Ming-3.0-tts-0.5B se lanzó dos veces, y Ant Group no anunció ninguna de las dos.

Hay tres fechas asociadas a Ming-3.0-tts-0.5B, y cada una de ellas marca un evento diferente. El repositorio de Hugging Face se creó el 22 de septiembre de 2026, y los pesos se subieron dos días después. El repositorio de GitHub no existió hasta el 19 de octubre de 2026, cuando llegó su primer commit con el título «Initial release of Ming-3.0-tts». Artificial Analysis abrió una página del modelo ese mismo día y le asignó una puntuación. No hubo ninguna entrada de blog de inclusionAI, ni comunicado de prensa, ni hilo de lanzamiento que pudiéramos encontrar en ninguna de esas fechas. En el momento de redactar esto, el checkpoint tenía seis descargas y cero me gusta; el repositorio de GitHub tenía dos estrellas. Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.

Eso importa para cómo debe interpretarse el resto de este artículo. La división de pesos abiertos de Ant Group ha publicado un modelo de habla completo y con licencia MIT, con un sistema paralingüístico de 14 etiquetas, diseño de texto a voz, dos dialectos chinos y una tabla completa de resultados de benchmark. También, hasta la fecha, se ha negado a hablar de ello con nadie. Lo que sigue distingue lo que prueba el repositorio de lo que solo Ant puede confirmar.

Las tres fechas y qué cubre realmente cada una

La confusión no es inventada. Los dos repositorios de Ant discrepan públicamente, y ninguno está equivocado.

• 22 de septiembre de 2026, 12:46 UTC — se crea el repositorio de Hugging Face con un commit inicial que consiste en un README de marcador de posición. Aún no hay pesos.

• 24 de septiembre de 2026, 04:21 UTC — el checkpoint llega mediante un commit de carga de carpeta grande, seguido veinte minutos después por un README específico del modelo. A partir de este momento, el modelo se puede descargar, y casi nadie lo descarga.

• 19 de octubre de 2026, 07:03 UTC — se crea el repositorio de GitHub. A las 08:58 UTC, el primer commit, «Lanzamiento inicial de Ming-3.0-tts», incluye código de inferencia, un Dockerfile, scripts de ejemplo de un solo clic y un recetario de tareas. Los commits de documentación continúan durante toda la tarde.

La sección News del README de GitHub dice que los modelos 0.5b y tiny se publicaron en "2026.10". La tarjeta de Hugging Face no dice absolutamente nada sobre una fecha. Ambas describen el mismo artefacto: el checkpoint existía en septiembre; la versión usable —código, versiones fijadas del entorno, ejemplos— llegó en octubre. Si se fecha el modelo para un documento de adquisición, el 22 de septiembre es cuando se hizo público; si se fecha como algo que se puede ejecutar, el 19 de octubre es la respuesta honesta.

Lo que no podemos decirte es por qué. Una publicación discreta es normal en una organización de investigación que espera que la ficha del modelo sea la que hable. También es lo que parece un lanzamiento por etapas cuando se planea un anuncio más grande. Nada en ninguno de los dos repositorios aclara cuál es el caso, y no vamos a adivinar.

¿Qué hay dentro del checkpoint de 0.5B?

El modelo es un generador de habla denso construido sobre un backbone Qwen2.5-0.5B, con una cabeza de parches de transformer de difusión y un tokenizador de audio separado. El paquete de lanzamiento es más que un modelo de lenguaje: el repositorio incluye el backbone, la cabeza DiT, la VAE de audio, un codificador de hablante CAM++ en formato ONNX y el tokenizador de texto, todo en una sola carpeta. Esa decisión de empaquetado explica una discrepancia que encontrará de inmediato.

• Parámetros: la tarjeta y el nombre del modelo indican 0.5B; los propios metadatos de Hugging Face indican que el repositorio es de 1B, y el único archivo model.safetensors pesa 2,96 GB. La cifra de 0.5B corresponde al backbone del lenguaje. El paquete que realmente se descarga es aproximadamente tres veces eso en bf16.

• Salida — audio de 44,1 kHz, que es más alto que la mayoría de los lanzamientos abiertos de TTS y es una de las pocas afirmaciones que puedes comprobar aquí en diez segundos con un inspector de archivos.

• Idiomas — chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés cuando se proporciona un clip de referencia en el dialecto.

• Voces: clonación zero-shot a partir de un breve clip de referencia, diseño de voz a partir de una descripción en lenguaje natural y un elenco integrado de más de 100 voces en chino y cinco en inglés.

• Control — 14 etiquetas en línea para risas, suspiros, tos, respiración y vacilación, además de ajustes explícitos de emoción, velocidad, tono y volumen. La tarjeta admite con franqueza que el tono es el menos preciso de los cuatro.

• Tareas — TTS, instrucción de formato libre, diseño de voz, multilingüe, atributos básicos, emoción, dialecto y un modo de voz integrada. Los controles son mutuamente excluyentes por diseño: el formato libre no se puede combinar con el diseño de voz ni con una voz integrada.

• Licencia — MIT, tanto para los pesos como para el código. El aviso de uso de Ant pide que no suplantes a personas sin su consentimiento y que etiquetes el habla sintética, lo cual es una petición más que una condición de la licencia.

En la misma versión hay un segundo modelo. Ming-3.0-tts-tiny es un diseño de mezcla de expertos sobre una base Ling V3, con 7.9B en total y 1.3B activos, y añade generación de pódcasts con varios hablantes, algo que el modelo de 0.5B no tiene. Si tu interés es concretamente el modelo pequeño, el planteamiento útil es que 0.5B es el despliegue ligero y tiny es el techo de capacidad, no que uno sustituya al otro.

Las tablas de referencia y quién las produjo

Todas las cifras de la ficha del modelo proceden del propio entorno de evaluación de Ant. No se trata de una crítica —es lo que es una tabla de lanzamiento—, pero esas tablas se están citando en otros sitios sin esa etiqueta, así que aquí queda dicha.

• Seed-TTS zero-shot, chino — 0.800% de tasa de error de palabras, 0.758 de similitud de hablante.

• Seed-TTS zero-shot, inglés — 1,584 % de tasa de error de palabras, 0,691 de similitud de hablante.

• NVBench paralingüístico, evento único — tasa de error de caracteres chinos 2,70, en inglés 7,60.

• Dialecto, WSC-Eval-TTS-easy — 2,27 % de tasa de error de caracteres, 80,68 % de precisión.

• Diseño de voz, InstructTTSEval-ZH — 72,29 % de promedio.

• Control básico de atributos — 93,30 % de media, con una tasa de error de palabras del 0,317 %.

La parte interesante es lo que las mismas tablas indican frente a los competidores elegidos por el propio modelo. En la tasa de error zero-shot en chino, CosyVoice3-1.5B registra 0.710% y Qwen3-TTS-12Hz-1.7B-Base 0.770%, ambos mejores que el 0.800% de Ming. En similitud del hablante, el 0.780 de CosyVoice3-0.5B supera el 0.758 de Ming. En la tasa de error en inglés, Qwen3-TTS-12Hz-1.7B-Base alcanza 1.240% frente al 1.584% de Ming.

Así que Ming-3.0-tts-0.5B no reclama la corona de la precisión ni siquiera dentro de su propio conjunto de comparación, y no necesita hacerlo. Sus fortalezas son las columnas que los demás no cubren: control de dialectos, diseño de voces y un conjunto de capacidades paralingüísticas en el que lidera la mayoría de las categorías de eventos únicos. Lee la ficha como «control amplio con quinientos millones de parámetros de backbone», no como «mejor tasa de error», y se sostiene.

La tarjeta también nombra sus propias debilidades con una disposición inusual, y vale la pena repetirlo porque la mayoría no lo hace: la similitud de la voz queda por debajo de la precisión del contenido, la similitud en francés es la brecha multilingüe más clara, las frases paralingüísticas con múltiples eventos siguen siendo inestables, el control de las emociones se degrada cuando las propias palabras no llevan señal emocional alguna, y el diseño de voces abierto todavía no iguala al sistema más potente con el que se lo comparó.

El primer número independiente llegó antes de que llegara el anuncio.

Artificial Analysis añadió Ming-3.0-tts a su arena de voz el 19 de octubre y vinculó la entrada con este checkpoint exacto de 0.5B, lo que resuelve una pregunta que la ficha deja abierta: el modelo evaluado es el pequeño. Dos tablas, dos resultados, y apuntan en direcciones distintas.

Provider Voice, donde cada modelo utiliza sus propias voces nativas — Elo 1.188, intervalo del 95 % de 1.173 a 1.203, 19.º de los 98 modelos de la tabla y tercero entre los modelos de pesos abiertos, por detrás de Fish Audio Drama 3 Preview con 1.245 y Breeze T​TS 2 con 1.220.

• Controlled Voice, donde todos los modelos clonan las mismas ocho voces de referencia — Elo 1.069, intervalo de 1.053 a 1.085, 14.º en la clasificación general y primero entre los modelos de pesos abiertos, por delante de Fish Audio Drama 3 Preview con 1.059 y de Breeze T​TS 2 con 1.019.

• Velocidad — una mediana de 42,1 caracteres por segundo durante el tiempo de generación en el hardware de Artificial Analysis, con un tiempo de generación mediano de 2,46 segundos por solicitud. A modo de comparación, Simba 3.2 mide 77,8 caracteres por segundo y Qwen-Audio-3.0-TTS-Plus 25,6 en el mismo equipo.

Esa separación es lo más útil que se ha publicado sobre este modelo. Su voz clonada es competitiva con los mejores sistemas de pesos abiertos del ranking; su propio conjunto de voces no lo es. Sean cuales sean las grabaciones de voz nativas de Ant, son la parte que mantiene abajo la clasificación de voces del proveedor, y eso es un problema de ingeniería solucionable, no arquitectónico.

Una afirmación del proveedor que no pudimos verificar: la página del proyecto indica que Ming-3.0-tts ocupa el primer lugar general en la métrica de robustez de pronunciación de Artificial Analysis con un 93,2%, y el primero en dos de sus subcategorías. La métrica existe y Artificial Analysis la publica, pero el valor por modelo no se muestra en los datos de la página que pudimos leer, así que trata el 93,2% como una cifra declarada por el proveedor hasta que veas el gráfico de barras tú mismo.

Ejecutarlo lleva unos veinte minutos y tres correcciones.

El repositorio de Hugging Face es únicamente una publicación de checkpoints. Así lo indica en un recuadro destacado cerca del principio: la inferencia requiere el proyecto de GitHub, y la API de Python y la CLI a las que se hace referencia en la tarjeta provienen de allí. Esa es la primera fricción, y es la razón por la que el repositorio de octubre importa más que la carga de septiembre.

El segundo es la normalización de texto. Los números, las fechas, las unidades y los símbolos se manejan mediante gramáticas FST que requieren pynini, la cual no tiene una wheel universal; las propias instrucciones de Ant te remiten a conda-forge para la versión 2.1.6. Si prefieres no hacerlo, --no_text_normalization lo omite y heredas el aspecto que ya tenga tu texto. Para un pipeline de narración de producción, eso es una decisión real, no una nota al pie.

El tercero es el hardware. El entorno está fijado a PyTorch 2.6, CUDA 12.4 y transformers 4.46.3, con un Dockerfile incluido, y se ha probado en una H800-80GB y una H20-96G. flash-attn es opcional y la inferencia recurre a PyTorch SDPA como alternativa. Nada en la versión publicada sugiere que esto funcione cómodamente en una tarjeta de consumo, y nadie fuera de Ant ha publicado todavía una cifra de rendimiento en hardware más pequeño.

La llamada mínima viable, una vez que el entorno está en marcha, es una única invocación de CLI con un clip de referencia y su transcripción — el clon se condiciona a ambos, con --use_spk_emb habilitando el condicionamiento por embedding de hablante. También hay un script de verificación previa que comprueba el checkpoint y el tokenizador sin cargar los pesos, que vale la pena ejecutar antes de gastar una asignación de GPU en una descarga defectuosa.

¿Qué sigue siendo incognoscible?

Cuatro cosas cambiarían cómo debería juzgarse este modelo, y ninguna de ellas existe todavía.

No hay endpoint alojado ni precio. Artificial Analysis deja el campo de precio vacío porque no hay nada que tarificar: la única forma de invocarlo es ejecutarlo. Eso está bien para un equipo con GPUs y es un problema para todos los demás, y es la mayor diferencia práctica entre este lanzamiento y las voces alojadas con las que se lo comparará.

No hay ningún informe técnico. La hoja de ruta de GitHub lo incluye como una casilla sin marcar, y Ant eliminó de la tarjeta del modelo una referencia anterior a un informe no confirmado. Eso deja la descripción de la arquitectura al nivel de un diagrama y un párrafo, lo cual basta para ejecutar el modelo y no basta para reproducir las afirmaciones sobre el entrenamiento.

No existe una replicación independiente de la tasa de error. Las cifras de Seed-TTS y NVBench son de Ant, medidas con el protocolo de Ant y los ajustes de inferencia recomendados por Ant. La puntuación de la arena es independiente, pero mide preferencia, no precisión. Nadie fuera del laboratorio ha publicado una tasa de error por palabra para este checkpoint.

Y no hay ninguna declaración de intenciones. Que no haya anuncio significa que no hay compromiso de soporte, ni política de deprecación, ni indicación alguna de si habrá un servicio alojado. Para un lanzamiento de investigación bajo MIT, puede que sea totalmente deliberado. Para cualquiera que planee incluirlo en un producto, es un riesgo que hay que valorar.

OrcaRouter no enruta Ming-3.0-tts-0.5B, y este artículo no debe interpretarse como una insinuación de lo contrario: el catálogo no incluye ningún modelo de voz de Ming. Lo que sí incluye el catálogo es el resto de una canalización de voz: openai/tts-1 y tts-1-hd, gpt-4o-mini-tts y las versiones preliminares de Gemini TTS, todo al precio de lista del proveedor sin ningún recargo, y más de 200 modelos de texto detrás de la misma clave para la mitad del sistema que escribe el guion o impulsa al agente. Si estás evaluando una voz de pesos abiertos aún no probada, el despliegue sensato es mantenerla fuera de la ruta crítica hasta que se haya ganado su lugar; la conmutación por error automática entre proveedores es lo que mantiene en pie la mitad de texto de esa canalización mientras tú decides.

La próxima señal real no será otra tabla de benchmarks. Será la primera persona fuera de Ant que ejecute el checkpoint de 0.5B con su propio audio y publique qué se rompió. Hasta que eso exista, el resumen defendible es limitado: una voz multilingüe de 44.1 kHz, con licencia MIT y genuinamente capaz, con la mejor puntuación de voz clonada de pesos abiertos en la tabla independiente, un elenco de voces nativas más débil, un lanzamiento no anunciado y ninguna versión alojada. Eso es un artefacto de investigación prometedor, todavía no una decisión de producto.