يمتلك Ming-3.0-tts-tiny أفضل صوت مستنسخ في العائلة ويحتل المرتبة السادسة في اللغة الكورية

أفضل درجة تشابه بين المتحدثين في عائلة النماذج الصوتية الجديدة لدى مجموعة Ant تعود إلى النموذج صاحب أقل عدد من المعاملات النشطة. Ming-3.0-tts-tiny هو نقطة تحقق بنمط خليط الخبراء بحجم 7.9 مليار معامل، تُنشّط نحو 1.3 مليار معامل لكل رمز، وعلى مجموعة Seed-TTS الصينية يسجّل 0.781 في تشابه المتحدثين — وهو أعلى رقم في جداول Ant المنشورة كافة، وأعلى من 0.758 التي يحققها نظيره الأصغر. أما في الكورية، فيحلّ النموذج نفسه سادسًا بين الأنظمة الثمانية التي قاستها Ant، بمعدل خطأ حرفي 6.000%، بينما يبلغ النظير ذو 0.5 مليار معامل 1.728%. الرقمان كلاهما من أداة الاختبار نفسها التي يوفّرها المورّد، نفّذها الفريق نفسه في اليوم نفسه. والمسافة بينهما هي أنفع ما في هذا الإصدار. تُجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة التي تقف خلف إصدارات كهذا في the OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته وتصنيف ثقته وعلامة كونه محل خلاف.

لم يُعلَن عن أي من هذا. ظهرت نقطة الحفظ على Hugging Face في 24 سبتمبر 2026، بعد يومين من إنشاء المستودع نفسه؛ ولم تظهر شيفرة الاستدلال والنصوص البرمجية التوضيحية وكتيّب وصفات المهام إلا في 19 أكتوبر، حين فُتح مستودع GitHub وسُجّل أول إيداع فيه عند 08:58 UTC. عند كتابة هذه السطور، كان مستودع Hugging Face قد حصل على 20 تنزيلًا و3 إعجابات، وكان مستودع GitHub قد حصل على خمس نجوم. لذا تعامل مع ما يلي باعتباره قراءة في المخرجات لا تقريرًا عن إطلاق: كل ما هنا قابل للتحقق في المستودعات، والأجزاء التي ليست كذلك موسومة بذلك.

النتيجة الكورية ليست خطأ في التقريب

يقارن جدول Ant متعدد اللغات النموذج الصغير بسبعة أنظمة أخرى على ست لغات. اقرأ الصف كاملًا بدلًا من العنوان الرئيسي.

• الألمانية — معدل خطأ في الأحرف 0.325%، الأول من بين الثمانية، متقدماً على أفضل نتيجة تالية عند 0.612%.

• الإسبانية — 0.971%، في المركز الأول، بينما جاء الوصيف بنسبة 1.184%.

• اليابانية — 3.427%، بالتعادل في المركز الثاني.

• {{1}}الفرنسية{{/1}} — 3.470%، في المرتبة الثانية، لكن بتشابه متحدث يبلغ 0.733 لا يجعلها ضمن أفضل ثلاثة؛ يذكر الجدول ذلك في قسم القيود الخاص به.

• الكورية — 6.000%، السادسة من أصل ثمانٍ، واللغة الوحيدة التي يُهزم فيها النموذج أمام نظام يتفوّق عليه النموذج في كل مكان آخر.

• الصينية والإنجليزية — اللغتان اللتان بُني النموذج حولهما فعليًا، واللغتان اللتان يتقدّم فيهما من حيث تشابه المتحدث.

رقم اللغة الكورية يعادل نحو ثلاثة أضعاف ونصف معدل الخطأ لدى Ming-3.0-tts-0.5B على اللغة نفسها. لا يوضح Ant السبب، ولا تخمّن بطاقة النموذج. ما يمكن قوله دون تخمين هو أمر بنيوي: هذا نموذج متفرّق، والنماذج المتفرّقة توجّه الرموز (tokens) عبر مجموعة فرعية من الخبراء، لذا فإن لغة تلقّت إشارة تدريب أقل في المزيج قد تتدهور أسرع مما لو كانت في نموذج كثيف بحجم إجمالي مماثل. هذه آلية محتملة، وليست نتيجة، وينبغي التعامل معها كفرضية تحتاج إلى اختبار لا كتفسير. القراءة العملية أضيق وأكثر قابلية للدفاع: إذا كانت الكورية ضمن منتجك، فهذه ليست نقطة التحقق (checkpoint) التي ينبغي اللجوء إليها حتى يشغّلها أحدهم على نص كوري حقيقي.

إلى أين تذهب 7.9 مليار معلمة فعليًا

الاسم يوحي بالصِّغر؛ أما أحجام الملفات فتقول عكس ذلك، والفجوة تكمن في البنية.

• إجمالي المعاملات — تُفيد البيانات الوصفية على Hugging Face بوجود 8,980,964,372 بصيغة BF16 إضافة إلى 40,096 بصيغة F32، ويشغل المستودع نحو 18 غيغابايت. ويصف الإصدار النموذج بأنه 7.9B-A1.3B، أي 7.9 مليار إجمالًا ونحو 1.3 مليار نشطة لكل رمز. وقد صُحّح هذا الوصف في بطاقة النموذج في 16 أكتوبر، بدلًا من صياغة أسبق، لذا اقتبس الصيغة الأحدث.

• العمود الفقري — Ling V3، العائلة نفسها التي تستخدمها Ant لنماذجها النصية الأكبر، ويُشغَّل كمزيج من الخبراء بدلاً من مكدس كثيف.

• الرأس — محوّل انتشار يحوّل الحالات المخفية للعمود الفقري إلى كامنات صوتية، يتبعه مُرمِّز صوتي منفصل يفكّها إلى شكل موجة.

• حزمة — تُشحن نقطة التحقق بالعمود الفقري ورأس DiT ومُرمِّز صوتي ومُرمِّز المتحدث CAM++ ومُرمِّز النص في مجلد واحد. أنت تُنزِّل خطّ معالجة، لا نموذجًا لغويًا مُثبَّتًا عليه مُهايئ.

• المخرجات والأصوات — نفس سطح التحكم الواسع كما في بقية العائلة: استنساخ صوتي بدون أمثلة (zero-shot) من مقطع مرجعي قصير، وتصميم صوت من وصف باللغة الطبيعية، وتحكم حر في الأسلوب، وأكثر من 100 صوت صيني مدمج وخمسة أصوات إنجليزية، و14 وسمًا شبه لغوي مضمّنًا للضحك والتنهدات والأنفاس والتردد، إضافة إلى إعدادات صريحة للعاطفة والسرعة وطبقة الصوت ومستوى الصوت.

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

• الترخيص — MIT للأوزان والشيفرة، مع ملاحظة استخدام تطلب منك عدم انتحال شخصية الأشخاص دون موافقتهم، ووسم الصوت الاصطناعي. تلك الملاحظة طلبٌ، وليست شرطًا من شروط الترخيص.

النتيجة الغريبة هي أن «tiny» عبارة عن بيان بشأن الحوسبة لكل token، وليس عن القرص أو VRAM. فأنت تنفق ذاكرة نموذج بحجم 7.9B وتحصل على سرعة نموذج بحجم 1.3B، وهو مقايضة معقولة للتوليد بالدفعات وسيئة للحاسوب المحمول. بيئة Ant نفسها تحدد H800 كالبطاقة الموصى بها، ولا شيء في الإصدار يشير إلى خلاف ذلك.

الأعمدة الخمسة التي يفوز بها

كل رقم في هذا القسم خاص بـ Ant، وقد قِيس باستخدام أداة التقييم الخاصة بـ Ant وبإعدادات الاستدلال الموصى بها من Ant، ولا يوجد إلا في بطاقة النموذج. وتكتسب التسميات هنا أهمية أكبر من المعتاد، لأن هذه هي الأرقام التي ستُقتبس في مواضع أخرى من دونها.

• تشابه المتحدث، الصينية بدون أمثلة (zero-shot) — 0.781، الأفضل في مجموعة المقارنة، بمعدل خطأ في الكلمات 0.820%. أما الإنجليزية فتصل إلى تشابه 0.728 عند معدل خطأ 1.666%، وهو أيضًا أفضل تشابه في عموده.

• شبه لغوي أحادي الحدث، NVBench — يتصدّر النموذج جميع فئات الوسم المفرد الست: الصينية 2.80 خطأ / 17.23 تشابه / 3.20 درجة، والإنجليزية 5.86 / 32.95 / 7.05. وفي الجمل متعددة الأحداث يتصدّر العمود الإنجليزي عند 5.12 / 46.13 / 7.68 ويحلّ في منتصف الترتيب في الصينية عند 4.49 / 32.88 / 5.81.

• اللهجة — مجموعة WSC-Eval-TTS السهلة: خطأ الأحرف 2.53%، التشابه 0.721، الدقة 86.09%; المجموعة الصعبة: 3.11%، 0.738، 88.94%. وكلاهما الأول من نوعه في جدول Ant. تبلغ الكانتونية 7.40% / 0.605 / 92.90 في المجموعة الأساسية و8.67% / 0.653 / 95.16 في مجموعة التغطية.

• العاطفة — 74.00% في المتوسط على مجموعة CV3 الصينية و30.67% على CV3N، والأولى في كلتا المجموعتين الفرعيتين Sad، وغير ملحوظة في ما عدا ذلك.

• تصميم الصوت — 75.37% في المتوسط على InstructTTSEval-ZH، والمركز الثاني إجمالًا، مع درجات مطالبات السمات 85.10، والوصف 79.90، ولعب الأدوار 61.10. لعب الأدوار هو الجانب الضعيف: المركز الرابع، وبطاقة النموذج تذكر ذلك.

جدول السمات الأساسية هو الأقل بريقًا وربما الأكثر فائدة: 93% في العمر، و93% في الجنس، و78.70% في النبرة، بمتوسط 88.23% مع معدل خطأ في الكلمات قدره 0.274% وتشابه 0.742. النبرة هي الأضعف بين عناصر التحكم الأربعة، وهو ما يتطابق مع ما تبلغ عنه كل الأنظمة الأخرى في هذه الفئة.

رقم البودكاست هو السبب الحقيقي للانتباه إلى هذا

نموذج 0.5B لا يستطيع توليد بودكاست متعدد المتحدثين. أما النموذج الصغير جدًا فيستطيع، وهو أفضل نتيجة لدقة المحتوى في المقارنة على جدول البودكاست الخاص بـ Ant.

• Ming-3.0-tts-tiny — معدل خطأ الأحرف 2.03%، وتشابه المتحدث الشرطي 0.561، وUTMOS 2.12.

• SoulX-Podcast — 2.20% / 0.599 / 2.09.

• ZipVoice-Dia — 3.39% / 0.553 / 2.24.

• FireRedTTS2 — 3.34% / 0.512 / 1.90.

• MOSS-TTSD — 8.62% / 0.421 / 1.70.

• VibeVoice-1.5B — 12.87% / 0.455 / 1.74.

• MoonCast — 27.43% / 0.441 / 1.76.

الأول في معدل الخطأ بفارق ضئيل، والثاني في كل من التشابه والطبيعية، والفجوة في الطبيعية هي المثيرة للاهتمام: يتقدم ZipVoice-Dia بمقدار 0.12 UTMOS بينما يكون أسوأ بنقطة 1.36 في الدقة. هذه مقايضة حقيقية وليست فرقًا ناتجًا عن التقريب، وهي توحي بأن التنغيم الحواري للنموذج الصغير هو الشيء التالي الذي ينبغي تحسينه بدلًا من نسخه النصي. وكما هو الحال مع كل شيء آخر في هذا القسم، لم يقم أحد خارج Ant بتشغيل بودكاست عبره ونشر النتيجة.

ما لا تُثبته المستودعات

هناك أربع ثغرات يجدر تسميتها قبل أن يضعها أحد في منتج.

لا توجد درجة مستقلة لنقطة التحقق هذه. تُدرج Artificial Analysis مدخلًا باسم Ming-3.0-tts في ساحتها للكلام — 1,188 نقطة Elo في لوحة Provider Voice و1,069 في Controlled Voice اعتبارًا من 19 أكتوبر — لكن ذلك المدخل مرتبط بالطراز 0.5B، لا بهذا الطراز. يعيد README على GitHub إنتاج أرقام الساحة تلك في قسم النتائج دون هذا التمييز، وهو نوع التفاصيل التي تتحول إلى ادعاء خاطئ بعد إعادة نشرين. لا يملك Ming-3.0-tts-tiny نتيجة ساحة منفصلة، ولا إنتاجية مقاسة، ولا معدل خطأ كلمات من طرف ثالث.

لا يوجد تقرير تقني. تُدرجه خارطة الطريق كخانة غير مؤشَّرة، وفي 16 أكتوبر عُدِّلت بطاقة النموذج تحديدًا لإزالة إشارة إلى واحد. وهذا يترك البنية المعمارية عند مستوى مخططٍ وفقرة: يكفي لتشغيل النموذج، ولا يكفي لإعادة إنتاج ادعاءات التدريب.

لا توجد نقطة نهاية مستضافة ولا سعر. الطريقة الوحيدة لاستدعاء هذا هي تخصيص وحدة GPU وتشغيل الشيفرة، وهو أمر مختلف تمامًا عن مقارنته بسعر لكل حرف.

ولا يوجد أي بيان نوايا. عشرون عملية تنزيل وثلاثة إعجابات ليست إشارة إلى الجودة — بل هي إشارة إلى أن لا أحد قد أُخبر. وغياب الإعلان يعني غياب الالتزام بالدعم، وغياب سياسة التوقف التدريجي، وغياب أي مؤشر على ما إذا كانت ستتبعها خدمة مُستضافة.

تشغيله، إذا أردت.

مستودع Hugging Face هو إصدار لنقاط حفظ (checkpoint)، وتنص بطاقته بوضوح على أن الاستدلال يتطلب مشروع GitHub. ولهذا السبب فإن إيداع أكتوبر أهم من رفع سبتمبر. البيئة مثبتة على Python 3.10.15 وPyTorch وtorchaudio 2.7.1 مع CUDA 11.8 وtransformers 4.46.3، مع التوصية بـ H800؛ نقطة الدخول هي infer_tiny.py مقابل فئة ming_tiny.MingTinyTTS، مع بروتوكول توجيه باسم thinking_v1. الإعدادات الافتراضية المعلنة هي مقياس توجيه خالٍ من المصنف قدره 2.0، ودرجة حرارة صفر، وعشر خطوات تدفق، وسيغما 0.25، وبذرة 1234 — و1235 لمهمة البودكاست — ويوفر المستودع سكربتًا منفصلًا لكل مهمة بدلًا من نقطة دخول واحدة مدفوعة بالأعلام. دعم vLLM-Omni على خارطة الطريق ولم يُختبر بعد، لذا لا يوجد مسار خدمة عالي الإنتاجية اليوم.

إذا كنت تقيّم هذا لمنتج، فإن الإعداد المرحلي المعقول هو ذاك الذي ستستخدمه مع أي نقطة تحقق مفتوحة الأوزان لم تثبت بعد: أبقِه خارج المسار الحرج، وشغّله على صوتك الخاص باللغات التي تشحنها فعليًا، وبعدها فقط قرّر. لا يوجّه OrcaRouter النموذج Ming-3.0-tts-tiny، ولا ينبغي قراءة أي شيء هنا على أنه يدّعي خلاف ذلك — فالكتالوج لا يضم أي نموذج صوتي من Ming. ما يضمه هو بقية نظام صوتي: openai/tts-1 وopenai/tts-1-hd وopenai/gpt-4o-mini-tts إضافةً إلى معاينات Ge​mini TT​S بسعر قائمة المزوّد دون إضافة أي هامش ربح، وأكثر من 200 نموذج نصي خلف المفتاح نفسه للنصف الآخر من خط الأنابيب الذي يكتب النص أو يقود الوكيل. إن التبديل التلقائي عند الفشل عبر المزوّدين هو ما يُبقي النصف النصي القابل للاستضافة قائمًا بينما تقرر ما إذا كان نصف الصوت المستضاف ذاتيًا قد استحق مكانه.

الإشارة الحقيقية التالية لن تكون جدولاً آخر من أحد المورّدين. بل ستكون شخصاً من خارج Ant يشغّل هذا على اللغة الكورية، أو في بودكاست، وينشر ما الذي انكسر. وإلى أن يوجد ذلك، فإن الخلاصة القابلة للدفاع عنها ضيقة: نموذج صوتي متناثر مرخّص بموجب MIT وبتسع لغات، بأفضل درجة للصوت المستنسخ ضمن عائلته، ونتيجة حقيقية لبودكاست متعدد المتحدثين، وعمود كوري يحتاج إلى تفسير، وإعلان لم يحدث بعد.