Ming-3.0-tts مقابل Ming-3.0-tts-tiny: نقطة التحقق الأصغر هي التنزيل الأفضل، أما الأكبر فهو الوحيد الذي قاسه أحد.

أطلقت Ant Group نموذجين صوتيين تحت اسم واحد، والتسمية هي أول ما سيضللك. Ming-3.0-tts-the-default هو النموذج الكثيف بحجم 0.5 مليار معلمة: 2.96 جيجابايت على القرص، وعمود فقري Qwen2.5-0.5B، سريع ورخيص، وهو الوحيد بين الاثنين الذي يملك تقييمًا مستقلًا. Ming-3.0-tts-tiny هو الأكبر بين الاثنين بمرتبة قدر — خليط خبراء بـ7.9 مليار معلمة، منها 1.3 مليار نشطة لكل رمز، مبني على العمود الفقري Ling V3، وأوزان مقسمة بحجم 18 جيجابايت — ويُسمى tiny بسبب ما يكلفه تشغيله، لا ما يكلفه تنزيله. اختر حسب التسمية وستحصل على الملف الخطأ. إن حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثقة الكامنة وراء إصدارات كهذا الإصدار مجموعة في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة النزاع الخاصة به.

الأمر الثاني الذي سيضللك هو لوحة الصدارة. تعرض Artificial Analysis صفًا لـ Ming-3.0-tts عند 1,188 في Provider Voice Elo و93.2% في متانة النطق، ويشير ذلك الصف إلى نقطة التحقق 0.5B. لا شيء من ذلك يخص tiny. أرقام Tiny هي جداول Ant الخاصة، المنشورة في بطاقة النموذج وREADME على GitHub، ولم يُعِد أي طرف ثالث إنتاج أي منها. لذا فإن المقارنة الصادقة لها نصفان: نموذج لديه أدلة مستقلة ولا يمتلك وضع البودكاست، ونموذج لديه أدلة من البائع ويمتلك قدرة يفتقر إليها الآخر. أي النصفين تحتاج هو سؤال يتعلق بحمل العمل لديك، وليس بأي النموذجين أفضل.

نفس عائلة المعمارية، لكن جهازان مختلفان تمامًا

يشترك كلا النموذجين في إطار التوليد الذي يصفه Ant في README: إذ تُمرَّر رموز التحكم النصية والخاصة بالمهمة إلى نموذج لغوي، يقود بدوره رأس رقع particular؟

• حجم التنزيل — Ming-3.0-tts ‏2.96 GB مقابل Ming-3.0-tts-tiny حوالي 18 GB موزعة على 30 جزءًا

• المعاملات — 0.5B كثيف مقابل 7.9B إجمالي / 1.3B نشط MoE

• البنية الأساسية — Qwen2.5-0.5B مقابل Ling V3

• وقت التشغيل — PyTorch 2.6 + CUDA 12.4 على مكدس حقبة Python 3.8 مقابل Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• العتاد — تم اختباره على H800-80GB وH20-96G مقابل H800 الموصى به، ويمكن لـ SGLang-Omni تقديم الخدمة على وحدة معالجة رسومات واحدة

• إنشاء بودكاست متعدد المتحدثين — غير مدعوم مقابل مدعوم

• الترخيص — MIT مقابل MIT

• درجة الساحة المستقلة — نعم، 1,188 مزوّد / 1,068 متحكَّم به / 93.2% النطق مقابل لا شيء

لا تشترك نقطتا التحقق في بيئة Python. هذا ليس مجرد غرابة في التوثيق؛ بل يعني أن الفريق الذي يريد تقييم كليهما على الجهاز نفسه يدير بيئتَي virtualenv، وأن الفريق الذي يريد إجراء مقارنة A/B بينهما في بيئة الإنتاج يدير صورتَي نشر. إذا كانت خطتك هي "البدء بالنسخة الصغيرة والترقية لاحقًا"، فاحتسب الترحيل كعمل حقيقي، وليس كتغيير في الإعدادات.

حيث يكون الصغير أفضل حقًا، وفقًا لأرقام Ant نفسها

تشابه المتحدث هو المكسب الأوضح والأكثر ثباتًا، وهو الرقم الذي يحدد ما إذا كان الصوت المستنسخ يشبه صوت الشخص.

• تشابه المتحدث الصيني في Seed-TTS — Ming-3.0-tts 0.758 مقابل tiny 0.781

• تشابه متحدث Seed-TTS الإنجليزي — 0.691 مقابل 0.728

• تشابه الألمانية — 0.753 مقابل 0.791

• التشابه مع الإسبانية — 0.763 مقابل 0.797

• تشابه الفرنسية — 0.675 مقابل 0.733

• تشابه اللغة اليابانية — 0.765 مقابل 0.780

• التشابه الكوري — 0.793 مقابل 0.797

يتفوق Tiny في كل لغة من حيث التشابه، عادةً بثلاث إلى ست نقاط، وينطبق النمط نفسه على معايير التحكم أيضًا: بمتوسط 74.00% في CV3 emotion مقابل 72.33%، و75.37% في دقة تصميم الصوت مقابل 72.29%. هذان هما الأمران اللذان يلاحظهما العميل دون أن يُخبر بهما — هل يبدو صوته مثل صوتي، وهل نفّذ ما وصفته. وفي كلتا الحالتين، يتقدم 7.9B MoE.

تنقسم دقة المحتوى في الاتجاه الآخر، والانقسام ليس متماثلًا.

• خطأ الكلمات الصينية في Seed-TTS — 0.800% مقابل 0.820%. تعادل فعليًا؛ النموذج الكثيف متقدّم بشكل طفيف.

• خطأ الكلمات الإنجليزية في Seed-TTS — 1.584% مقابل 1.666%. وDense في الطليعة.

• الألمانية — 0.365% مقابل 0.325%. متقدمة بفارق ضئيل.

• الإسبانية — 1.099% مقابل 0.971%. متقدّمة بفارق ضئيل.

• الفرنسية — 4.264% مقابل 3.470%. Tiny متقدم بفارق كبير.

• خطأ الأحرف اليابانية — 3.765% مقابل 3.427%. تقدم طفيف.

• خطأ الأحرف الكورية — 1.728% مقابل 6.000%. Dense متقدّم بمعامل ثلاثة ونصف.

الكورية هي الحالة الشاذة التي ينبغي أن تمنع أي شخص من استنتاج أن "الأصغر أفضل في تعدد اللغات" بسهولة. فبطاقة Ant الخاصة بها تلفت إلى ذلك: الكورية لديها أكبر فجوة في الدقة متعددة اللغات لدى النموذج tiny، ورقم 6.000% يزيد على ثلاثة أضعاف ما يحققه نموذج نصف المليار. الفريق الذي يبني للسوق الكورية لديه إجابة واضحة، وهي ليست النموذج الأكبر.

القدرة التي ليست معيارًا

تولّد Ming-3.0-tts-tiny حوارًا صوتيًا متعدد المتحدثين على شكل بودكاست من سكربت يتضمّن مراجع للمتحدثين. أما Ming-3.0-tts فلا تفعل ذلك. هذه قدرة خاصة بالمنتج، وليست درجة تقييم، ولا تظهر على أي لوحة صدارة — ولهذا تحديدًا يسهل تفويتها عند مقارنة أوراق المواصفات التي تدرج كلتاهما «استنساخ الصوت» و«تصميم الصوت».

تقييم Ant للبودكاست، على إطار الاختبار الخاص به، يضع tiny عند معدل خطأ في الأحرف قدره 2.03% مع تشابه متحدث 0.561 و2.12 UTMOS، مقابل ZipVoice-Dia عند 2.24 UTMOS، وFireRedTTS2 عند 3.34% CER وMOSS-TTSD عند 8.62%. فجوة UTMOS هي الجديرة بالملاحظة: يتقدم tiny في دقة المحتوى ويتخلف عن أفضل منافس في الطبيعية، وهي المقايضة نفسها التي تشير إليها أرقام تشابه المتحدث من الاتجاه المعاكس. توليد البودكاست يكافئ تبادل الأدوار واتساق المتحدث أكثر مما يكافئ مقطعًا واحدًا مثاليًا، وهذا هو شكل ميزة tiny.

إذا كنت بحاجة إلى شخصين يتحادثان، فلا وجه للمقارنة هنا — أحد النموذجين يؤدي ذلك والآخر لا. أما بقية هذا المقال فتتعلق بالحالة التي يستطيع فيها كلا النموذجين أداء المهمة.

ما الذي تُكلّفك إياه فجوة الاستقلال فعليًا

من المفيد فهم موقع نموذج 0.5B في الساحة قبل أن تقرر مقدار الوزن الذي ستعطيه له. فهو يسجل 1,188 في Provider Voice Elo، ويحل في المرتبة 18 من 97، و1,068 في Controlled Voice، وهو الأول بين النماذج مفتوحة الأوزان والـ12 إجمالًا. وفي النطق يبلغ 93.2%، متعادلًا عمليًا مع Fish Audio Drama 3 Preview ومتقدمًا على Eleven v4. تلك قياسات مستقلة مع أعداد عينات وفواصل ثقة منشورة.

ما يمنحك ذلك هو المعايرة. فأنت تعرف تقريبًا أين يقف النموذج الكثيف مقابل ElevenLabs وCartesia، لأن المختبر نفسه قاس الثلاثة على لوحة الصدارة نفسها. أما بالنسبة إلى tiny، فلا تعرف إلا ما يقوله Ant، مقيسًا على أداة تقييم Ant وبإعدادات Ant، وAnt هو الطرف ذو المصلحة في النتيجة. هذا ليس اتهامًا — فالجداول صريحة على نحو غير معتاد، بما في ذلك رقم اللغة الكورية وقائمة قيود تسمّي التحكم في النبرة وتصميم صوت لعب الأدوار كنقاط ضعف. إنه بيان عما يمكن لرقم أن يدعمه. يخبرك جدول المورّد أن النموذج منافس على المحاور التي اختار المورّد قياسها؛ ويخبرك صف في الساحة أين يقع مقابل أنظمة تستخدمها بالفعل.

هناك أمر محدّد لا تخبرك به اللوحة المستقلة أيضًا: أنها قاست صوتًا واحدًا. تشير Artificial Analysis إلى أن كل نموذج يُقيَّم على لوحة النطق بصوت واحد، وأن صف Ming يستخدم نقطة نهاية Ant مع توفّر ثلاثة أصوات أصلية. أما ما إذا كانت نسبة 93.2% تصمد عبر الأصوات المستنسخة التي قد يشحنها المنتج فعليًا، فذلك غير معروف، وهو أول ما يستحق أن تختبره بنفسك.

الاختيار عمليًا

شجرة القرار قصيرة.

اختر Ming-3.0-tts (0.5B) إذا كنت تريد أصغر تنزيل مجدٍ، أو إذا كنت تنشره للغة الكورية، أو إذا كان عتادك بطاقة واحدة بسعة 80 GB تستخدمها أيضًا لأشياء أخرى، أو إذا كنت بحاجة إلى نموذج قاس سلوكَه شخصٌ غير مؤلفه. فعند 2.96 GB و44.3 حرفًا في الثانية على منصة الاختبار المستقلة، يكون راويًا صالحًا للاستخدام يتجاوز سرعة الكلام في الزمن الحقيقي على وحدة معالجة رسومية واحدة.

اختر Ming-3.0-tts-tiny إذا كان تشابه المتحدث هو المنتج — صوت علامة تجارية مستنسخ، أو قراءة بصوت عالٍ مخصّصة، أو أي شيء يكون فيه أول حكم يصدره المستمع هو «هل يبدو هذا كصوتهم» — أو إذا كنت بحاجة إلى حوار بودكاست، أو إذا كانت دقة الفرنسية أو الألمانية أو الإسبانية أو اليابانية هي القيد. خصّص 18 GB من الأوزان، وبيئة Python 3.10 منفصلة، وبطاقة من فئة H800.

لا تأخذ بأيٍّ منهما، ومع ذلك إذا كنت بحاجة إلى رقم مستقل قبل تخصيص طاقة إنتاجية لـ tiny. فلا وجود لصف Arena، والتقرير الفني لا يزال غير مُتحقَّق منه على خريطة الطريق، وتسريع vLLM-Omni مُعلَّم كمنجز في README دون وصفة منشورة. هذه الفجوات الثلاث هي نفس الأمور الثلاثة التي تجعل توصية tiny سهلة.

ملاحظة تشغيلية تنطبق على كليهما: لا يوفّر أيٌّ من نقطتَي التحقق بثًّا. لا يوجد زمن منشور للوصول إلى أول صوت لأي من النموذجين، ورقم الإنتاجية في الساحة هو التوليد خلال طلب مكتمل. إذا كان تطبيقك حواريًّا، فإن هذه العائلة ليست الأداة المناسبة بغض النظر عن الحجم الذي تختاره.

سؤال التوجيه، وهو مختلف هنا

معظم المقارنات على هذا الموقع تنتهي بفقرة عن توحيد الوصول. أما هذه فلا يمكنها ذلك، لأن OrcaRouter لا يستضيف أيًا من نقطتي التحقق الخاصتين بـ Ming — فالكتالوج لا يضم أي نموذج كلام Ming، ويُتوصل إلى كليهما عبر استنساخ مستودع Ant على GitHub وتشغيل الأوزان بنفسك. والقول بغير ذلك سيكون كذبة يمكن للقارئ التحقق منها في ثلاثين ثانية.

ما هو صحيح أضيق نطاقًا وما زال مفيدًا. خط أنابيب الصوت عادةً نصي أولًا: شيء يكتب النص، وشيء يترجمه، وشيء يتحقق منه وفق أسلوب المؤسسة. يمكن أن تقف مرحلة النص هذه خلف مفتاح واحد — أكثر من 200 نموذج بسعر قائمة المزوّد دون أي هامش مضاف, وتحويل تلقائي عند الفشل عندما يتدهور أحد المزوّدين، ولغة توجيه DSL لإرسال مهمة إلى نموذج مختلف بناءً على ما يحتويه الطلب. تبقى مرحلة الكلام في هذه المقارنة على عتادك في كلتا الحالتين، والمسار المستضاف ذاتيًا هو ما يجعل الاختيار بين نقطتي التحقق قابلًا للعكس: فأوزان MIT لا تنتهي صلاحيتها، والنموذج الموجود لديك بالفعل على القرص هو نموذج يمكنك مواصلة تقديمه أثناء تقييمك لبديله.

ما الذي سيحسم الأمر؟

ثلاثة تطورات، مرتبة حسب مقدار ما قد تغيّره في التوصية. صف صغير على المنصة سيخبرك ما إذا كانت ميزة التشابه تصمد أمام مقارنة مستمعين عمياء، وهي الاختبار الوحيد الذي لم يُجرَ بعد. وسيشرح التقرير الفني لماذا يكسب 1.3B-active MoE تشابه المتحدث ويفقد دقة اللغة الكورية، وما إذا كان ذلك نتيجة تقسيم بيانات أم نتيجة معمارية. وستجعل وصفة منشورة لـ vLLM-Omni نقطة التحقق البالغة 18 GB عملية على عتاد مستأجر بدلاً من كونها نشراً بحثياً.

حتى ذلك الحين، الإطار المفيد هو أن Ant أطلقت نموذجين لمهمتين، وأعطتهما أسماءً تجعل المهمة الأصغر تبدو كالملف الأصغر. لكنها ليست كذلك. نموذج 0.5B هو الذي يمكنك قياسه ونشره والدفاع عنه في مراجعة تصميم؛ أما 7.9B فهو الذي يبدو أقرب إلى الشخص الذي استنسخته، في ستّ من سبع لغات، إن كان بإمكانك تحمّل أخذ ذلك على الثقة.