Ming-3.0-asr

Ming‑3.0‑asr（Ming‑3.0‑asr‑tiny）是蚂蚁集团 inclusionAI（蚂蚁百灵）团队开源的语音识别（ASR，语音转文字）模型套件，采用MIT开源协议，推理代码、模型权重、评测报告全部公开，支持本地离线部署运行。模型为8.6B A2B稀疏架构，经过蚂蚁内部业务大规模工业场景验证，兼顾嘈杂环境识别准确率与本地推理性能。它可以独立使用，也可以和同系列 Ming‑3.0‑tts语音合成模型搭配，搭建完整语音对话链路；已落地于医生语音助手、支付宝语音搜索、实时语音对话、安全核身等蚂蚁内部业务场景。

核心功能与产品特点

1. 高抗噪识别，复杂环境表现稳定 针对真实录音场景优化，能够处理背景噪音、室内混响、远距离拾音、手机通话音频，嘈杂场景下依旧保持较高识别准确率，不局限于安静录音棚。同时支持离线文件转写、流式实时识别两种工作模式。
2. 上下文热词增强（核心特色） 不需要对模型重新微调，推理阶段传入自定义热词列表、对话历史上下文，就可以提升人名、专业术语、产品名词、行业专有词汇的识别正确率，适合医疗、政务、金融、客服等垂直业务场景，显著降低专有名词识别错误。
3. 语言与方言识别能力（基于官方评测表） ✅ 稳定支持主流语言：普通话、英语 ✅ 覆盖14类中文方言（内部评测验证）： 粤语、川渝话、湖南话、闽南话、上海话、安徽话、东北话、河南话、湖北话、江苏话、客家话、陕西话、山东话、天津话、云南话

   说明：该模型在官方benchmark中完成了全部14种方言的效果评测；其中粤语、川渝方言效果相对突出，是官方主推优先适配的方言。

4. 长音频稳定转写，输出时间戳 支持数小时长音频一次性转写，可输出字级时间戳，方便字幕制作、录音归档、会议纪要；支持多人混合录音，区分不同说话人的语音片段。
5. 本地可部署，适配多样硬件 稀疏架构在保证识别精度前提下降低显存消耗，可以在消费级显卡完成本地推理，也支持服务端批量部署。适合会议转写、字幕制作、语音客服、语音笔记、语音机器人等应用。
6. 垂直领域表现优秀 在聊天、政务、医疗健康、知识科普、本地生活五大内部领域数据集都做了专项评测，在专业场景里识别稳定性更好。

底层技术

底层基于 inclusionAI自研 Ling V3 A2B稀疏专家架构，采用音频编码器+大语言模型基座端到端语音识别方案。模型将原始音频信号编码后送入稀疏MoE语言基座，融合上下文对话信息与用户传入的热词提示，直接输出识别文本。A2B稀疏架构只激活部分专家参数，在保有大模型识别能力的同时，控制推理算力开销，实现高抗噪、上下文感知式语音识别。