Ming-3.0-tts vs. Ming-3.0-tts-tiny: Der kleinere Checkpoint ist der bessere Download, und der größere ist der einzige, den überhaupt jemand gemessen hat

Ant Group hat zwei Sprachmodelle unter einem Namen veröffentlicht, und die Benennung ist das Erste, was Sie irreführen wird. Ming-3.0-tts-the-default ist das dichte 0,5B-Modell: 2,96 GB auf der Festplatte, ein Qwen2.5-0.5B-Backbone, schnell, günstig und das einzige der beiden mit einer unabhängigen Bewertung. Ming-3.0-tts-tiny ist das um eine Größenordnung größere der beiden — ein Mixture-of-Experts-Modell mit 7,9B Parametern, von denen pro Token 1,3B aktiv sind, auf dem Ling V3 Backbone aufgebaut, mit 18 GB geshardeten Gewichten — und es heißt tiny wegen der Betriebskosten, nicht wegen der Downloadkosten. Wenn Sie nach der Bezeichnung auswählen, bekommen Sie die falsche Datei. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Vertrauensgrad und Umstritten-Kennzeichnung mitführt.

Der zweite Punkt, der Sie in die Irre führen wird, ist die Bestenliste. Artificial Analysis führt eine Ming-3.0-tts-Zeile mit 1.188 Provider Voice Elo und 93,2 % Ausspracherobustheit, und diese Zeile verlinkt auf den 0.5B-Checkpoint. Nichts davon gehört zu tiny. Die Zahlen von tiny stammen aus Ants eigenen Tabellen, die in der Modellkarte und der GitHub-README veröffentlicht wurden, und kein Dritter hat irgendeine davon reproduziert. Die ehrliche Gegenüberstellung hat also zwei Hälften: ein Modell mit unabhängigen Belegen und ohne Podcast-Modus, ein Modell mit Herstellerbelegen und einer Fähigkeit, die dem anderen fehlt. Welche Hälfte Sie brauchen, ist eine Frage Ihrer Workload, nicht eine Frage, welches Modell besser ist.

Gleiche Architekturfamilie, zwei sehr unterschiedliche Maschinen

Beide Modelle nutzen das Generierungsframework, das Ant in der README beschreibt: Text und aufgabenspezifische Steuer-Tokens konditionieren ein Sprachmodell, das einen Diffusion-Transformer-Patch-Head ansteuert, der Audio-Tokens ausgibt. Der Unterschied ist das zugrunde liegende Sprachmodell. Das 0.5B verwendet ein dichtes Qwen2.5-0.5B; tiny verwendet eine sparse Ling V3 Mixture of Experts mit insgesamt 7,9B und etwa 1,3B aktivierten pro Token.

• Downloadgröße — Ming-3.0-tts 2,96 GB gegenüber Ming-3.0-tts-tiny etwa 18 GB über 30 Shards

• Parameter — 0,5B dicht vs. 7,9B gesamt / 1,3B aktiv MoE

• Backbone — Qwen2.5-0.5B vs. Ling V3

• Laufzeitumgebung — PyTorch 2.6 + CUDA 12.4 auf einem Stack aus der Python-3.8-Ära gegenüber Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Hardware — getestet auf H800-80GB und H20-96G im Vergleich zum empfohlenen H800; SGLang-Omni kann auf einer einzigen GPU bereitgestellt werden

• Podcast-Generierung mit mehreren Sprechern — nicht unterstützt vs. unterstützt

• Lizenz — MIT vs. MIT

• Unabhängige Arena-Bewertung — ja, 1.188 Provider / 1.068 Controlled / 93,2 % Aussprache vs. keine

Die beiden Checkpoints teilen sich keine Python-Umgebung. Das ist keine Dokumentations-Marotte; es bedeutet, dass ein Team, das beide auf derselben Maschine evaluieren möchte, zwei virtualenvs pflegt, und ein Team, das sie in der Produktion A/B testen möchte, zwei Deployment-Images pflegt. Wenn Ihr Plan lautet: „Mit dem kleinen anfangen und später upgraden“, dann planen Sie die Migration als echte Arbeit ein, nicht als Konfigurationsänderung.

Wo winzig wirklich besser ist – gemessen an Ants eigenen Zahlen

Sprecherähnlichkeit ist der deutlichste und beständigste Vorteil, und sie ist die Kennzahl, die entscheidet, ob eine geklonte Stimme wie die Person klingt.

• Sprecherähnlichkeit für Chinesisch bei Seed-TTS — Ming-3.0-tts 0.758 vs. tiny 0.781

• Seed-TTS-Sprecherähnlichkeit (Englisch) — 0.691 vs. 0.728

• Deutsche Ähnlichkeit — 0,753 vs. 0,791

• Ähnlichkeit zu Spanisch — 0,763 vs. 0,797

• Französische Ähnlichkeit — 0,675 vs. 0,733

• Japanische Ähnlichkeit — 0.765 vs. 0.780

• Koreanische Ähnlichkeit — 0,793 vs. 0,797

Tiny gewinnt bei der Ähnlichkeit in jeder Sprache, meist um drei bis sechs Punkte, und das Muster bestätigt sich auch bei den Kontroll-Benchmarks: durchschnittlich 74,00 % bei CV3-Emotion gegenüber 72,33 % und 75,37 % bei der Voice-Design-Genauigkeit gegenüber 72,29 %. Das sind die beiden Dinge, die ein Kunde bemerkt, ohne dass man es ihm sagt – klingt es wie ich, und hat es getan, was ich beschrieben habe. Bei beidem liegt das 7,9B-MoE vorn.

Die inhaltliche Genauigkeit verteilt sich in die andere Richtung, und diese Verteilung ist nicht symmetrisch.

• Seed-TTS chinesische Wortfehlerrate — 0,800 % vs. 0,820 %. Praktisch ein Gleichstand; das dichte Modell liegt minimal vorn.

Seed-TTS englische Wortfehlerrate — 1,584 % vs. 1,666 %. Dense liegt vorn.

• Deutsch — 0,365 % vs. 0,325 %. Knapp voraus.

• Spanisch — 1,099 % vs. 0,971 %. Knapp vorne.

• Französisch — 4,264 % vs. 3,470 %. Tiny liegt deutlich vorn.

• Fehlerquote bei japanischen Zeichen — 3,765 % vs. 3,427 %. Knapp vorn.

• Fehler bei koreanischen Zeichen — 1,728 % vs. 6,000 %. Dense liegt um den Faktor dreieinhalb vorn.

Koreanisch ist der Ausreißer, der jeden davon abhalten sollte, aus der Tabelle abzulesen, dass „tiny bei Mehrsprachigkeit besser ist“. Ants eigene Modellkarte weist es aus: Koreanisch hat im tiny-Modell die größte mehrsprachige Genauigkeitslücke, und der Wert von 6,000 % ist mehr als das Dreifache dessen, was das Halb-Milliarden-Modell schafft. Ein Team, das für den koreanischen Markt entwickelt, hat eine klare Antwort – und es ist nicht das größere Modell.

Die Fähigkeit, die kein Benchmark ist

Ming-3.0-tts-tiny erzeugt aus einem Skript mit Sprecherreferenzen mehrsprecherige Podcast-Dialoge. Ming-3.0-tts hingegen nicht. Das ist eine Produktfunktion, keine Punktzahl, und sie taucht in keinem Leaderboard auf – genau deshalb übersieht man sie leicht beim Vergleichen von Datenblättern, die beide „voice cloning“ und „voice design“ auflisten.

Ants Podcast-Evaluierung auf dem eigenen Harness platziert tiny bei 2,03 % Zeichenfehlerrate mit 0,561 Sprecherähnlichkeit und 2,12 UTMOS, gegenüber ZipVoice-Dia mit 2,24 UTMOS, FireRedTTS2 mit 3,34 % CER und MOSS-TTSD mit 8,62 %. Auf die UTMOS-Lücke sollte man achten: tiny führt bei der inhaltlichen Genauigkeit und liegt bei der Natürlichkeit hinter dem besten Vergleichswert, was derselbe Zielkonflikt ist, auf den die Sprecherähnlichkeitswerte aus der anderen Richtung hindeuten. Die Podcast-Generierung belohnt Sprecherwechsel und Sprecherkonsistenz stärker als einen einzelnen perfekten Clip, und das ist die Form von tinys Vorteil.

Wenn Sie zwei Personen brauchen, die miteinander sprechen, gibt es hier keinen Vergleich – das eine Modell kann es, das andere nicht. Alles andere in diesem Artikel betrifft den Fall, in dem beide die Aufgabe erledigen können.

Was die Unabhängigkeitslücke Sie wirklich kostet

Die Arena-Position des 0.5B-Modells sollte man verstehen, bevor man entscheidet, wie viel Gewicht man ihr beimisst. Es erzielt 1.188 Provider-Voice-Elo, Platz 18 von 97, und 1.068 Controlled Voice, Platz 1 unter den Open-Weights-Modellen und Platz 12 insgesamt. Bei der Aussprache liegt es bei 93,2 %, praktisch gleichauf mit Fish Audio Drama 3 Preview und vor Eleven v4. Das sind unabhängige Messungen mit veröffentlichten Stichprobenumfängen und Konfidenzintervallen.

Was Ihnen das verschafft, ist Kalibrierung. Sie wissen ungefähr, wo das dichte Modell gegenüber ElevenLabs und Cartesia steht, weil dasselbe Labor alle drei auf demselben Prüfstand gemessen hat. Bei tiny wissen Sie nur, was Ant sagt – gemessen auf Ants Prüfstand mit Ants Einstellungen – und Ant ist die Partei, die ein Interesse am Ergebnis hat. Das ist kein Vorwurf – die Tabellen sind ungewöhnlich offen, einschließlich der koreanischen Zahl und einer Liste von Einschränkungen, die Pitch-Kontrolle und Rollenspiel-Stimmdesign als Schwachpunkte nennt. Es ist eine Aussage darüber, was eine Zahl stützen kann. Eine Anbietertabelle sagt Ihnen, dass das Modell auf den Achsen wettbewerbsfähig ist, die der Anbieter zu messen gewählt hat; eine Arena-Zeile sagt Ihnen, wo es gegen Systeme abschneidet, die Sie bereits verwenden.

Es gibt einen bestimmten Punkt, den Ihnen auch das unabhängige Board nicht mitteilt: Es hat eine einzige Stimme gemessen. Artificial Analysis merkt an, dass jedes Modell auf dem Aussprache-Board mit einer einzigen Stimme bewertet wird, und die Zeile von Ming verwendet den Endpoint von Ant, wobei drei muttersprachliche Stimmen verfügbar sind. Ob die 93,2 % über die geklonten Stimmen hinweg Bestand haben, die ein Produkt tatsächlich ausliefern würde, ist unbekannt, und es ist das Erste, was es wert ist, selbst zu testen.

Auswahl in der Praxis

Der Entscheidungsbaum ist kurz.

Nehmen Sie Ming-3.0-tts (0.5B), wenn Sie den kleinsten brauchbaren Download möchten, wenn Sie für Koreanisch deployen, wenn Ihre Hardware eine einzelne 80-GB-Karte ist, die Sie auch für andere Dinge nutzen, oder wenn Sie ein Modell benötigen, dessen Verhalten von jemand anderem als seinem Autor gemessen wurde. Mit 2,96 GB und 44,3 Zeichen pro Sekunde auf der unabhängigen Testumgebung ist es ein brauchbarer Erzähler, der auf einer GPU schneller als Echtzeit-Sprache ist.

Nimm Ming-3.0-tts-tiny, wenn Sprecherähnlichkeit das Produkt ist – eine geklonte Markenstimme, ein personalisiertes Vorlesen, alles, wo das erste Urteil der Zuhörer „klingt das wie er/sie“ ist – oder wenn du Podcast-Dialoge brauchst, oder wenn die Genauigkeit bei Französisch, Deutsch, Spanisch oder Japanisch die Einschränkung ist. Rechne mit 18 GB Gewichten, einer separaten Python-3.10-Umgebung und einer Karte der H800-Klasse.

Nehmen Sie keines von beiden, doch wenn Sie eine unabhängige Zahl benötigen, bevor Sie Produktionskapazität für tiny binden. Die Arena-Zeile existiert nicht, der technische Bericht ist auf der Roadmap weiterhin nicht abgehakt, und die vLLM-Omni-Beschleunigung ist im README als erledigt markiert, ohne veröffentlichte Anleitung. Diese drei Lücken sind genau die drei Dinge, die tiny leicht empfehlenswert machen würden.

Ein betrieblicher Hinweis, der für beide gilt: Keiner der Checkpoints streamt. Für keines der beiden Modelle ist eine Zeit bis zum ersten Audio veröffentlicht, und die Durchsatzangabe der Arena bezieht sich auf die Generierung über eine abgeschlossene Anfrage. Wenn Ihre Anwendung konversationell ist, ist diese Familie unabhängig von der gewählten Größe nicht das geeignete Werkzeug.

Die Routing-Frage, die hier anders ist

Die meisten Vergleiche auf dieser Website enden mit einem Absatz über die Konsolidierung des Zugriffs. Dieser hier kann das nicht, denn OrcaRouter hostet keinen der beiden Ming-Checkpoints – der Katalog führt kein Ming-Sprachmodell, und beide erreicht man nur, indem man Ants GitHub-Repository klont und die Gewichte selbst ausführt. Etwas anderes zu behaupten wäre eine Lüge, die ein Leser in dreißig Sekunden überprüfen könnte.

Was wahr ist, ist enger gefasst und dennoch nützlich. Eine Sprachpipeline ist normalerweise zuerst textbasiert: Etwas schreibt das Skript, etwas übersetzt es, etwas prüft es gegen einen House Style. Diese Textstufe kann hinter einem einzigen Schlüssel liegen – mehr als 200 Modelle zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover wenn ein Anbieter beeinträchtigt ist, und eine Routing-DSL, um eine Aufgabe je nach Inhalt der Anfrage an ein anderes Modell zu senden. Die Sprachstufe in diesem Vergleich bleibt so oder so auf Ihrer Hardware, und der selbst gehostete Weg ist es, der die Wahl zwischen den beiden Checkpoints umkehrbar macht: MIT-Gewichte verfallen nicht, und ein Modell, das Sie bereits auf der Festplatte haben, ist eines, das Sie weiter betreiben können, während Sie seinen Ersatz bewerten.

Was würde es klären

Drei Entwicklungen, geordnet danach, wie stark sie die Empfehlung beeinflussen würden. Eine kleine Zeile in der Arena würde Ihnen sagen, ob der Ähnlichkeitsvorteil einen Blindvergleich durch Hörer übersteht – der einzige Test, der noch nicht durchgeführt wurde. Der technische Bericht würde erklären, warum ein MoE mit 1,3 Mrd. aktiven Parametern an Sprecherähnlichkeit gewinnt und an koreanischer Genauigkeit verliert und ob das auf eine Datenaufteilung oder eine architektonische Folge zurückzuführen ist. Und ein veröffentlichtes vLLM-Omni-Rezept würde den 18-GB-Checkpoint auf gemieteter Hardware praktikabel machen statt eines Forschungseinsatzes.

Bis dahin ist die nützliche Einordnung, dass Ant zwei Modelle für zwei Aufgaben ausgeliefert und ihnen Namen gegeben hat, die die kleinere Aufgabe wie die kleinere Datei klingen lassen. Das ist sie nicht. Das 0.5B ist dasjenige, das man messen, bereitstellen und in einem Design-Review verteidigen kann; das 7.9B ist dasjenige, das in sechs von sieben Sprachen mehr wie die Person klingt, die du geklont hast – wenn du es dir leisten kannst, das einfach zu glauben.