Ming-3.0-tts steht an der Spitze der Pronunciation Arena, und der Rest seines Debüts ist noch interessanter.

Bei 93,2 % liegen Ming-3.0-tts und Fish Audio Drama 3 Preview nur um ein Hundertstel eines Prozentpunkts auseinander – 1.677 korrekte Spans von 1.800 für das Modell von Ant Group gegenüber 1.785 von 1.916 für das von Fish Audio –, was bis auf die Dezimalstelle ein Gleichstand ist. Beide liegen über Eleven v4, das bei 91,7 % steht, der Zahl, die die meisten zitieren werden. Der Gleichstand ist echt und verdient eine klare Berichterstattung, aber er ist das am wenigsten informative Element auf dem Board. Was Ming-3.0-tts diese Woche einen Artikel wert macht, ist nicht, dass es auf dem English Pronunciation Robustness Leaderboard von Artificial Analysis den ersten Platz erreicht hat. Es ist, dass es für dieses Modell endlich überhaupt ein Board gibt und dass die vier Teilwerte unter dem Hauptwert etwas aussagen, was der Hauptwert nicht kann. Die dokumentierten KI-Fehler und Agenten-Vorfälle hinter Veröffentlichungen wie dieser sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzgrad und eine Kennzeichnung als umstritten mitführt.

Diese Teilwerte sind schief. Ming-3.0-tts führt alle 31 gemessenen Systeme beim Bewahren exakter Sequenzen mit 90,6 % an und beim Ausschreiben von Kurzschreibweisen mit 96,5 %. Bei Einzelbegriffen liegt es mit 88,5 % auf Platz 21 von 31 – der Kategorie, die die meisten Hörer als „Namen falsch aussprechen“ bezeichnen würden. Ein einziger Gesamtwert verdeckt ein Modell, das besser liest als alles andere im Feld: .env.local und „Kapitel XVII“ – und das bei gewöhnlichen Eigennamen häufiger stolpert als ein G​emini- oder ElevenLabs-System. Ob das ein Gewinn ist, hängt ganz davon ab, woraus Ihr Text besteht.

Was sich tatsächlich geändert hat und was nicht

Ant Group hat dieses Modell diese Woche nicht veröffentlicht, und kein Artikel sollte etwas anderes behaupten. Die Zeitleiste in den Repositories ist öffentlich und etwas unangenehm:

• Die Hugging Face-Repositories für Ming-3.0-tts-0.5B und Ming-3.0-tts-tiny wurden am 22. September 2026 mit einer Platzhalterkarte erstellt.

Der 0.5B-Checkpoint – 2,96 GB Safetensors, MIT-lizenziert – wurde am 24. September veröffentlicht.

• Das GitHub-Repository mit dem Inferenzcode, dem Task-Cookbook und den Beispielskripten erschien am 19. Oktober – dem Datum, das Ants README als Veröffentlichungsmonat angibt, und dem Datum, das Artificial Analysis in seiner Modellzeile vermerkt.

Die Gewichte sind also vier Wochen alt, und die nutzbare Veröffentlichung ist einen Tag alt. Was sich am 19. Oktober geändert hat, ist nicht, dass ein Modell ausgeliefert wurde. Es ist, dass der Inferenzcode ausgeliefert wurde und dass die unabhängigen Messungen zusammen mit ihm eintrafen. Vor diesem Datum gab es einen Checkpoint, ohne veröffentlichte Möglichkeit, ihn auszuführen, und ohne angehängte Drittanbieter-Zahl; jeder, der darüber schrieb, zitierte Ants eigene Tabellen.

Dieser Unterschied ist wichtig dafür, wie Sie die 93,2 % lesen. Artificial Analysis betreibt eine eigene Testumgebung und eigene menschliche Prüfer; dabei handelt es sich nicht um reproduzierte Bewertungen von Ant. Die Evaluierungsdaten und Stichprobenumfänge sind auf dem Board aufgeführt, die Konfidenzintervalle sind veröffentlicht, und die Aufmerksamkeitsprüfungen der Prüfer sind in der Methodik beschrieben. Dies ist das erste Mal, dass jemand außerhalb von Ant eine Zahl für dieses Modell nennt, und es ist ausgerechnet eine gute.

Drei Gremien, drei verschiedene Antworten

Artificial Analysis betreibt mehr als eine Text-to-Speech-Rangliste, und Ming-3.0-tts dominiert nicht alle davon. Die Unterschiede sind groß genug, dass es eine Form der Irreführung ist, diejenige zu zitieren, die das Modell schmeichelhaft darstellt.

• Controlled Voice, wo jedes System dieselben acht Referenzstimmen klont (vier US-amerikanische, vier britische) und nur die Synthese verglichen wird — Ming-3.0-tts erreicht 1.068 Elo, Platz eins unter den Open-Weights-Modellen und Platz 12 insgesamt. Fish Audio Drama 3 Preview liegt mit 1.059 auf Platz zwei unter den Open Weights.

• Provider Voice, wobei jedes System seine eigenen nativen Stimmen verwendet – Ming-3.0-tts erreicht 1.188 Elo, liegt insgesamt auf Platz 18 und unter den Open-Weights-Modellen auf Platz drei, hinter Fish Audio Drama 3 Preview mit 1.247 und Breeze T​TS 2 mit 1.221. Eleven v4 Turbo führt das gesamte Leaderboard mit 1.330 an.

• Aussprache-Robustheit, Englisch, menschlich bewertet — Ming-3.0-tts mit 93,2 %, insgesamt auf Platz eins, knapp vor Fish Audio Drama 3 Preview mit 93,2 % und vor Eleven v4 mit 91,7 %.

Das Muster ist konsistent: Sobald die Stimmen nicht mehr konstant gehalten werden, verliert Ming-3.0-tts an Boden. Das ist die Signatur eines Modells, dessen Cloning stärker ist als sein Standard-Stimmenrepertoire – genau so muss ein Checkpoint ohne gehosteten Stimmkatalog aussehen. Ant liefert über 100 integrierte chinesische Stimmen und fünf englische; drei dieser englischen Stimmen waren es, die das Provider Voice Board tatsächlich gehört hat, im Vergleich zu den sorgfältig produzierten Katalogen von ElevenLabs und Cartesia. Bei geklonten Stimmen gleicht sich das Spielfeld aus, und das Modell rückt fünf Plätze vor.

Beachten Sie außerdem, dass die Zahlen bereits von Ants eigener README abweichen. Die Repository-Tabelle nennt 1.069 Controlled und Platz 13 insgesamt sowie 1.188 Provider und Platz 17 insgesamt. Das Board zeigt heute 1.068 und Platz 12 sowie 1.187,8 und Platz 18. Es kommen weiterhin Stimmen hinzu; die Werte verschieben sich. Wer diese Zahlen zitiert, sollte das Datum angeben.

Die 93,2 steht für zwei Siege und zwei Niederlagen.

Pronunciation Robustness ist kein einzelner Test. Artificial Analysis unterteilt sie in vier Kategorien, jede mit einem eigenen Nenner, und in dieser Aufteilung wird dieses Modell erst lesbar.

• {{1}}Exakte Sequenzen beibehalten — Codes, Dateipfade, E-Mail-Adressen, Bezeichner.{{/1}} Ming-3.0-tts erreicht 90,6 %, Platz eins von 31, wobei der nächstbeste Fish Audio Drama 3 Preview mit 86,3 % und Eleven v4 mit 78,8 % folgt. Dies ist die Kategorie, die entscheidet, ob ein Support-Bot eine Bestellnummer korrekt vorliest, und der Abstand ist nicht knapp.

• Erweiterte Kurzschrift — Zahlen, Datumsangaben, Einheiten und Notation. Ming-3.0-tts erreicht 96,5 %, Erster von 31, vor Eleven v4 mit 94,1 % und Fish Audio Drama 3 Preview mit 93,6 %.

• Kontextuell angemessen – Heteronyme wie „a wound that is bandaged“ im Gegensatz zu „a bandage that is wound“. Ming-3.0-tts erreicht 91,0 %, Platz 13 von 31. Gemini 3.8 Flash TTS führt mit 98,0 %.

• Eigenständige Begriffe — Marken-, Orts- und technische Bezeichnungen. Ming-3.0-tts erreicht 88,5 % und damit Platz 21 von 31. Fish Audio Drama 3 Preview führt mit 95,9 %.

Ein Gesamtergebnis, das punktgleich den ersten Platz belegt und zugleich in einer seiner vier Komponenten Platz 21 einnimmt, ist kein Paradoxon; die beiden Kategorien, die es gewinnt, haben die größten Nenner (1.084 der 1.800 bewerteten Spans sind Shorthand- und Sequenzfälle). Ants eigenes README stützt sich genau auf diese beiden Siege und hebt Expanding Shorthand mit 96,5 % und Preserving Exact Sequences mit 90,6 % hervor, und der unabhängige Lauf bestätigt beide. Was es nicht erwähnt, ist der 21. Platz – genau die Zeile, die ein Voice-Agent-Team prüfen sollte, bevor es ein Modell ausliefert, das Kundennachnamen aussprechen muss.

Der 21. Platz ist auch die plausibelste Erklärung für ein Detail in Ants Modellkarte: Das englische Stimmset umfasst fünf Stimmen gegenüber über 100 im Chinesischen. Die Abdeckung englischer Eigennamen ist ein Datenproblem, bevor sie ein Modellierungsproblem ist, und die Kennzahl zur Aussprache von Begriffen zeigt, wie diese Lücke aussieht, wenn jemand sie misst.

Die Hälfte der Familie, die nicht auf dem Brett ist

Ming-3.0-tts-tiny, die Mixture-of-Experts-Variante mit insgesamt 7,9 Mrd. Parametern und 1,3 Mrd. aktiven Parametern auf dem Ling-V3-Backbone, hat in keiner dieser Bestenlisten einen Eintrag. Der mit Ming-3.0-tts beschriftete Arena-Eintrag verlinkt auf den 0,5-Mrd.-Checkpoint, und alle oben genannten Zahlen gehören zu diesem Checkpoint. Die veröffentlichten Ergebnisse von Tiny stammen von Ant selbst — chinesische Wortfehlerrate 0,820 % bei Sprecherähnlichkeit 0,781, Deutsch 0,325 %, Spanisch 0,971 %, Koreanisch 6,000 % — und niemand Unabhängiges hat sie reproduziert. Behandle sie als Herstellerangaben; die peinliche koreanische Zahl ist zumindest ein Beleg dafür, dass Ant die Tabelle veröffentlicht und nicht nur eine Highlight-Show.

Es gibt eine Stelle, an der tiny auf Ants Harness gegenüber seinem Geschwistermodell wirklich voraus zu sein scheint: die Multi-Speaker-Podcast-Generierung, die das 0,5B-Modell überhaupt nicht beherrscht. Das ist eher eine Produktfähigkeit als ein Benchmark-Vorsprung, und sie ist nicht in der Arena vertreten.

Der Betrieb – und was er kostet

Der 0,5B-Checkpoint ist ein 2,96 GB großer Download — Backbone, DiT-Patch-Head, Audio-Tokenizer, Speaker-Encoder und Text-Tokenizer — unter MIT-Lizenz, mit 44,1-kHz-Audioausgabe. Ant testete ihn auf einem H800-80GB und einem H20-96G mit PyTorch 2.6, CUDA 12.4 und transformers 4.46.3, und das Repository enthält ein Dockerfile. Die Inferenz erfolgt über infer.py oder die MingTTS-Python-Klasse; das Hugging-Face-Repository dient ausschließlich der Checkpoint-Verteilung und läuft nicht eigenständig.

Artificial Analysis hat den gehosteten Ant-Endpunkt mit 44,3 Zeichen pro Sekunde Generierungszeit gemessen, bei einer medianen Generierungszeit von 2,56 Sekunden. Zum Vergleich: Eine Million Zeichen fertiger Erzählung entsprechen auf dieser Konfiguration etwa 6,3 Stunden reiner Generierung, bevor Modellladung oder Warteschlange hinzukommen. Es gibt keinen angegebenen Preis, weil es keinen gehosteten kommerziellen Endpunkt gibt; Sie kaufen GPU-Stunden, keine Zeichen.

Hier ist eine Routing-Schicht wirklich nützlich, ohne vorzugeben, das Modell zu hosten. OrcaRouter führt Ming-3.0-tts nicht im Angebot — der Katalog enthält überhaupt kein Ming-Sprachmodell — und das Modell erreicht man, indem man das Repository klont und es selbst ausführt. Was wir hingegen anbieten, ist die Text-Hälfte derselben Pipeline: mehr als 200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters, ohne Aufschlag, automatisches Failover zwischen Anbietern, und eine Routing-DSL, um sie zusammenzustellen. Wenn Sie eine Erzähl- oder Agenten-Pipeline aufbauen, ist das Modell, das das Skript schreibt, der Teil, den Sie heute konsolidieren können; das Stimmmodell ist der Teil, den Sie selbst hosten.

Was von hier aus zu beobachten ist

Drei Dinge würden dieses Bild verändern, und keines davon ist bisher eingetreten.

In der Roadmap von Ant ist der technische Bericht weiterhin nicht abgehakt. Bis er vorliegt, besteht die Architekturbeschreibung aus einem Absatz und einem Diagramm, und die Evaluierungstabellen sind die einzigen detaillierten Belege dafür, wie sich das Modell verhält. Ein Bericht würde außerdem die Lücke bei der Aussprache von Fachbegriffen erklären, die derzeit eine Hypothese ist.

Provider Voice hat drei Muttersprachler-Stimmen gehört. Das ist eine dünne Stichprobe für ein Modell, das hundert auf Chinesisch und fünf auf Englisch ausliefert, und der 18. Platz wird sich verschieben, sobald mehr Stimmen bewertet werden — in welche Richtung, lässt sich von hier aus nicht wissen.

Und der winzige Checkpoint bleibt weiterhin von unabhängiger Seite ungemessen. Sollte er doch eine Zeile bekommen, ist die interessante Frage, ob ein Ling V3 Mixture-of-Experts mit 1,3B aktiven Parametern pro Token den Vorteil bei der Sequenztreue behält, der das 0,5B-Modell auszeichnet, oder ihn gegen die Sprecherähnlichkeit eintauscht, die ihm Ants eigene Tabellen zuschreiben. Laut den Herstellerzahlen ist tiny die bessere geklonte Stimme. Laut den einzigen unabhängigen Zahlen, die es gibt, ist das 0,5B-Modell dasjenige, das getestet wurde, und es bestand den Teil des Tests, an den die meisten nicht denken würden.