Ming-3.0-tts-tiny tiene la mejor voz clonada de la familia y queda en sexto lugar en coreano

La mejor puntuación de similitud de hablante en la nueva familia de voz de Ant Group corresponde al modelo con menos parámetros activos. Ming-3.0-tts-tiny es un checkpoint de mezcla de expertos de 7.9B que activa aproximadamente 1.3B parámetros por token, y en el conjunto chino Seed-TTS registra una similitud de hablante de 0.781 — la cifra más alta en todas las tablas publicadas por Ant, y superior a la 0.758 de su propio hermano menor. En coreano, el mismo modelo termina sexto de los ocho sistemas evaluados por Ant, con una tasa de error de caracteres del 6.000%, mientras que ese hermano de 0.5B alcanza el 1.728%. Ambas cifras provienen del mismo arnés del proveedor, ejecutado por el mismo equipo, el mismo día. La distancia entre ellas es lo más útil del lanzamiento. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.

Nada de esto se anunció. El checkpoint se publicó en Hugging Face el 24 de septiembre de 2026, dos días después de que se creara el propio repositorio; el código de inferencia, los scripts de ejemplo y la guía de tareas no llegaron hasta el 19 de octubre, cuando se abrió el repositorio de GitHub y su primer commit se registró a las 08:58 UTC. En el momento de escribir esto, el repositorio de Hugging Face tenía 20 descargas y 3 me gusta, y el de GitHub tenía cinco estrellas. Así que considere lo siguiente como una lectura de los artefactos y no como un informe sobre un lanzamiento: todo lo que aparece aquí es verificable en los repositorios, y las partes que no lo son están marcadas como tales.

El resultado coreano no es un error de redondeo.

La tabla multilingüe de Ant compara el modelo pequeño con otros siete sistemas en seis idiomas. Lea la fila completa en lugar del titular.

• Alemán — 0,325 % de tasa de error de caracteres, el primero de los ocho, por delante del siguiente mejor con 0,612 %.

• Español — 0,971 %, primero, con el segundo en 1,184 %.

• Japonés — 3,427%, empatado en segundo lugar.

• Francés — 3,470 %, segundo, pero con una similitud de hablante de 0,733 que no lo sitúa entre los tres primeros; la tabla lo indica en su propia sección de limitaciones.

• Coreano — 6.000%, sexto de ocho, y el único idioma en el que el modelo es superado por un sistema al que, por lo demás, supera en todos los aspectos.

• Chino e inglés: los dos idiomas en torno a los cuales está realmente construido el modelo, y los dos en los que su similitud de hablante destaca.

La cifra para el coreano es aproximadamente tres veces y media la tasa de error de Ming-3.0-tts-0.5B en el mismo idioma. Ant no explica por qué, y la tarjeta del modelo no especula. Lo que se puede decir sin conjeturar es estructural: este es un modelo disperso, y los modelos dispersos enrutan los tokens a través de un subconjunto de expertos, por lo que un idioma que recibió menos señal de entrenamiento en la mezcla puede degradarse más rápido de lo que lo haría en un modelo denso de tamaño total comparable. Eso es un mecanismo plausible, no un hallazgo, y debería tratarse como una hipótesis que hay que probar en lugar de una explicación. La lectura práctica es más limitada y más defendible: si el coreano está en tu producto, este no es el checkpoint al que deberías recurrir hasta que alguien lo pruebe con texto coreano real.

Dónde van realmente los 7.900 millones de parámetros

El nombre dice "diminuto"; los tamaños de archivo dicen lo contrario, y la diferencia está en la arquitectura.

• Parámetros totales — los metadatos de Hugging Face informan 8.980.964.372 en BF16 más 40.096 en F32, y el repositorio ocupa unos 18 GB. La versión describe el modelo como 7.9B-A1.3B, es decir, 7,9 mil millones en total y aproximadamente 1,3 mil millones activos por token. Esa descripción se corrigió en la tarjeta del modelo el 16 de octubre, reemplazando una redacción anterior, así que cita la más reciente.

• Backbone — Ling V3, de la misma familia que Ant utiliza para sus modelos de texto más grandes, ejecutado como una mezcla de expertos en lugar de como una pila densa.

• Head — un transformer de difusión que convierte los estados ocultos del backbone en latentes de audio, seguido de un tokenizador de audio independiente que los decodifica a forma de onda.

• Bundle — el checkpoint incluye el backbone, la cabeza DiT, el tokenizador de audio, un codificador de hablante CAM++ y el tokenizador de texto en una sola carpeta. Estás descargando un pipeline, no un modelo de lenguaje con un adaptador añadido.

• Salida y voces: la misma amplia superficie de control que el resto de la familia: clonación zero-shot a partir de un breve clip de referencia, diseño de voz a partir de una descripción en lenguaje natural, control de estilo libre, más de 100 voces chinas integradas y cinco voces en inglés, y 14 etiquetas paralingüísticas en línea para risas, suspiros, respiración y vacilación, además de ajustes explícitos de emoción, velocidad, tono y volumen.

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

• Licencia — MIT para los pesos y el código, con una nota de uso que pide no hacerse pasar por personas sin consentimiento y etiquetar el audio sintético. Esa nota es una petición, no una condición de la licencia.

La consecuencia extraña es que «tiny» es una afirmación sobre el cómputo por token, no sobre el disco ni la VRAM. Gastas la memoria de un modelo de 7.9B y obtienes la velocidad de uno de 1.3B, lo cual es un compromiso razonable para la síntesis por lotes y malo para un portátil. El propio entorno de Ant fija una H800 como tarjeta recomendada, y nada en el lanzamiento sugiere lo contrario.

Las cinco columnas que gana

Todas las cifras de esta sección son de Ant, medidas en el entorno de pruebas de Ant con los ajustes de inferencia recomendados por Ant, y la tarjeta del modelo es el único lugar donde existen. Las etiquetas importan más de lo habitual aquí, porque son las cifras que se citarán en otros lugares sin ellas.

• Similitud del hablante, chino zero-shot — 0,781, la mejor del conjunto de comparación, con una tasa de error de palabras del 0,820 %. El inglés alcanza una similitud de 0,728 con una tasa de error del 1,666 %, también la mejor similitud de su columna.

• Evento único paralingüístico, NVBench — el modelo lidera las seis categorías de etiqueta única: chino 2,80 de error / 17,23 de similitud / 3,20 de puntuación, inglés 5,86 / 32,95 / 7,05. En oraciones con múltiples eventos, lidera la columna de inglés con 5,12 / 46,13 / 7,68 y se sitúa en la mitad de la tabla en chino con 4,49 / 32,88 / 5,81.

• Dialecto — conjunto fácil de WSC-Eval-TTS: 2,53 % de error de caracteres, 0,721 de similitud, 86,09 % de precisión; conjunto difícil: 3,11 %, 0,738, 88,94 %. Ambos son los primeros en la tabla de Ant. El cantonés alcanza 7,40 % / 0,605 / 92,90 en el conjunto base y 8,67 % / 0,653 / 95,16 en el conjunto de cobertura.

• Emoción — 74,00 % de media en el conjunto chino CV3 y 30,67 % en CV3N, primero en ambos subconjuntos de Sad y sin destacar en el resto.

• Diseño de voz: 75,37 % de media en InstructTTSEval-ZH, segundo en la clasificación general, con puntuaciones de indicación de atributo de 85,10, descripción 79,90 y juego de rol 61,10. El juego de rol es el punto débil: cuarto puesto, y la tarjeta del modelo lo indica.

La tabla de atributos básicos es la menos atractiva y probablemente la más útil: 93 % en edad, 93 % en género, 78,70 % en tono, una media de 88,23 % con una tasa de error de palabra de 0,274 % y una similitud de 0,742. El tono es el más débil de los cuatro controles, lo que coincide con lo que informan todos los demás sistemas de esta clase.

El número del podcast es la verdadera razón para fijarse en esto.

El modelo de 0,5B no puede generar pódcast con varios hablantes. El más pequeño sí puede, y en la tabla de pódcast de Ant es el mejor resultado de precisión de contenido de la comparación.

• Ming-3.0-tts-tiny — 2,03 % de tasa de error de caracteres, 0,561 de similitud de hablante condicional, 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.

Primero en tasa de error por un margen pequeño, segundo tanto en similitud como en naturalidad, y la diferencia en naturalidad es la interesante: ZipVoice-Dia está 0,12 UTMOS por delante mientras que es 1,36 puntos peor en precisión. Eso es un verdadero compromiso y no una diferencia de redondeo, y sugiere que la prosodia dialógica del modelo diminuto es lo siguiente que hay que mejorar, más que su transcripción. Como con todo lo demás en esta sección, nadie fuera de Ant ha pasado un pódcast por él y publicado el resultado.

Lo que los repositorios no establecen

Vale la pena nombrar cuatro lagunas antes de que alguien meta esto en un producto.

No hay una puntuación independiente para este checkpoint. Artificial Analysis sí incluye una entrada de Ming-3.0-tts en su arena de voz: 1.188 de Elo en el tablero Provider Voice y 1.069 en Controlled Voice a 19 de octubre, pero esa entrada está vinculada al modelo de 0.5B, no a este. El README de GitHub reproduce esas cifras de la arena en su sección de resultados sin esa distinción, que es el tipo de detalle que termina convertido en una afirmación incorrecta dos republicaciones más tarde. Ming-3.0-tts-tiny no tiene un resultado separado en la arena, ni rendimiento medido, ni una tasa de error de palabras de terceros.

No hay informe técnico. La hoja de ruta lo enumera como una casilla sin marcar, y el 16 de octubre la tarjeta del modelo se editó específicamente para eliminar una referencia a uno. Eso deja la arquitectura al nivel de un diagrama y un párrafo: suficiente para ejecutar el modelo, no suficiente para reproducir las afirmaciones sobre el entrenamiento.

No hay ningún endpoint alojado ni ningún precio. La única forma de invocarlo es asignar una GPU y ejecutar el código, lo cual es una situación distinta de compararlo con una tarifa por carácter.

Y no hay ninguna declaración de intenciones. Veinte descargas y tres «me gusta» no son una señal de calidad — son una señal de que nadie ha sido informado. No anunciarlo significa que no hay compromiso de soporte, ni política de descontinuación, ni indicio de si seguirá un servicio alojado.

Ejecutándolo, si quieres

El repositorio de Hugging Face es una entrega de checkpoint, y su ficha indica claramente que la inferencia requiere el proyecto de GitHub. Esa es la razón por la que el commit de octubre importa más que la subida de septiembre. El entorno está fijado a Python 3.10.15, PyTorch y torchaudio 2.7.1 con CUDA 11.8, y transformers 4.46.3, con un H800 recomendado; el punto de entrada es infer_tiny.py contra la clase ming_tiny.MingTinyTTS, con un protocolo de prompt llamado thinking_v1. Los valores predeterminados publicados son una escala de guía sin clasificador de 2.0, temperatura cero, diez pasos de flujo, una sigma de 0.25 y una semilla de 1234 —1235 para la tarea de pódcast—, y el repositorio incluye un script separado por tarea en lugar de un único punto de entrada controlado por flags. El soporte de vLLM-Omni está en la hoja de ruta y aún no se ha comprobado, así que hoy no existe una ruta de servicio de alto rendimiento.

Si está evaluando esto para un producto, la forma sensata de escalonar el despliegue es la que usaría para cualquier checkpoint de pesos abiertos no probado: manténgalo fuera de la ruta crítica, pruébelo con su propio audio en los idiomas que realmente distribuye y solo entonces decida. OrcaRouter no enruta Ming-3.0-tts-tiny, y nada de lo que aquí se dice debe interpretarse como que afirma lo contrario: el catálogo no contiene ningún modelo de voz Ming. Lo que sí contiene es el resto de un sistema de voz: openai/tts-1, openai/tts-1-hd y openai/gpt-4o-mini-tts, además de las Ge​mini TT​S previews al precio de lista del proveedor sin margen añadido, y más de 200 modelos de texto con la misma clave para la mitad del pipeline que escribe el guion o controla el agente. La conmutación automática por error entre proveedores es lo que mantiene operativa la mitad de texto alojable mientras usted decide si la mitad de voz autoalojada se ha ganado su lugar.

La próxima señal real no será otra tabla de proveedores. Será alguien fuera de Ant probando esto en coreano, o en un pódcast, y publicando qué se rompió. Hasta que eso exista, el resumen defendible es limitado: un modelo de voz de nueve idiomas, disperso y con licencia MIT, con la mejor puntuación de voz clonada de su propia familia, un resultado genuino de pódcast con múltiples hablantes, una columna en coreano que necesita explicación y un anuncio que no ha ocurrido.