تم إصدار Ming-3.0-tts-0.5B مرتين، ولم تُعلن Ant Group عن أيٍّ منهما

ثلاثة تواريخ مرتبطة بـMing-3.0-tts-0.5B، وكل منها يشير إلى حدث مختلف. أُنشئ مستودع Hugging Face في 22 سبتمبر 2026، ورُفعت الأوزان بعد يومين. ولم يكن مستودع GitHub موجودًا حتى 19 أكتوبر 2026، عندما وصل أول commit فيه بعنوان "Initial release of Ming-3.0-tts." وفتح Artificial Analysis صفحة للنموذج في اليوم نفسه ومنحه درجة. لم يكن هناك أي منشور مدونة من inclusionAI، ولا بيان صحفي، ولا خيط إطلاق تمكّنا من العثور عليه في أي من التاريخين. وقت كتابة هذا النص، كانت نقطة الحفظ قد حصلت على ستة تنزيلات وصفر إعجابات؛ وكان مستودع GitHub قد حصل على نجمتين. تُجمع حالات فشل الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات كهذا الإصدار في أرشيف حوادث OrcaRouter AI حيث تحمل كل مدخلة مصادرها الخاصة ودرجة خطورتها ودرجة ثقتها وعلامة كونها محل نزاع.

هذا مهم لكيفية قراءة بقية هذا المقال. نشرت وحدة الأوزان المفتوحة لدى Ant Group نموذجًا صوتيًا كاملًا مرخّصًا بموجب MIT، يتضمن نظامًا بارالينغويستيًا من 14 وسمًا، وتصميمًا للنص إلى الصوت، ولهجتين صينيتين، وجدولًا كاملًا لنتائج المعايير. كما أنها حتى الآن امتنعت عن إخبار أي أحد به. ما يلي يفصل بين ما يثبته المستودع وما لا يستطيع تأكيده سوى Ant.

التواريخ الثلاثة، وما يغطيه كل واحد منها فعليًا

الارتباك ليس مفتعلًا. فمستودعا Ant الخاصان به يتناقضان علنًا، وليس أي منهما مخطئًا.

• 22 سبتمبر 2026، 12:46 UTC — تم إنشاء مستودع Hugging Face بعملية commit أولية تتكوّن من ملف README مؤقت. لا توجد أوزان بعد.

• 24 سبتمبر 2026، 04:21 UTC — تصل نقطة التفتيش عبر إيداع upload-large-folder، ثم يتبعها بعد عشرين دقيقة ملف README خاص بالنموذج. من هذه اللحظة يصبح النموذج قابلاً للتنزيل، ولا يكاد أحد ينزّله.

• 19 أكتوبر 2026، 07:03 UTC — تم إنشاء مستودع GitHub. وعند الساعة 08:58 UTC، تتضمن أول عملية commit بعنوان «الإصدار الأول من Ming-3.0-tts» شيفرة الاستدلال، وملف Dockerfile، ونصوص أمثلة بنقرة واحدة، وكتيّب مهام. وتستمر عمليات commit الخاصة بالتوثيق طوال فترة ما بعد الظهر.

يقول قسم News في ملف README على GitHub إن نموذجي 0.5b وtiny صدرا في "2026.10". ولا تذكر بطاقة Hugging Face أي تاريخ على الإطلاق. وكلاهما يصف الأثر نفسه: فقد كان الـ checkpoint موجودًا في سبتمبر، ووصل الإصدار القابل للاستخدام — من الشيفرة وتثبيتات البيئة والأمثلة — في أكتوبر. إذا كنت تؤرخ النموذج لوثيقة مشتريات، فإن 22 سبتمبر هو تاريخ إتاحته للعموم؛ وإذا كنت تؤرخه بوصفه شيئًا يمكنك تشغيله، فإن 19 أكتوبر هو الإجابة الصادقة.

ما لا يمكننا إخبارك به هو السبب. فالطرح الهادئ أمر طبيعي بالنسبة لمنظمة بحثية تتوقع أن تتولى بطاقة النموذج مهمة التوضيح. وهو أيضًا ما يبدو عليه الإصدار المرحلي عندما يكون هناك إعلان أكبر مخطط له. لا شيء في أي من المستودعين يحدد أيهما، ولن نخمن.

ما الموجود داخل نقطة التحقق 0.5B؟

النموذج مولّد كلام كثيف مبني على عمود فقري Qwen2.5-0.5B، مع رأس patch بمحوّل انتشار ومُرمِّز صوتي منفصل. حزمة الإصدار أكثر من مجرد نموذج لغوي: يضم المستودع العمود الفقري، ورأس DiT، وVAE الصوتي، ومُرمِّز المتحدث CAM++ بصيغة ONNX، ومُرمِّز النص، كلها في مجلد واحد. قرار التغليف هذا يفسر تباينًا ستصادفه فورًا.

• المعاملات — تشير بطاقة الطراز واسمه إلى 0.5B؛ غير أنّ البيانات الوصفية الخاصة بـ Hugging Face تُدرج المستودع عند 1B، وحجم ملف model.safetensors الوحيد هو 2.96 GB. رقم 0.5B هو العمود الفقري اللغوي. أمّا الحزمة التي تُنزّلها فعليًا فهي أكبر بنحو ثلاثة أضعاف ذلك بصيغة bf16.

• الخرج — صوت بتردد 44.1 kHz، وهو أعلى من معظم إصدارات TTS المفتوحة، وهو أحد الادعاءات القليلة هنا التي يمكنك التحقق منها في عشر ثوانٍ باستخدام أداة فحص الملفات.

• اللغات — الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، بالإضافة إلى السيتشوانية والكانتونية عند تقديم مقطع مرجعي باللهجة.

• الأصوات — استنساخ صوتي بدون تدريب مسبق من مقطع مرجعي قصير، وتصميم الصوت من وصف باللغة الطبيعية، ومجموعة مدمجة تضم أكثر من 100 صوت صيني وخمسة أصوات إنجليزية.

• التحكم — 14 وسمًا مضمّنًا للضحك والتنهدات والسعال واللّفظ وتردّد الصوت، إضافةً إلى إعدادات صريحة للانفعال والسرعة والنبرة ومستوى الصوت. وتصرّح البطاقة بصراحة بأن النبرة هي الأقل دقة بين الإعدادات الأربعة.

• المهام — TTS، تعليمات حرة الصياغة، تصميم الصوت، متعدد اللغات، السمات الأساسية، العاطفة، اللهجة، ووضع الصوت المدمج. عناصر التحكم حصرية بشكل متبادل بحكم التصميم: لا يمكن الجمع بين الصياغة الحرة وتصميم الصوت أو الصوت المدمج.

• الترخيص — MIT، للأوزان والشفرة على حد سواء. يطلب إخلاء مسؤولية الاستخدام الخاص بـ Ant ألّا تنتحل شخصية الآخرين دون موافقتهم وأن تُوسم اللغة الاصطناعية، وهو طلب وليس شرطًا من شروط الترخيص.

هناك نموذج ثانٍ في الإصدار نفسه. Ming-3.0-tts-tiny هو تصميم قائم على مزيج من الخبراء فوق نواة Ling V3، بإجمالي 7.9 مليار معامل مع 1.3 مليار نشط، ويضيف توليد بودكاست متعدد المتحدثين لا يمتلكه نموذج 0.5B. إذا كان اهتمامك بالتحديد بالنموذج الصغير، فالإطار المفيد هو أن 0.5B هو النشر الخفيف وtiny هو سقف القدرات — وليس أن أحدهما يحل محل الآخر.

جداول المعايير، ومن أنتجها

كل رقم في بطاقة النموذج مصدره منظومة التقييم الخاصة بـ Ant. هذا ليس انتقادًا — بل هذا هو ما يعنيه جدول الإصدار — لكن الجداول تُقتبس في مواضع أخرى دون هذه التسمية، فها هو ذا.

• Seed-TTS بدون أمثلة، الصينية — معدل خطأ الكلمات 0.800%، تشابه المتحدث 0.758.

• Seed-TTS بنمط Zero-shot، الإنجليزية — معدل خطأ الكلمات 1.584%، تشابه المتحدث 0.691.

• NVBench للسمات غير اللغوية، حدث واحد — معدل خطأ الأحرف الصينية 2.70، والإنجليزية 7.60.

• Dialect، WSC-Eval-TTS-easy — معدل خطأ في الأحرف 2.27٪، ودقة 80.68٪.

• تصميم الصوت، InstructTTSEval-ZH — متوسط 72.29%.

• التحكم الأساسي في السمات — متوسط 93.30%، مع معدل خطأ في الكلمات 0.317%.

الجزء المثير للاهتمام هو ما تقوله الجداول نفسها في مواجهة المنافسين الذين اختارهم النموذج بنفسه. في معدل الخطأ الصفري للصينية، تسجل CosyVoice3-1.5B نسبة 0.710% وQwen3-TTS-12Hz-1.7B-Base نسبة 0.770%، وكلاهما أفضل من نسبة Ming البالغة 0.800%. وفي تشابه المتحدث، يتفوق الرقم 0.780 لدى CosyVoice3-0.5B على 0.758 لدى Ming. وفي معدل الخطأ الإنجليزي، يبلغ Qwen3-TTS-12Hz-1.7B-Base نسبة 1.240% مقابل 1.584% لدى Ming.

إذن، لا تدّعي Ming-3.0-tts-0.5B أنها الأكثر دقة حتى داخل مجموعة المقارنة الخاصة بها، ولا تحتاج إلى ذلك. تكمن نقاط قوتها في الأعمدة التي لا تغطيها الأخريات: التحكم في اللهجات، وتصميم الأصوات، ومجموعة السمات شبه اللغوية التي تتصدر فيها معظم فئات الأحداث المفردة. اقرأ البطاقة على أنها «تحكم واسع بنصف مليار معامل في العمود الفقري»، لا على أنها «أفضل معدل خطأ»، وستجدها تصمد.

البطاقة أيضًا على استعداد غير معتاد لتسمية نقاط ضعفها، وهو أمر جدير بالتكرار لأن معظم البطاقات لا تفعل ذلك: فتشابه المتحدث يأتي أدنى من دقة المحتوى، وتشابه الفرنسية هو أوضح فجوة متعددة اللغات، والجمل شبه اللغوية متعددة الأحداث لا تزال غير مستقرة، ويتراجع التحكم في المشاعر عندما لا تحمل الكلمات نفسها أي إشارة عاطفية، كما أن تصميم الصوت المفتوح لا يضاهي بعد أقوى نظام جرى قياسه مقارنة به.

وصل أول رقم مستقل قبل أن يصل الإعلان.

أضافت Artificial Analysis نموذج Ming-3.0-tts إلى ساحة الكلام لديها في 19 أكتوبر، وربطت الإدخال بنقطة التحقق نفسها بحجم 0.5B، وهو ما يحسم سؤالًا تتركه بطاقة النموذج مفتوحًا: النموذج الذي جرى تقييمه هو النموذج الصغير. لوحان ونتيجتان، وهما تشيران في اتجاهين مختلفين.

• Provider Voice، حيث يستخدم كل نموذج أصواته الأصلية — Elo 1,188، فاصل 95% من 1,173 إلى 1,203، في المرتبة 19 من أصل 98 نموذجًا على لوحة التصنيف والثالث بين نماذج الأوزان المفتوحة، خلف Fish Audio Drama 3 Preview عند 1,245 وBreeze T​TS 2 عند 1,220.

• Controlled Voice، حيث يستنسخ كل نموذج الأصوات المرجعية الثمانية نفسها — Elo 1,069، والفاصل من 1,053 إلى 1,085، والمركز الرابع عشر إجمالًا والأول بين نماذج مفتوحة الأوزان، متقدمًا على Fish Audio Drama 3 Preview عند 1,059 وBreeze T​TS 2 عند 1,019.

• السرعة — وسيط 42.1 حرفًا في الثانية من زمن التوليد على أجهزة Artificial Analysis، مع وسيط زمن توليد قدره 2.46 ثانية لكل طلب. وللمقارنة، يقيس Simba 3.2 سرعة 77.8 حرفًا في الثانية وQwen-Audio-3.0-TTS-Plus 25.6 على المنصة نفسها.

هذا التقسيم هو أنفع ما نشره أحد عن هذا النموذج. فصوته المستنسخ ينافس أفضل أنظمة الأوزان المفتوحة في القائمة؛ أما مجموعة أصواته الخاصة به فليست كذلك. وأيّاً كانت تسجيلات صوت Ant الأصلية، فهي الجزء الذي يسحب رتبة أصوات المزوّد إلى الأسفل، وهذه مشكلة هندسية قابلة للإصلاح لا مشكلة معمارية.

ادعاء أحد المورّدين لم نتمكن من التحقق منه: تذكر صفحة المشروع أن Ming-3.0-tts يحتل المرتبة الأولى إجمالًا في مقياس متانة النطق لدى Artificial Analysis بنسبة 93.2%، والأولى في فئتين فرعيتين من فئاته. المقياس موجود وتنشره Artificial Analysis، لكن قيمة كل نموذج على حدة غير ظاهرة في بيانات الصفحة التي تمكنا من قراءتها، لذا تعامل مع 93.2% كرقم صرّح به المورّد إلى أن ترى المخطط الشريطي بنفسك.

يستغرق تشغيله حوالي عشرين دقيقة وثلاثة إصلاحات

مستودع Hugging Face ليس سوى إصدار لنقاط تفتيش. ويذكر ذلك تنبيه قرب الأعلى: فالاستدلال يتطلب مشروع GitHub، وPython API وCLI المشار إليهما في البطاقة يأتيان من هناك. هذا هو أول عائق، وهو سبب كون مستودع أكتوبر أكثر أهمية من رفع سبتمبر.

الثاني هو تطبيع النص. تتولى قواعد FST، التي تحتاج إلى pynini، معالجة الأرقام والتواريخ والوحدات والرموز؛ ولا تتوفر لـ pynini حزمة wheel عالمية؛ وتوجّهك تعليمات Ant نفسها إلى conda-forge للإصدار 2.1.6. إذا كنت تفضّل عدم ذلك، فإن --no_text_normalization يتجاوزه وترث شكل نصك الحالي كما هو. بالنسبة إلى خط أنابيب سرد في بيئة الإنتاج، يمثل ذلك قرارًا حقيقيًا وليس مجرد حاشية.

العامل الثالث هو العتاد. البيئة مثبّتة على PyTorch 2.6 وCUDA 12.4 وtransformers 4.46.3، مع توفير Dockerfile، وقد اختُبرت على H800-80GB وH20-96G. وflash-attn اختياري، ويتراجع الاستدلال إلى PyTorch SDPA. ولا شيء في الإصدار يشير إلى أن هذا يعمل بشكل مريح على بطاقة استهلاكية، ولم ينشر أحد خارج Ant رقم إنتاجية على عتاد أصغر بعد.

أدنى استدعاء قابل للتطبيق، بعد تجهيز البيئة، هو استدعاء واحد لواجهة سطر الأوامر (CLI) مع مقطع مرجعي والنص المكتوب الخاص به — إذ يكون الاستنساخ مشروطًا بكليهما، مع تفعيل ‎--use_spk_emb‎ للتهيئة بتضمين المتحدث. هناك أيضًا سكربت فحص مسبق يتحقق من checkpoint والمُرمِّز دون تحميل الأوزان، ويستحق التشغيل قبل أن تصرف تخصيص GPU على تنزيل سيئ.

ما الذي لا يزال غير قابل للمعرفة

أربعة أمور من شأنها أن تغيّر الطريقة التي ينبغي أن يُقيَّم بها هذا النموذج، ولا يوجد أيٌّ منها بعد.

لا توجد نقطة نهاية مستضافة ولا سعر. تُدرج Artificial Analysis حقل السعر فارغًا لأنه لا يوجد ما يمكن تسعيره — الطريقة الوحيدة لاستدعاء هذا هي تشغيله. هذا أمر جيد لفريق يملك وحدات GPU ومشكلة لكل من عداهم، وهو أكبر فرق عملي منفرد بين هذا الإصدار والأصوات المستضافة التي ستُقارن بها.

لا يوجد تقرير تقني. تُدرج خارطة طريق GitHub ذلك كمربع غير مؤشَّر عليه، وقد أزال Ant إشارة سابقة إلى تقرير غير مؤكد من بطاقة النموذج. وهذا يترك وصف البنية على مستوى مخطط وفقرة، وهو ما يكفي لتشغيل النموذج ولا يكفي لإعادة إنتاج ادعاءات التدريب.

لا يوجد تكرار مستقل لمعدل الخطأ. أرقام Seed-TTS وNVBench هي أرقام Ant، وقد قيست باستخدام بروتوكول Ant وإعدادات الاستدلال الموصى بها من Ant. درجة الساحة مستقلة لكنها تقيس التفضيل، لا الدقة. لم ينشر أحد خارج المختبر معدل خطأ الكلمات لهذه نقطة التحقق.

ولا يوجد أي بيان بالنوايا. فعدم الإعلان يعني عدم وجود التزام بالدعم، ولا سياسة للتوقف عن الدعم، ولا أي إشارة إلى ما إذا كانت هناك خدمة مُستضافة قادمة. وبالنسبة لإصدار بحثي بموجب رخصة MIT، فقد يكون ذلك متعمدًا تمامًا. أما بالنسبة لأي شخص يخطط لإدراجه في منتج ما، فهو خطر لا بد من احتساب ثمنه.

لا يقوم OrcaRouter بتوجيه Ming-3.0-tts-0.5B، ولا ينبغي قراءة هذا الجزء على أنه يوحي بغير ذلك — فلا يتضمن الكتالوج أي نموذج صوتي من Ming. ما يتضمنه الكتالوج هو بقية خط أنابيب صوتي: openai/tts-1 وtts-1-hd، وgpt-4o-mini-tts، ومعاينات Gemini TTS، وكلها بسعر قائمة المزوّد دون أي هامش ربح مضاف، وأكثر من 200 نموذج نصي خلف المفتاح نفسه للنصف الآخر من النظام الذي يكتب النص أو يقود الوكيل. إذا كنت تقيّم نموذجًا صوتيًا مفتوح الأوزان غير مُثبت، فالنشر الحكيم هو إبقاؤه خارج المسار الحرج حتى يستحق مكانه؛ والتحويل التلقائي عند الفشل بين المزوّدين هو ما يُبقي النصف النصي من خط الأنابيب هذا يعمل بينما تقرر.

الإشارة الحقيقية التالية لن تكون جدول تقييم آخر، بل ستكون أول شخص خارج Ant يشغّل نقطة حفظ (checkpoint) بحجم 0.5B على صوته الخاص وينشر ما الذي انكسر. وإلى أن يحدث ذلك، فإن الملخص القابل للدفاع عنه يبقى ضيقًا: صوت متعدد اللغات بترخيص MIT وتردد 44.1 كيلوهرتز وقدرات حقيقية، يحقق أفضل نتيجة في اللوحة المستقلة للصوت المستنسخ بأوزان مفتوحة، مع طاقم أصوات أصلية أضعف، وإصدار لم يُعلن عنه، وبلا موطن مستضاف. ذلك أثر بحثي واعد، وليس بعد قرارًا يتعلق بالمنتج.