Ming-3.0-tts-0.5B

Ming-3.0-tts-0.5B

把文字转成七种语言的语音，包括中文和英文。它能用一段短音频复制声音，按描述设计新声音，并控制情绪、语速、音高和音量。

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-0.5B 是 inclusionAI 发布的文字转语音模型检查点。它能用中文、英文、德文、西班牙文、法文、韩文和日文朗读文字，还支持四川话和粤语。

它可以从一段简短的参考录音复制声音，也可以根据文字描述生成新声音。模型建立在 Qwen2.5-0.5B 骨干之上。

适合谁：适合想自己运行语音生成器的开发者和音频创作者，你可以用标签、情绪和语速设置来控制效果。

Industry | Who uses it | How they use it | Example
软件 | 为应用添加语音输出的开发者 | 在应用里调用 Python API | 用中文或英文朗读助手的回复
媒体 | 视频和音频剪辑师 | 用选定的表达风格生成旁白 | 带呼吸或笑声标签的配音
教育 | 语言课程制作者 | 生成多种语言的口语句子 | 韩语或法语的练习句
无障碍 | 开发朗读功能的团队 | 用内置声音把文章转成语音 | 长文的朗读版本

如果你想要现成的应用，可以跳过它，因为这个仓库只有检查点，运行还需要另外的代码。

用在哪里：

• 终端，通过 infer.py 脚本
• Python 程序，通过 MingTTS 类
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件
• NVIDIA GPU 机器，作者说他们在 CUDA 12.4 上测试过

Use case | Who | What they get back
用短音频克隆声音 | 有权使用该声音的创作者 | 一个带参考声音的 wav 文件
按描述设计声音 | 游戏和应用开发者 | 按你的描述生成的新说话人
内置声音 | 需要快速旁白的人 | UK_George、US_Emma、灵小柔 或 灵楷 的语音

只克隆你有权使用的声音。

如何设置：

• Python 和 pip
• 来自 GitHub 的 Ming-3.0-tts 代码，里面有推理脚本和依赖列表
• 没有说一定要 GPU，但作者在 NVIDIA H800 和 H20 显卡上测试过

1. 安装 Hugging Face 下载工具并下载检查点。
2. 从 GitHub 克隆 Ming-3.0-tts 代码并进入它的文件夹。
3. 安装它的依赖。
4. 可选：安装 pynini 来规范数字和日期，或者加参数跳过。

pip install -U huggingface_hub
hf download inclusionAI/Ming-3.0-tts-0.5B

pip install -r requirements.txt

conda install -c conda-forge pynini==2.1.6

如何使用：运行 infer.py 脚本，给出任务、语言和文字。要克隆声音，再加上参考录音和它的文字稿。output 选项决定 wav 文件的保存位置。

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/wavs/10002287-00000094.wav \
  --prompt_text "在此奉劝大家别乱打美白针。" \
  --use_spk_emb \
  --output output/tts.wav

Tool | What it does
infer.py | 运行任务并输出音频的命令行脚本
ming_tts.MingTTS | 带 synthesize 调用的 Python 类，功能相同
TTS | 朗读文字，可选用参考声音
VOICE_DESIGN | 根据文字描述的说话人生成声音
FREEFORM | 按自由形式的指令控制表达和风格
MULTILINGUAL | 朗读德语、西班牙语、法语、韩语或日语，需要语言 ID
EMOTION and DIALECT | 控制情绪，或四川话和粤语的发音

示例：你给上面的命令一句关于傍晚山口风的中文，再加一段短录音和它的文字稿。模型会用录音里的声音朗读这句话，并把它存成输出文件夹里的 wav 文件。

新手与专家：如果你是新手，就把它当作声音生成器。先下载文件，再照 GitHub 的说明把一句简短的英文变成 wav 文件，然后听一听。

如果你熟悉这个领域，检查点里包含基于 Qwen2.5-0.5B 的骨干、DiT 头、音频分词器、说话人编码器和文本分词器。输出是 44.1 kHz。文本规范化通过 pynini 使用 FST 语法，flash-attn 是可选的，因为推理会回退到 PyTorch SDPA。

选择任务和语言
输入文字和可选的参考音频
运行 infer.py 或 MingTTS 类
得到 wav 文件

注意事项：

• 权重：据 Hugging Face，BF16 下约 3 GB
• Freeform 是单独的任务，所以不能和声音设计、内置声音、情绪或方言选项混用
• 十四个行内标签涵盖呼吸、咳嗽、叹气、笑声、犹豫和惊讶的声音
• License: MIT
• Cost to run: 没有提到
• Data it reaches: 它下载的检查点，你的文字，你提供的参考录音，以及它写出的 wav 文件
• Not for: 直接从这个仓库独立使用，因为推理代码在别处

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：transformers
• 参数量：1.5B
• Weights: about 3 GB in BF16; about 740 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：14,756
• 点赞：225
• 许可证：mit
• 语言：zh, en, de, es, fr, ko, ja
• Quantized versions: 17
• Fine-tunes: 4
• 标签：transformers, onnx, safetensors, dense, text-generation, audio, text-to-speech, voice-cloning, multilingual, speech-generation

链接

• 模型：https://huggingface.co/inclusionAI/Ming-3.0-tts-0.5B
• 文件：https://huggingface.co/inclusionAI/Ming-3.0-tts-0.5B/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-0.5B

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。