Ming-3.0-tts-0.5B wurde zweimal ausgeliefert, und Ant Group kündigte keine der beiden Lieferungen an

Drei Daten sind mit Ming-3.0-tts-0.5B verknüpft, und jedes von ihnen markiert ein anderes Ereignis. Das Hugging-Face-Repository wurde am 22. September 2026 erstellt, und die Gewichte wurden zwei Tage später hochgeladen. Das GitHub-Repository existierte erst ab dem 19. Oktober 2026, als sein erster Commit mit dem Titel „Initial release of Ming-3.0-tts“ eintraf. Artificial Analysis öffnete am selben Tag eine Modellseite und vergab eine Bewertung. Es gab weder einen Blogbeitrag von inclusionAI noch eine Pressemitteilung noch einen Launch-Thread, den wir an einem der beiden Daten finden konnten. Zum Zeitpunkt, als dies geschrieben wurde, hatte der Checkpoint sechs Downloads und null Likes; das GitHub-Repository hatte zwei Sterne. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem werden gesammelt in dem OrcaRouter AI Incident Archive, wobei jeder Eintrag eigene Quellen, einen Schweregrad, einen Konfidenzgrad und eine Umstritten-Kennzeichnung enthält.

Das ist wichtig dafür, wie der Rest dieses Artikels gelesen werden sollte. Die Open-Weights-Sparte von Ant Group hat ein vollständiges, MIT-lizenziertes Sprachmodell veröffentlicht – mit einem paralinguistischen System aus 14 Tags, Text-to-Voice-Design, zwei chinesischen Dialekten und einer vollständigen Tabelle mit Benchmark-Ergebnissen. Bislang hat sie allerdings auch niemandem davon erzählt. Das Folgende trennt, was das Repository belegt, von dem, was nur Ant bestätigen kann.

Die drei Termine – und was jeder einzelne davon tatsächlich abdeckt

Die Verwirrung ist nicht künstlich erzeugt. Die beiden eigenen Repositories von Ant widersprechen sich öffentlich, und keines von beiden ist falsch.

• 22. September 2026, 12:46 UTC — Das Repository auf Hugging Face wird mit einem ersten Commit erstellt, der aus einer Platzhalter-README besteht. Noch keine Gewichte.

• 24. September 2026, 04:21 UTC — der Checkpoint trifft über einen Commit vom Typ „upload-large-folder“ ein, zwanzig Minuten später gefolgt von einer modellspezifischen README. Ab diesem Zeitpunkt ist das Modell herunterladbar, und fast niemand lädt es herunter.

• 19. Oktober 2026, 07:03 UTC — das GitHub-Repository wird erstellt. Um 08:58 UTC bringt der erste Commit „Initial release of Ming-3.0-tts" Inferenzcode, ein Dockerfile, Ein-Klick-Beispielskripte und ein Task-Cookbook. Den Nachmittag über folgen weitere Commits zur Dokumentation.

Der News-Abschnitt der GitHub-README besagt, dass die 0.5b- und die Tiny-Modelle im „2026.10“ veröffentlicht wurden. Die Hugging-Face-Karte sagt überhaupt nichts über ein Datum. Beide beschreiben dasselbe Artefakt: Der Checkpoint existierte im September, das nutzbare Release – Code, Environment-Pins, Beispiele – kam im Oktober. Wenn Sie das Modell für ein Beschaffungsdokument datieren, ist der 22. September der Zeitpunkt, an dem es öffentlich wurde; wenn Sie es als etwas datieren, das Sie ausführen können, ist der 19. Oktober die ehrliche Antwort.

Was wir Ihnen nicht sagen können, ist, warum. Ein stilles Release ist normal für eine Forschungsorganisation, die darauf setzt, dass die Model Card für sich spricht. So sieht auch eine gestaffelte Veröffentlichung aus, wenn eine größere Ankündigung geplant ist. Nichts in den beiden Repositories sagt, welches zutrifft, und wir werden nicht raten.

Was befindet sich im 0.5B-Checkpoint?

Das Modell ist ein dichter Sprachgenerator auf Basis eines Qwen2.5-0.5B-Backbones, mit einem Diffusion-Transformer-Patch-Head und einem separaten Audio-Tokenizer. Das Release-Bundle ist mehr als ein Sprachmodell: Das Repository liefert das Backbone, den DiT-Head, das Audio-VAE, einen CAM++-Sprecher-Encoder im ONNX-Format und den Text-Tokenizer – alles in einem Ordner. Diese Verpackungsentscheidung erklärt eine Diskrepanz, auf die Sie sofort stoßen werden.

• Parameter — die Modellkarte und der Modellname geben 0,5B an; die eigenen Metadaten von Hugging Face führen das Repository mit 1B, und die einzelne Datei model.safetensors ist 2,96 GB groß. Die Angabe 0,5B bezieht sich auf das Sprach-Backbone. Das Paket, das Sie tatsächlich herunterladen, ist in bf16 ungefähr dreimal so groß.

• Ausgabe — 44,1-kHz-Audio, das höher ist als bei den meisten Open-T​TS-Veröffentlichungen und eine der wenigen Behauptungen hier, die man in zehn Sekunden mit einem Dateiinspektor überprüfen kann.

• Sprachen — Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch, plus Sichuanesisch und Kantonesisch, wenn ein Referenzclip im jeweiligen Dialekt vorliegt.

• Stimmen — Zero-Shot-Cloning aus einem kurzen Referenzclip, Stimmdesign aus einer natürlichsprachigen Beschreibung und eine integrierte Auswahl von über 100 chinesischen und fünf englischen Stimmen.

• Control — 14 Inline-Tags für Lachen, Seufzen, Husten, Atem und Zögern, dazu explizite Einstellungen für Emotion, Geschwindigkeit, Tonhöhe und Lautstärke. Die Karte räumt offen ein, dass die Tonhöhe die ungenaueste der vier ist.

• Aufgaben — TTS, Freiform-Anweisung, Voice-Design, Mehrsprachigkeit, Basisattribute, Emotion, Dialekt und ein Modus mit integrierter Stimme. Die Steuerelemente schließen sich konstruktionsbedingt gegenseitig aus: Freiform lässt sich nicht mit Voice-Design oder einer integrierten Stimme kombinieren.

• Lizenz — MIT, sowohl für die Gewichte als auch für den Code. In Ants Nutzungshinweis wird darum gebeten, keine Personen ohne deren Einverständnis nachzuahmen und synthetische Sprache zu kennzeichnen – eine Bitte, keine Lizenzbedingung.

Im selben Release gibt es ein zweites Modell. Ming-3.0-tts-tiny ist ein Mixture-of-Experts-Design auf einem Ling-V3-Backbone, 7,9B insgesamt, davon 1,3B aktiv, und es ergänzt Mehrsprecher-Podcast-Generierung, die das 0,5B-Modell nicht hat. Wenn Sie sich speziell für das kleine Modell interessieren, ist die hilfreiche Einordnung, dass 0,5B die leichtgewichtige Deployment-Variante und tiny die Obergrenze der Leistungsfähigkeit ist – nicht, dass eines das andere ersetzt.

Die Benchmark-Tabellen und wer sie erstellt hat

Jede Zahl in der Modellkarte stammt aus Ants eigenem Evaluierungs-Harness. Das ist keine Kritik – so ist eine Release-Tabelle nun einmal –, aber die Tabellen werden anderswo ohne diese Kennzeichnung zitiert, also hier ist sie.

• Zero-Shot Seed-TTS, Chinesisch — 0,800 % Wortfehlerrate, 0,758 Sprecherähnlichkeit.

• Zero-Shot-Seed-TTS, Englisch — 1,584 % Wortfehlerrate, 0,691 Sprecherähnlichkeit.

• NVBench paralinguistisch, Einzelereignis — chinesische Zeichenfehlerrate 2,70, Englisch 7,60.

• Dialekt, WSC-Eval-TTS-easy — 2,27 % Zeichenfehlerrate, 80,68 % Genauigkeit.

• Sprachdesign, InstructTTSEval-ZH — durchschnittlich 72,29 %.

• Grundlegende Attributsteuerung — durchschnittlich 93,30 % bei einer Wortfehlerrate von 0,317 %.

Der interessante Teil ist, was dieselben Tabellen gegenüber den vom Modell selbst gewählten Konkurrenten aussagen. Bei der chinesischen Zero-Shot-Fehlerrate erzielt CosyVoice3-1.5B 0,710 % und Qwen3-TTS-12Hz-1.7B-Base 0,770 %, beide besser als Mings 0,800 %. Bei der Sprecherähnlichkeit schlägt CosyVoice3-0.5B mit 0,780 Ming mit 0,758. Bei der englischen Fehlerrate erreicht Qwen3-TTS-12Hz-1.7B-Base 1,240 % gegenüber Mings 1,584 %.

Also beansprucht Ming-3.0-tts-0.5B nicht die Krone der Genauigkeit, selbst innerhalb seines eigenen Vergleichssatzes, und das muss es auch nicht. Seine Stärken sind die Spalten, die die anderen nicht füllen: Dialektsteuerung, Stimmdesign und eine paralinguistische Suite, in der es die meisten Einzelereignis-Kategorien anführt. Lesen Sie die Karte als „breite Steuerung bei einer halben Milliarde Backbone-Parameter“, nicht als „beste Fehlerrate“, und sie hält stand.

Die Karte ist außerdem ungewöhnlich bereit, ihre eigenen Schwächen zu benennen, was es wert ist, zu wiederholen, da die meisten dies nicht tun: Die Sprecherähnlichkeit bleibt hinter der Inhaltsgenauigkeit zurück, die Ähnlichkeit bei Französisch ist die deutlichste mehrsprachige Lücke, paralinguistische Sätze mit mehreren Ereignissen sind noch instabil, die Emotionskontrolle verschlechtert sich, wenn die Wörter selbst kein emotionales Signal tragen, und offenes Voice-Design erreicht noch nicht das stärkste System, gegen das es gemessen wurde.

Die erste unabhängige Zahl kam vor der Ankündigung.

Artificial Analysis hat Ming-3.0-tts am 19. Oktober in seine Speech-Arena aufgenommen und den Eintrag mit genau diesem 0,5B-Checkpoint verknüpft, was eine Frage klärt, die die Model Card offenlässt: Das bewertete Modell ist das kleine. Zwei Boards, zwei Ergebnisse – und sie weisen in unterschiedliche Richtungen.

• {{1}}Provider Voice, wobei jedes Modell seine eigenen nativen Stimmen verwendet{{/1}} — Elo {{2}}1.188, 95-%-Intervall 1.173 bis 1.203, Platz 19 von 98 Modellen auf dem Board und Platz drei unter den Open-Weights-Modellen, hinter {{3}}Fish Audio Drama 3 Preview{{/3}} bei 1.245 und {{4}}Breeze T​TS 2{{/4}} bei 1.220.{{/2}}

• Controlled Voice, bei dem jedes Modell dieselben acht Referenzstimmen klont – Elo 1.069, Intervall 1.053 bis 1.085, insgesamt Platz 14 und damit Erstplatzierter unter den Open-Weights-Modellen, vor Fish Audio Drama 3 Preview mit 1.059 und Breeze TTS 2 mit 1.019.

• Geschwindigkeit — ein Median von 42,1 Zeichen pro Sekunde Generierungszeit auf der Hardware von Artificial Analysis, mit einer medianen Generierungszeit von 2,46 Sekunden pro Anfrage. Zum Vergleich: Simba 3.2 misst 77,8 Zeichen pro Sekunde und Qwen-Audio-3.0-TTS-Plus 25,6 auf derselben Konfiguration.

Diese Aufteilung ist das Nützlichste, was jemals über dieses Modell veröffentlicht wurde. Seine geklonte Stimme ist konkurrenzfähig mit den besten Open-Weights-Systemen auf der Bestenliste; sein eigenes Stimmenrepertoire nicht. Was auch immer die nativen Stimmaufnahmen von Ant sind – sie sind der Teil, der den Anbieter-Stimmen-Rang nach unten drückt, und das ist ein behebbares Engineering-Problem, kein architektonisches.

Eine Herstellerangabe, die wir nicht verifizieren konnten: Die Projektseite gibt an, dass Ming-3.0-tts mit 93,2 % insgesamt den ersten Platz in der Metrik von Artificial Analysis zur Ausspracherobustheit belegt und in zwei ihrer Unterkategorien den ersten Platz. Die Metrik existiert und Artificial Analysis veröffentlicht sie, doch der Wert je Modell ist in den Seitendaten, die wir lesen konnten, nicht offengelegt; betrachten Sie 93,2 % daher als Herstellerangabe, bis Sie das Balkendiagramm selbst sehen.

Das Ausführen dauert etwa zwanzig Minuten und drei Korrekturen.

Das Hugging-Face-Repository ist lediglich ein Checkpoint-Drop. Das steht in einem Callout weiter oben: Für die Inferenz ist das GitHub-Projekt erforderlich, und die in der Karte erwähnte Python-API und CLI stammen von dort. Das ist die erste Hürde, und deshalb ist das Oktober-Repository wichtiger als der Upload im September.

Der zweite Punkt ist die Textnormalisierung. Zahlen, Datumsangaben, Einheiten und Symbole werden von FST-Grammatiken verarbeitet, die pynini benötigen, für das es kein universelles Wheel gibt; Ants eigene Anweisungen verweisen für Version 2.1.6 auf conda-forge. Wenn Sie das lieber nicht möchten, überspringt --no_text_normalization diesen Schritt, und Sie übernehmen den Text so, wie er bereits aussieht. Für eine Produktions-Pipeline zur Sprachausgabe ist das eine echte Entscheidung, keine Randnotiz.

Der dritte Punkt ist die Hardware. Die Umgebung ist auf PyTorch 2.6, CUDA 12.4 und transformers 4.46.3 festgelegt, ein Dockerfile wird mitgeliefert, und sie wurde auf einer H800-80GB und einer H20-96G getestet. flash-attn ist optional, und die Inferenz fällt auf PyTorch SDPA zurück. Nichts in der Veröffentlichung deutet darauf hin, dass dies auf einer Consumer-Grafikkarte komfortabel läuft, und außerhalb von Ant hat noch niemand einen Durchsatzwert auf kleinerer Hardware veröffentlicht.

Sobald die Umgebung läuft, ist der minimal erforderliche Aufruf ein einzelner CLI-Aufruf mit einem Referenzclip und seinem Transkript – der Klon wird auf beides konditioniert, wobei --use_spk_emb die Sprecher-Embedding-Konditionierung aktiviert. Außerdem gibt es ein Preflight-Skript, das den Checkpoint und den Tokenizer prüft, ohne Gewichte zu laden; das lohnt sich auszuführen, bevor man eine GPU-Zuweisung für einen fehlerhaften Download verbraucht.

Was noch nicht wissenbar ist

Vier Dinge würden die Art und Weise verändern, wie dieses Modell beurteilt werden sollte, und keines davon existiert bisher.

Es gibt keinen gehosteten Endpunkt und keinen Preis. Artificial Analysis führt das Preisfeld als leer auf, weil es nichts zu bepreisen gibt – die einzige Möglichkeit, dies aufzurufen, besteht darin, es auszuführen. Das ist in Ordnung für ein Team mit GPUs und ein Problem für alle anderen, und es ist der größte praktische Unterschied zwischen dieser Veröffentlichung und den gehosteten Stimmen, mit denen sie verglichen wird.

Es gibt keinen technischen Bericht. Die GitHub-Roadmap führt ihn als nicht angekreuztes Kästchen, und Ant hat einen früheren Verweis auf einen unbestätigten Bericht aus der Modellkarte entfernt. Damit bleibt die Architekturbeschreibung auf dem Niveau eines Diagramms und eines Absatzes – genug, um das Modell auszuführen, aber nicht genug, um die Trainingsbehauptungen zu reproduzieren.

Es gibt keine unabhängige Reproduktion der Fehlerrate. Die Seed-TTS- und NVBench-Werte stammen von Ant und wurden mit dem Protokoll von Ant und den von Ant empfohlenen Inferenzeinstellungen gemessen. Der Arena-Score ist unabhängig, misst aber Präferenz, nicht Genauigkeit. Niemand außerhalb des Labors hat eine Wortfehlerrate für diesen Checkpoint veröffentlicht.

Und es gibt keine Absichtserklärung. Keine Ankündigung bedeutet keine Supportverpflichtung, keine Deprecation-Richtlinie und keinen Hinweis darauf, ob ein gehosteter Dienst kommen wird. Bei einem Forschungs-Release unter MIT mag das durchaus Absicht sein. Für alle, die planen, es in ein Produkt einzubinden, ist es ein Risiko, das eingepreist werden muss.

OrcaRouter routet Ming-3.0-tts-0.5B nicht, und dieser Beitrag sollte nicht so gelesen werden, als würde er etwas anderes nahelegen – der Katalog enthält kein Ming-Sprachmodell. Was der Katalog jedoch enthält, ist der Rest einer Voice-Pipeline: openai/tts-1 und tts-1-hd, gpt-4o-mini-tts und die G​emini T​TS-Vorschauen, alle zum Listenpreis des Anbieters ohne Aufschlag, und mehr als 200 Textmodelle hinter demselben Schlüssel für die Hälfte des Systems, die das Skript schreibt oder den Agenten steuert. Wenn Sie ein unerprobtes Voice-Modell mit offenen Gewichten evaluieren, ist der vernünftige Ansatz für den Einsatz, es vom kritischen Pfad fernzuhalten, bis es sich seinen Platz verdient hat; automatisches Failover über Anbieter hinweg sorgt dafür, dass die Texthälfte dieser Pipeline verfügbar bleibt, während Sie sich entscheiden.

Das nächste echte Signal wird nicht eine weitere Benchmark-Tabelle sein. Es wird die erste Person außerhalb von Ant sein, die den 0,5B-Checkpoint mit ihrem eigenen Audiomaterial laufen lässt und veröffentlicht, was kaputtgegangen ist. Bis es das gibt, ist die belastbare Zusammenfassung eng: eine wirklich leistungsfähige, MIT-lizenzierte mehrsprachige Stimme mit 44,1 kHz, die auf der unabhängigen Bestenliste den besten Open-Weights-Wert für geklonte Stimmen erzielt, eine schwächere Auswahl nativer Stimmen, eine nicht angekündigte Veröffentlichung und kein gehostetes Zuhause. Das ist ein vielversprechendes Forschungsartefakt, noch keine Produktentscheidung.