.7%。
• 智能声音设计：内置100+优质音色，支持通过自然语言描述进行零样本声音设计。
• 高效推理优化：采用”Patch-by-Patch”压缩策略，将LLM推理帧率降至3.1Hz，显著降低延迟。
• 专业文本归一化：准确解析和朗读复杂数学表达式、化学方程式等专业格式，内部测试集CER仅1.97%。
• 多语言支持：支持中文、英文等多种语言的语音合成与跨语言迁移。
• 零样本TTS：仅需3-10秒参考音频即可克隆任意音色，在Seed-tts-eval上WER低至0.83%。

Ming-omni-tts的技术原理

• 统一连续音频Tokenizer：基于VAE的连续Tokenizer，以12.5Hz帧率将语音、音乐和通用音频整合到统一潜空间，支持多模态音频的联合建模。
• Diffusion Transformer (DiT) Head：采用扩散头架构增强音频生成质量，提升音质细腻度和自然度。
• Patch生成策略：采用patch大小为4、回溯历史为32的生成策略，在局部声学细节和长期结构连贯性之间取得平衡。
• 自回归生成架构：业界首个在单通道中联合生成语音、音乐和音效的自回归模型，实现统一音频生成。
• “Patch-by-Patch”压缩机制：通过压缩策略将LLM推理帧率从原始频率降至3.1Hz，大幅降低计算延迟和推理成本。
• 指令微调对齐：通过指令微调实现对语速、音调、音量、情感和方言的细粒度控制，支持自然语言指令解析。

Ming-omni-tts的项目地址

Ming-omni-tts的应用场景

• 有声书与播客制作：支持长文本语音合成，Podcast TTS任务CER仅1.84%，适合有声读物、新闻播报和播客内容生成。
• 多语言内容创作：支持中文、英文等多语言语音合成与跨语言音色迁移，满足全球化内容生产需求。
• 游戏音效设计：可联合生成语音、环境音和音乐，为游戏场景提供沉浸式音频体验。
• 教育培训领域：准确朗读复杂数学表达式、化学方程式等专业内容，适用于在线教育课件和学术讲解。
• 智能客服与助手：内置100+优质音色，支持零样本声音克隆，可快速定制品牌专属语音助手。
• 广告与营销配音：通过情感控制和方言支持，生成富有感染力的广告配音和本地化营销内容。