Ming-3.0-tts-tiny

Ming-3.0-tts-tiny

inclusionAI 的多语言文字转语音模型，可根据短音频克隆声音，也能按描述设计声音，并控制情绪、语速和方言。推理需要它的 GitHub 项目。

由 inclusionAI 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Ming-3.0-tts-tiny 是 Ming-3.0-tts 的小型混合专家检查点，Ming-3.0-tts 是 inclusionAI 的语音合成模型。它的 Ling V3 主干共有 7.9B 参数，每个词元大约激活 1.3B。

这个仓库包含分片权重、配套的模型代码、音频分词器、说话人编码器和文本分词器。它支持七种语言，另外还支持四川话和粤语两种方言。

适合谁：适合想要富有表现力、可控的中文、英文及其他语言语音的开发者和音频团队，并且你要能熟练搭建带 CUDA GPU 的 Python 研究环境。

Industry | Who uses it | How they use it | Example
媒体 | 播客和音频制作人 | 根据脚本生成多人对话 | 根据书面脚本起草的双主持人节目
软件 | 应用开发者 | 加入多种语言的语音回复 | 用粤语回答的语音助手
教育 | 语言课程制作者 | 制作带指定情绪和语速的朗读示例 | 给学习者的慢速清晰句子
娱乐 | 游戏和视频创作者 | 根据文字描述设计声音 | 用平实的话描述出来的旁白声音

如果你需要免 GPU 的简单安装或现成的应用，可以跳过它，因为这是一个带固定环境的研究检查点。

用在哪里：模型通过它的 GitHub 项目里的命令行脚本或 Python API 运行，系统可以是带 CUDA GPU 的 Windows、macOS 或 Linux。

• 命令行，使用 infer_tiny.py 脚本
• Python 代码，使用 MingTinyTTS 类
• 一个 Python 3.10.15 的专用 conda 环境
• 一块 NVIDIA GPU，模型卡推荐 H800

Use case | Who | What they get back
声音克隆 | 音频制作人 | 以一段短参考音频中的声音生成的语音
声音设计 | 创作者 | 根据书面说话人描述生成的声音
方言语音 | 地区内容团队 | 由文字生成的四川话或粤语音频
播客对话 | 播客制作者 | 根据脚本和说话人参考生成的多人音频

如何设置：你需要在专用 conda 环境里装 Python 3.10.15、固定版本的依赖，以及项目的 GitHub 代码，因为 Hugging Face 仓库不提供独立的推理环境。

• conda 和 Python 3.10.15
• 带 CUDA 11.8 的 PyTorch 和 torchaudio 2.7.1，以及 transformers 4.46.3
• 一块 CUDA GPU，推荐 NVIDIA H800
• 约 18 GB 的 BF16 权重空间

1. 从 GitHub 克隆 Ming-3.0-tts 仓库并进入它的文件夹。
2. 创建 conda 环境并安装 tiny 的依赖。
3. 用 hf 命令下载检查点。

cd Ming-3.0-tts
conda create -n ming-tiny python=3.10.15 -y
conda activate ming-tiny
pip install -r requirements-tiny.txt

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

如何使用：运行 infer_tiny.py 脚本，给出任务、你的文本、参考 wav 和输出路径。下面的命令请求生成参考音频风格的粤语语音，并保存为 wav 文件。

python infer_tiny.py \
  --model_path inclusionAI/Ming-3.0-tts-tiny \
  --task dialect \
  --text "今日天气几好，我哋食完饭一齐去海边行下啦。" \
  --dialect 广粤话 \
  --prompt_wav data/wavs/10002287-00000094.wav \
  --output_path output/tiny.wav

在 Python 里，先加载一次模型再调用 generate。模型卡说 generate 对引导系数、温度、流步数和 sigma 都有内置默认值。

from ming_tiny import MingTinyTTS

tts = MingTinyTTS.from_pretrained("inclusionAI/Ming-3.0-tts-tiny", device="cuda:0")
tts.generate(
    task="seed",
    text="傍晚的风从山口吹过来，远处的云慢慢染成了金色。",
    prompt_wav="data/wavs/10002287-00000094.wav",
    prompt_text="在此奉劝大家别乱打美白针。",
    target_language="Chinese",          # English for English text
    output_path="outputs/seed.wav",
)

Tool | What it does
infer_tiny.py | 把文本变成 wav 文件的命令行脚本
ming_tiny.MingTinyTTS | 加载模型并生成语音的 Python 类
hf download | 把检查点文件下载到本地文件夹

示例：你给脚本一句关于好天气和去海边散步的粤语，再配一段短参考录音。它会写出 wav 文件 output/tiny.wav，里面是用粤语说出的这句话。

新手与专家：如果你是新手，请把它当作研究工具，而不是应用。完成安装后，先试上面的粤语命令，再换成你自己的文本。模型卡推荐的内置声音有 UK_George、US_Emma、灵小柔 和 灵楷。

如果你熟悉这个领域：Ling V3 混合专家主干在 7.9B 参数中每个词元大约激活 1.3B。Tiny 需要自己的固定版本环境，与 0.5B 模型不同。模型卡列出了 14 个行内标签，用来表示呼吸、笑声和迟疑等声音，还有 thinking_v1 提示协议。

克隆 GitHub 项目
创建固定版本的 conda 环境
下载检查点
运行 infer_tiny.py 或 MingTinyTTS
写出一个 wav 文件

注意事项：声音克隆会从短音频里复制一个声音，所以只使用你有权使用的声音。Hugging Face 页面用于分发检查点，当前的依赖和用法写在项目的 README 里。

• License: MIT
• Cost to run: 未提及费用，但需要 CUDA GPU
• Data it reaches: 你提供的参考音频，以及你下载的检查点和依赖
• Not for: 只靠 Hugging Face 仓库独立使用，因为推理需要 GitHub 项目

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：transformers
• 参数量：9B
• Weights: about 18 GB in BF16; about 4.5 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：9,080
• 点赞：61
• 许可证：mit
• 语言：zh, en, de, es, fr, ko, ja
• Quantized versions: 8
• Fine-tunes: 3
• 标签：transformers, onnx, safetensors, lingv3_tts, feature-extraction, audio, text-to-speech, voice-cloning, multilingual, mixture-of-experts, speech-generation

链接

• 模型：https://huggingface.co/inclusionAI/Ming-3.0-tts-tiny
• 文件：https://huggingface.co/inclusionAI/Ming-3.0-tts-tiny/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download inclusionAI/Ming-3.0-tts-tiny

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。