Ming-3.0-tts-tiny hat die beste geklonte Stimme der Familie und belegt im Koreanischen den sechsten Platz.

Der beste Sprecherähnlichkeitswert in der neuen Sprachfamilie von Ant Group gehört dem Modell mit den wenigsten aktiven Parametern. Ming-3.0-tts-tiny ist ein 7,9B-Mixture-of-Experts-Checkpoint, der pro Token ungefähr 1,3B Parameter aktiviert, und erzielt im chinesischen Seed-TTS-Datensatz 0,781 Sprecherähnlichkeit — der höchste Wert in sämtlichen veröffentlichten Tabellen von Ant und höher als die 0,758 seines eigenen kleineren Geschwistermodells. Auf Koreanisch belegt dasselbe Modell mit 6,000 % Zeichenfehlerrate den sechsten Platz unter den acht von Ant gebenchmarkten Systemen, während das 0,5B-Geschwistermodell 1,728 % erreicht. Beide Zahlen stammen aus demselben Hersteller-Harness, der am selben Tag vom selben Team ausgeführt wurde. Der Abstand zwischen ihnen ist das Nützlichste an der Veröffentlichung. Die dokumentierten KI-Fehlfunktionen und Agenten-Vorfälle hinter Veröffentlichungen wie dieser sind in the OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Konfidenzstufe und seine Kennzeichnung als umstritten enthält.

Nichts davon wurde angekündigt. Der Checkpoint wurde am 24. September 2026 auf Hugging Face veröffentlicht, zwei Tage nachdem das Repository selbst erstellt worden war; der Inferenzcode, die Beispielskripte und das Task-Cookbook kamen erst am 19. Oktober, als das GitHub-Repository geöffnet wurde und sein erster Commit um 08:58 UTC eintraf. Zum Zeitpunkt des Schreibens hatte das Hugging-Face-Repository 20 Downloads und 3 Likes, und das GitHub-Repository hatte fünf Sterne. Betrachten Sie das Folgende daher als eine Lesart der Artefakte und nicht als Bericht über einen Launch: Alles hier ist in den Repositories überprüfbar, und die Teile, die es nicht sind, sind als solche gekennzeichnet.

Das koreanische Ergebnis ist kein Rundungsfehler.

Ants mehrsprachige Tabelle vergleicht das winzige Modell mit sieben anderen Systemen in sechs Sprachen. Lesen Sie die gesamte Zeile statt der Schlagzeile.

• Deutsch — 0,325 % Zeichenfehlerrate, der beste der acht, vor dem nächstbesten mit 0,612 %.

• Spanisch — 0,971 %, Erster, mit dem Zweitplatzierten bei 1,184 %.

• Japanisch — 3,427 %, punktgleich auf dem zweiten Platz.

• Französisch — 3,470 %, auf dem zweiten Platz, aber mit einer Sprecherähnlichkeit von 0,733, die nicht unter die Top drei kommt; die Tabelle sagt das in ihrem eigenen Abschnitt zu Einschränkungen.

• Koreanisch — 6,000 %, Sechster von acht, und die einzige Sprache, in der das Modell von einem System geschlagen wird, das es ansonsten überall übertrifft.

• Chinesisch und Englisch — die beiden Sprachen, auf die das Modell tatsächlich ausgelegt ist, und die beiden, in denen seine Sprecherähnlichkeit führend ist.

Der koreanische Wert liegt bei etwa dem Dreieinhalbfachen der Fehlerrate von Ming-3.0-tts-0.5B für dieselbe Sprache. Ant erklärt nicht, warum, und die Modellkarte spekuliert nicht. Was sich ohne Vermutungen sagen lässt, ist struktureller Natur: Dies ist ein Sparse-Modell, und Sparse-Modelle leiten Tokens durch eine Teilmenge von Experten, sodass eine Sprache, die in der Mischung weniger Trainingssignal erhalten hat, schneller degradieren kann, als sie es in einem dichten Modell vergleichbarer Gesamtgröße täte. Das ist ein plausibler Mechanismus, kein Befund, und sollte als zu prüfende Hypothese und nicht als Erklärung behandelt werden. Die praktische Lesart ist enger und belastbarer: Wenn Koreanisch zu Ihrem Produkt gehört, ist dies nicht der Checkpoint, zu dem man greifen sollte, bis jemand ihn mit echtem koreanischen Text laufen lässt.

Wohin 7,9 Milliarden Parameter tatsächlich gehen

Der Name sagt „winzig“; die Dateigrößen sagen etwas anderes, und die Diskrepanz liegt in der Architektur.

• Gesamtparameter — die Hugging Face-Metadaten geben 8.980.964.372 in BF16 plus 40.096 in F32 an, und das Repository belegt etwa 18 GB. Das Release beschreibt das Modell als 7.9B-A1.3B, was 7,9 Milliarden insgesamt und etwa 1,3 Milliarden aktiv pro Token bedeutet. Diese Beschreibung wurde am 16. Oktober in der Modellkarte korrigiert und ersetzte eine frühere Formulierung; zitiere daher die neuere.

• Backbone — Ling V3, dieselbe Familie, die Ant für seine größeren Textmodelle verwendet, ausgeführt als Mixture-of-Experts statt als dichter Stack.

• Head — ein Diffusions-Transformer, der die verborgenen Zustände des Backbones in Audio-Latents umwandelt, gefolgt von einem separaten Audio-Tokenizer, der sie in Wellenform dekodiert.

• Bundle — der Checkpoint liefert das Backbone, den DiT-Head, den Audio-Tokenizer, einen CAM++-Speaker-Encoder und den Text-Tokenizer in einem einzigen Ordner. Du lädst hier eine Pipeline herunter, kein Sprachmodell mit nachträglich angeflanschtem Adapter.

• Ausgabe und Stimmen — dieselbe breite Steuerungsoberfläche wie der Rest der Familie: Zero-Shot-Cloning aus einem kurzen Referenzclip, Voice Design anhand einer natürlichsprachlichen Beschreibung, freie Stilsteuerung, über 100 integrierte chinesische und fünf englische Stimmen sowie 14 Inline-paralinguistische Tags für Lachen, Seufzen, Atem und Zögern, dazu explizite Einstellungen für Emotion, Geschwindigkeit, Tonhöhe und Lautstärke.

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

• Lizenz — MIT für die Gewichte und den Code, mit einem Nutzungshinweis, der darum bittet, Menschen nicht ohne ihre Zustimmung zu imitieren und synthetisches Audio zu kennzeichnen. Dieser Hinweis ist eine Bitte, keine Lizenzbedingung.

Die merkwürdige Konsequenz ist, dass „tiny“ eine Aussage über den Rechenaufwand pro Token ist, nicht über Festplatte oder VRAM. Man verbraucht den Speicher eines 7,9B-Modells und erhält die Geschwindigkeit eines 1,3B-Modells, was für Batch-Synthese ein vernünftiger Kompromiss und für einen Laptop ein schlechter ist. Ants eigene Umgebung legt eine H800 als empfohlene Karte fest, und nichts in der Veröffentlichung deutet auf etwas anderes hin.

Die fünf Spalten, die es gewinnt

Jede Zahl in diesem Abschnitt stammt von Ant selbst, gemessen mit Ants Harness und Ants empfohlenen Inferenzeinstellungen, und die Model Card ist der einzige Ort, an dem sie existiert. Den Bezeichnungen kommt hier mehr Bedeutung zu als üblich, denn dies sind die Zahlen, die andernorts ohne sie zitiert werden.

• Sprecherähnlichkeit, Chinesisch Zero-Shot — 0,781, der beste Wert im Vergleichsset, mit einer Wortfehlerrate von 0,820 %. Englisch erreicht 0,728 Ähnlichkeit bei einer Fehlerrate von 1,666 %, ebenfalls die beste Ähnlichkeit in seiner Spalte.

• Paralinguistisches Einzelereignis, NVBench — das Modell führt in allen sechs Single-Tag-Kategorien: Chinesisch 2,80 Fehler / 17,23 Ähnlichkeit / 3,20 Punktzahl, Englisch 5,86 / 32,95 / 7,05. Bei Sätzen mit mehreren Ereignissen führt es in der englischen Spalte mit 5,12 / 46,13 / 7,68 und liegt im Chinesischen mit 4,49 / 32,88 / 5,81 im Mittelfeld.

• Dialekt — WSC-Eval-TTS Easy-Set: 2,53 % Zeichenfehlerrate, 0,721 Ähnlichkeit, 86,09 % Genauigkeit; Hard-Set: 3,11 %, 0,738, 88,94 %. Beides sind Premieren in Ants Tabelle. Kantonesisch erreicht 7,40 % / 0,605 / 92,90 im Basis-Set und 8,67 % / 0,653 / 95,16 im Coverage-Set.

• Emotion — durchschnittlich 74,00 % auf dem chinesischen CV3-Set und 30,67 % auf CV3N, bei beiden Sad-Teilmengen an erster Stelle und ansonsten unauffällig.

• Voice-Design – durchschnittlich 75,37 % bei InstructTTSEval-ZH, insgesamt Platz zwei, mit Werten für Attribut-Prompts von 85,10, Beschreibung 79,90 und Rollenspiel 61,10. Rollenspiel ist der schwache Punkt: vierter Platz, und die Modellkarte gibt das auch an.

Die Tabelle der Basisattribute ist die am wenigsten glamouröse und wahrscheinlich die nützlichste: 93 % beim Alter, 93 % beim Geschlecht, 78,70 % bei der Tonhöhe, im Durchschnitt 88,23 % bei einer Wortfehlerrate von 0,274 % und einer Ähnlichkeit von 0,742. Die Tonhöhe ist die schwächste der vier Kontrollgrößen, was mit dem übereinstimmt, was jedes andere System dieser Klasse berichtet.

Die Podcast-Nummer ist der eigentliche Grund, darauf zu achten.

Das 0,5B-Modell kann keine Podcast-Generierung mit mehreren Sprechern durchführen. Das winzige Modell kann es, und in der Podcast-Tabelle von Ant ist es das beste Ergebnis bei der Inhaltsgenauigkeit im Vergleich.

• Ming-3.0-tts-tiny — 2,03 % Zeichenfehlerrate, 0,561 konditionale Sprecherähnlichkeit, 2,12 UTMOS.

• 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.

Bei der Fehlerrate liegt es knapp auf Platz eins, bei Ähnlichkeit und Natürlichkeit jeweils auf Platz zwei, und die Lücke bei der Natürlichkeit ist die interessante: ZipVoice-Dia liegt 0,12 UTMOS vorn, ist bei der Genauigkeit aber 1,36 Punkte schlechter. Das ist ein echter Kompromiss und kein Rundungsunterschied, und es legt nahe, dass die Dialogprosodie des winzigen Modells der nächste Punkt zur Verbesserung ist, nicht seine Transkription. Wie bei allem anderen in diesem Abschnitt hat niemand außerhalb von Ant einen Podcast damit durchlaufen lassen und das Ergebnis veröffentlicht.

Was die Repositories nicht belegen

Vier Lücken sind es wert, benannt zu werden, bevor jemand das in ein Produkt einbaut.

Für diesen Checkpoint gibt es keinen unabhängigen Score. Artificial Analysis führt zwar einen Ming-3.0-tts-Eintrag in seiner Speech Arena auf – 1.188 Elo auf dem Provider-Voice-Board und 1.069 bei Controlled Voice mit Stand vom 19. Oktober –, doch dieser Eintrag ist mit dem 0,5B-Modell verknüpft, nicht mit diesem. Das GitHub-README gibt diese Arena-Werte in seinem Ergebnisabschnitt wieder, ohne diese Unterscheidung, was genau die Art von Detail ist, aus der zwei Reposts später eine falsche Behauptung wird. Ming-3.0-tts-tiny hat kein separates Arena-Ergebnis, keinen gemessenen Durchsatz und keine Word-Error-Rate von Drittanbietern.

Es gibt keinen technischen Bericht. Die Roadmap führt ihn als nicht abgehaktes Kästchen auf, und am 16. Oktober wurde die Model Card gezielt bearbeitet, um einen Verweis auf einen solchen zu entfernen. Damit bleibt die Architektur auf der Ebene eines Diagramms und eines Absatzes: genug, um das Modell auszuführen, nicht genug, um die Trainingsaussagen zu reproduzieren.

Es gibt keinen gehosteten Endpunkt und keinen Preis. Die einzige Möglichkeit, dies aufzurufen, besteht darin, eine GPU zuzuweisen und den Code auszuführen, was etwas anderes ist, als es mit einem Preis pro Zeichen zu vergleichen.

Und es gibt keine Absichtserklärung. Zwanzig Downloads und drei Likes sind kein Signal für Qualität – sie sind ein Signal dafür, dass niemand informiert wurde. Keine Ankündigung bedeutet keine Support-Zusage, keine Deprecation-Richtlinie und keinen Hinweis darauf, ob ein gehosteter Dienst folgt.

Es ausführen, wenn du möchtest

Das Hugging-Face-Repository ist eine Checkpoint-Veröffentlichung, und in seiner Modellkarte steht klar, dass für die Inferenz das GitHub-Projekt erforderlich ist. Deshalb ist der Oktober-Commit wichtiger als der September-Upload. Die Umgebung ist festgelegt auf Python 3.10.15, PyTorch und torchaudio 2.7.1 mit CUDA 11.8 sowie transformers 4.46.3, wobei ein H800 empfohlen wird; der Einstiegspunkt ist infer_tiny.py für die Klasse ming_tiny.MingTinyTTS, mit einem Prompt-Protokoll namens thinking_v1. Die veröffentlichten Standardwerte sind eine Classifier-Free-Guidance-Skala von 2.0, Temperatur null, zehn Flow-Schritte, ein Sigma von 0.25 und ein Seed von 1234 – 1235 für die Podcast-Aufgabe –; außerdem enthält das Repository pro Aufgabe ein separates Skript statt eines einzigen flag-gesteuerten Einstiegspunkts. Die Unterstützung für vLLM-Omni steht auf der Roadmap und ist noch nicht geprüft, daher gibt es heute keinen Serving-Pfad mit hohem Durchsatz.

Wenn Sie dies für ein Produkt evaluieren, ist das sinnvolle Staging genau das, was Sie für jeden noch nicht erprobten Open-Weights-Checkpoint verwenden würden: Halten Sie ihn vom kritischen Pfad fern, lassen Sie ihn gegen Ihr eigenes Audio in den Sprachen laufen, die Sie tatsächlich ausliefern, und entscheiden Sie erst dann. OrcaRouter routet Ming-3.0-tts-tiny nicht, und nichts hier sollte so verstanden werden, als würde das Gegenteil behauptet – der Katalog führt kein Ming-Sprachmodell. Was er führt, ist der Rest eines Voice-Systems: openai/tts-1, openai/tts-1-hd und openai/gpt-4o-mini-tts sowie die Ge​mini TT​S-Previews zum Listenpreis des Anbieters ohne Aufschlag, und mehr als 200 Textmodelle hinter demselben Schlüssel für die Hälfte der Pipeline, die das Skript schreibt oder den Agenten steuert. Automatisches Failover über Anbieter hinweg hält die hostbare Text-Hälfte am Laufen, während Sie entscheiden, ob die selbst gehostete Voice-Hälfte ihren Platz verdient hat.

Das nächste echte Signal wird nicht eine weitere Anbietertabelle sein. Es wird jemand außerhalb von Ant sein, der dies auf Koreanisch oder in einem Podcast laufen lässt und veröffentlicht, was dabei kaputtging. Bis es das gibt, ist die belastbare Zusammenfassung eng: ein spärliches, MIT-lizenziertes Neun-Sprachen-Stimmmodell mit dem besten Klonstimmen-Score in seiner eigenen Familie, ein echtes Mehrsprecher-Podcast-Ergebnis, eine koreanische Spalte, die erklärt werden muss, und eine Ankündigung, die noch nicht erfolgt ist.