Ming-3.0-tts يتصدر ساحة النطق، وبقية أول ظهور له أكثر إثارة للاهتمام

عند 93.2%، لا يفصل بين Ming-3.0-tts وFish Audio Drama 3 Preview سوى جزء من مئة من نقطة مئوية واحدة — 1,677 مدى صحيحًا من أصل 1,800 لنموذج Ant Group مقابل 1,785 من أصل 1,916 لنموذج Fish Audio — وهو تعادل في كل شيء إلا الكسر العشري. ويقع كلاهما فوق Eleven v4 عند 91.7%، وهو الرقم الذي سيقتبسه معظم الناس. التعادل حقيقي ويستحق الإبلاغ عنه بصراحة، لكنه أقل ما يقدّم معلومات على اللوحة. وما يجعل Ming-3.0-tts يستحق مقالًا هذا الأسبوع ليس أنه بلغ المركز الأول في لوحة الصدارة الخاصة بمتانة النطق الإنجليزي لدى Artificial Analysis، بل إن اللوحة أصبحت موجودة أصلًا لهذا النموذج أخيرًا، وإن الدرجات الفرعية الأربع الواقعة تحت الرقم الرئيسي تقول شيئًا لا يستطيع الرقم الرئيسي قوله. إن حالات فشل الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات كهذا الإصدار مجموعة في OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

هذه الدرجات الفرعية متفاوتة. يتصدر Ming-3.0-tts جميع الأنظمة الـ31 التي جرى قياسها في الحفاظ على التسلسلات الدقيقة، بنسبة 90.6%، وفي توسيع المختصرات، بنسبة 96.5%. كما يحتل المرتبة 21 من 31 في المصطلحات المستقلة، بنسبة 88.5%، وهي الفئة التي سيصفها معظم المستمعين بأنها «سوء نطق الأسماء». تخفي درجة إجمالية واحدة نموذجًا يقرأ .env.local و«Chapter XVII» أفضل من أي شيء آخر في لوحة النتائج، ويتعثر في أسماء الأعلام العادية أكثر مما يفعل نظام Gemini أو نظام ElevenLabs. وما إذا كان ذلك مكسبًا يعتمد كليًا على ما يتكوّن منه نصّك.

ما الذي تغيّر فعليًا، وما الذي لم يتغيّر

لم تُطلق Ant Group هذا النموذج هذا الأسبوع، ولا ينبغي لأي مقال أن يدّعي غير ذلك. الجدول الزمني في المستودعات عام ومربك بعض الشيء:

• تم إنشاء مستودعات Hugging Face الخاصة بـ Ming-3.0-tts-0.5B وMing-3.0-tts-tiny في 22 سبتمبر 2026، مع بطاقة مؤقتة.

• نُشرت نقطة التحقق 0.5B — 2.96 غيغابايت من safetensors، بترخيص MIT — في 24 سبتمبر.

• ظهر مستودع GitHub الذي يضم شيفرة الاستدلال وكتاب وصفات المهام والنصوص البرمجية النموذجية في 19 أكتوبر، وهو أيضًا التاريخ الذي يورده README الخاص بـ Ant شهرًا للإصدار، والتاريخ الذي تضع عليه Artificial Analysis طابعها في صف طرازها.

إذن فالأوزان عمرها أربعة أسابيع، والإصدار القابل للاستخدام عمره يوم واحد. ما تغيّر في 19 أكتوبر ليس أن نموذجًا قد صدر، بل أن كود الاستدلال قد صدر، وأن القياسات المستقلة وصلت إلى جانبه. قبل ذلك التاريخ كانت هناك نقطة حفظ بلا طريقة منشورة لتشغيلها وبلا رقم من طرف ثالث مرتبط بها؛ وكان أي شخص يكتب عنها يقتبس جداول Ant الخاصة.

هذا التمييز مهم لكيفية قراءتك لنسبة 93.2%. تُشغّل Artificial Analysis أداة التقييم الخاصة بها ومراجعيها البشريين؛ وليست هذه تقييمات Ant معاد إنتاجها. تواريخ التقييم وأعداد العينات مدرجة على لوحة النتائج، وفواصل الثقة منشورة، واختبارات الانتباه التي أجراها المراجعون موصوفة في المنهجية. هذه هي المرة الأولى التي يضع فيها أي شخص من خارج Ant رقمًا على هذا النموذج، وقد جاء رقمًا جيدًا.

ثلاثة مجالس، ثلاث إجابات مختلفة

تدير Artificial Analysis أكثر من لوحة تصنيف لتحويل النص إلى كلام، ولا يهيمن Ming-3.0-tts على جميعها. والفروق كبيرة بما يكفي بحيث يُعدّ الاقتباس من أيٍّ منها تُجمّل صورة النموذج شكلًا من أشكال التضليل.

• Controlled Voice، حيث يستنسخ كل نظام الأصوات المرجعية الثمانية نفسها (أربعة أمريكية وأربعة بريطانية) وتُقارن عملية التوليد الصوتي فقط — يسجل Ming-3.0-tts نتيجة 1,068 في تصنيف Elo، محتلًا المركز الأول بين النماذج مفتوحة الأوزان والمركز الثاني عشر إجمالًا. ويأتي Fish Audio Drama 3 Preview في المركز الثاني بين النماذج مفتوحة الأوزان بنتيجة 1,059.

• Provider Voice، حيث يستخدم كل نظام أصواته الأصلية الخاصة به — يحقق Ming-3.0-tts نتيجة 1,188 في Elo، ويحل في المركز 18 إجمالًا والثالث بين النماذج مفتوحة الأوزان، خلف Fish Audio Drama 3 Preview برصيد 1,247 وBreeze T​TS 2 برصيد 1,221. ويتصدر Eleven v4 Turbo القائمة بأكملها برصيد 1,330.

• متانة النطق، الإنجليزية، مُقيَّمة بشريًا — Ming-3.0-tts بنسبة 93.2%، في المرتبة الأولى إجمالًا بفارق ضئيل عن Fish Audio Drama 3 Preview بنسبة 93.2% ومتقدِّمة على Eleven v4 بنسبة 91.7%.

النمط ثابت: بمجرد أن تتوقف الأصوات عن كونها ثابتة، يفقد Ming-3.0-tts أرضه. تلك هي السمة المميزة لنموذج يكون استنساخه أقوى من مجموعة أصواته الجاهزة — وهو بالضبط ما ينبغي أن تبدو عليه نقطة حفظ بلا كتالوج أصوات مستضاف. توفّر Ant أكثر من 100 صوت صيني مدمج وخمسة أصوات إنجليزية؛ ثلاثة من تلك الأصوات الإنجليزية هي ما سمعته لوحة Provider Voice فعليًا، مقابل كتالوجات ElevenLabs وCartesia المعدّة بعناية. على الأصوات المستنسخة يتعادل الملعب ويتقدم النموذج خمسة مراكز.

لاحظ أيضًا أن الأرقام قد انحرفت بالفعل عن ملف README الخاص بـ Ant نفسه. يقول جدول المستودع إن 1,069 في فئة Controlled والمرتبة 13 إجمالًا، و1,188 في فئة Provider والمرتبة 17 إجمالًا. أما لوحة الصدارة اليوم فتعرض 1,068 والمرتبة 12، و1,187.8 والمرتبة 18. ما زالت الأصوات تتوالى؛ والخط يتحرك. وعلى أي شخص يستشهد بهذه الأرقام أن يحدد تاريخها.

يمثّل 93.2 فوزين وخسارتين.

متانة النطق ليست اختبارًا واحدًا. تقسمها Artificial Analysis إلى أربع فئات، لكل منها مقامها الخاص، وفي هذا التقسيم يصبح هذا النموذج مفهومًا.

• الحفاظ على التسلسلات الدقيقة — الرموز، ومسارات الملفات، وعناوين البريد الإلكتروني، والمعرّفات. تحقق Ming-3.0-tts نسبة 90.6%، في المركز الأول من 31، بينما أفضل النتائج التالية هي Fish Audio Drama 3 Preview بنسبة 86.3% وEleven v4 بنسبة 78.8%. هذه هي الفئة التي تحدد ما إذا كان روبوت الدعم يقرأ رقم طلب بشكل صحيح، والفارق ليس ضئيلاً.

• توسيع الاختصارات — الأرقام والتواريخ والوحدات والترميز. يسجّل Ming-3.0-tts نسبة 96.5%، وهو الأول من أصل 31، متقدمًا على Eleven v4 بنسبة 94.1% وFish Audio Drama 3 Preview بنسبة 93.6%.

• مناسبة للسياق — الكلمات المتشابهة في الكتابة والمختلفة في النطق والمعنى، مثل "a wound that is bandaged" مقابل "a bandage that is wound". تسجل Ming-3.0-tts نسبة 91.0%، في المرتبة 13 من 31. ويتصدر Gemini 3.8 Flash TTS بنسبة 98.0%.

• المصطلحات المستقلة — أسماء العلامات التجارية والأماكن والمصطلحات التقنية. سجّل Ming-3.0-tts نسبة 88.5%، في المرتبة 21 من 31. يتصدّر Fish Audio Drama 3 Preview بنسبة 95.9%.

إن مؤشرًا مجمّعًا يتعادل على المركز الأول بينما يحتل المرتبة 21 في أحد مكوّناته الأربعة ليس مفارقة؛ فالفئتان اللتان يفوز بهما تحملان أكبر المقامين (1,084 من أصل 1,800 مقطع مُقيَّم هي حالات اختزال وتسلسل). ويعتمد README الخاص بـ Ant تحديدًا على هذين الفوزين، إذ يشير إلى Expanding Shorthand بنسبة 96.5% وPreserving Exact Sequences بنسبة 90.6%، ويؤكد التشغيل المستقل كليهما. غير أنه لا يذكر المرتبة 21، وهي الصف الذي ينبغي لفريق وكيل صوتي أن ينظر إليه قبل شحن نموذج عليه أن ينطق ألقاب العملاء.

المرتبة الحادية والعشرون هي أيضًا التفسير الأكثر معقولية لتفصيل ورد في بطاقة نموذج Ant: مجموعة الأصوات الإنجليزية تضم خمسة أصوات مقابل أكثر من 100 في الصينية. إن تغطية أسماء الأعلام الإنجليزية مشكلة بيانات قبل أن تكون مشكلة نمذجة، ورقم نطق المصطلحات هو ما تبدو عليه تلك الفجوة عندما يقيسها أحدهم.

نصف العائلة غير الموجود على اللوحة

Ming-3.0-tts-tiny، النسخة القائمة على خليط الخبراء بإجمالي 7.9 مليار معامل و1.3 مليار معامل نشط، والمبنية على العمود الفقري Ling V3، ليس لها صف في أي من لوحات الصدارة هذه. مدخل الساحة الموسوم بـ Ming-3.0-tts يشير إلى نقطة الحفظ 0.5B، وكل رقم أعلاه يخص نقطة الحفظ تلك. النتائج المنشورة لـ Tiny هي من Ant نفسها — خطأ الكلمات الصيني 0.820% مع تشابه المتحدث 0.781، والألماني 0.325%، والإسباني 0.971%، والكوري 6.000% — ولم يكررها أي طرف مستقل. تعامل معها على أنها ادعاءات مورّد؛ فالرقم الكوري المحرج هو على الأقل دليل على أن Ant تنشر الجدول بدلًا من شريط لقطات مختارة.

هناك موضع واحد يبدو فيه tiny متقدمًا بصدق على نظيره في أداة الاختبار الخاصة بـ Ant: توليد بودكاست متعدد المتحدثين، وهو ما لا يفعله نموذج 0.5B إطلاقًا. تلك قدرة منتج لا ميزة تفوق في المعايير المرجعية، وهي ليست على الساحة.

تشغيله، وما يترتب على ذلك من تكلفة

نقطة التفتيش 0.5B هي تنزيل بحجم 2.96 غيغابايت — العمود الفقري، ورأس رقع DiT، ومُرمِّز الصوت، ومُرمِّز المتحدث، ومُرمِّز النص — بموجب MIT، وتُخرج صوتًا بتردد 44.1 كيلوهرتز. اختبره Ant على H800-80GB وH20-96G باستخدام PyTorch 2.6 وCUDA 12.4 وtransformers 4.46.3، ويتضمن المستودع ملف Dockerfile. يمر الاستدلال عبر infer.py أو فئة MingTTS بلغة Python؛ ومستودع Hugging Face مخصص لتوزيع نقاط التفتيش فقط ولن يعمل بمفرده.

قامت Artificial Analysis بقياس نقطة نهاية Ant المستضافة عند 44.3 حرفًا في الثانية من زمن التوليد، مع زمن توليد وسيط قدره 2.56 ثانية. ولإعطاء فكرة عن الحجم: مليون حرف من السرد الجاهز تعادل نحو 6.3 ساعات من التوليد الصافي على ذلك التكوين، قبل تحميل النموذج أو الانتظار في قائمة الانتظار. لا يوجد سعر مدرج لأنه لا توجد نقطة نهاية تجارية مستضافة؛ فأنت تشتري ساعات GPU، لا الأحرف.

هذا هو الموضع الذي تكون فيه طبقة التوجيه مفيدة حقًا من دون التظاهر باستضافة النموذج. لا يوفّر OrcaRouter النموذج Ming-3.0-tts — فلا يضم الكتالوج أي نموذج صوتي من Ming على الإطلاق — ويُتوصل إلى النموذج عبر استنساخ المستودع وتشغيله بنفسك. ما نوفّره فعلًا هو النصف النصي من خط المعالجة نفسه: أكثر من 200 نموذج خلف مفتاح واحد بسعر القائمة لدى المزوّد دون إضافة أي هامش، والتحويل التلقائي بين المزوّدين عند الفشل، ولغة DSL للتوجيه لتكوينها. إذا كنت تبني خط معالجة للسرد أو للوكلاء، فإن النموذج الذي يكتب النص هو الجزء الذي يمكنك توحيده اليوم؛ أما نموذج الصوت فهو الجزء الذي تستضيفه بنفسك.

ما الذي يجب متابعته من هنا؟

ثلاثة أمور من شأنها أن تغيّر هذه الصورة، ولم يحدث أيٌّ منها بعد.

لا تزال خارطة طريق Ant تُدرج التقرير الفني على أنه غير محدد. وإلى أن يصدر، فإن وصف البنية هو فقرة ورسم تخطيطي، وجداول التقييم هي الدليل المفصل الوحيد حول كيفية سلوك النموذج. كما أن وجود تقرير سيوضح أيضًا فجوة نطق المصطلحات، التي تُعد حاليًا فرضية.

لقد سمع Provider Voice ثلاثة أصوات أصلية. وهذه عيّنة ضئيلة لنموذج يطرح مئة صوت باللغة الصينية وخمسة باللغة الإنجليزية، وستتغيّر المرتبة الثامنة عشرة مع تقييم المزيد من الأصوات — ولا يمكن الجزم باتجاه ذلك من هنا.

وتبقى نقطة التحقق tiny غير مقيسة من قبل أي جهة مستقلة. وإذا حصلت فعلًا على صف، فالسؤال المثير للاهتمام هو ما إذا كان نموذج Ling V3 القائم على خليط الخبراء عند 1.3B نشط لكل رمز يحافظ على ميزة أمانة التسلسل التي تجعل نموذج 0.5B مميزًا، أم يقايضها بتشابه المتحدث الذي تمنحه إياه جداول Ant نفسها. وفقًا لأرقام المورّد، فإن tiny هو الصوت المستنسخ الأفضل. ووفقًا للأرقام المستقلة الوحيدة الموجودة، فإن 0.5B هو النموذج الذي جرى اختباره، وقد اجتاز الجزء من الاختبار الذي لا يفكر معظم الناس في إجرائه.