Ming-3.0-tts lidera la Arena de Pronunciación, y el resto de su debut es más interesante.

Con un 93,2 %, Ming-3.0-tts y Fish Audio Drama 3 Preview están separados por una centésima de punto porcentual —1.677 fragmentos correctos de 1.800 para el modelo de Ant Group frente a 1.785 de 1.916 para el de Fish Audio—, lo que es un empate en todo salvo en el decimal. Ambos quedan por encima de Eleven v4, con un 91,7 %, que es la cifra que la mayoría citará. El empate es real y merece informarse sin rodeos, pero es lo menos informativo del tablero. Lo que hace que Ming-3.0-tts merezca un artículo esta semana no es que haya alcanzado el primer puesto en la clasificación English Pronunciation Robustness de Artificial Analysis. Es que el tablero por fin exista para este modelo, y que las cuatro puntuaciones parciales bajo el titular digan algo que el titular no puede. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, su nivel de gravedad y de confianza, y una marca de disputa.

Esas subpuntuaciones están desequilibradas. Ming-3.0-tts lidera los 31 sistemas medidos en Preservar Secuencias Exactas, con un 90,6%, y en Expandir Abreviaturas, con un 96,5%. También ocupa el puesto 21 de 31 en Términos Aislados, con un 88,5%, que es la categoría que la mayoría de los oyentes llamaría «pronunciar mal los nombres». Una puntuación agregada oculta un modelo que lee .env.local y «Capítulo XVII» mejor que cualquier otra cosa en la tabla y tropieza con nombres propios comunes con más frecuencia que un sistema Gemini o ElevenLabs. Que eso sea una victoria depende enteramente de qué esté hecho tu texto.

Lo que realmente cambió y lo que no

Ant Group no lanzó este modelo esta semana, y ningún artículo debería fingir lo contrario. La cronología en los repositorios es pública y un tanto incómoda:

• Los repositorios de Hugging Face para Ming-3.0-tts-0.5B y Ming-3.0-tts-tiny se crearon el 22 de septiembre de 2026, con una tarjeta de marcador de posición.

• El checkpoint de 0.5B — 2.96 GB de safetensors, con licencia MIT — se publicó el 24 de septiembre.

• El repositorio de GitHub con el código de inferencia, el recetario de tareas y los scripts de ejemplo apareció el 19 de octubre, que es también la fecha que el README de Ant indica como mes de lanzamiento y la fecha que Artificial Analysis marca en su fila del modelo.

Los pesos tienen cuatro semanas y la versión utilizable tiene un día. Lo que cambió el 19 de octubre no es que se lanzara un modelo, sino que se lanzó el código de inferencia y que las mediciones independientes llegaron junto con él. Antes de esa fecha había un checkpoint sin una forma publicada de ejecutarlo y sin ninguna cifra de terceros asociada; cualquiera que escribiera sobre ello citaba las propias tablas de Ant.

Esa distinción importa para cómo se interpreta el 93.2%. Artificial Analysis ejecuta su propio arnés y cuenta con sus propios revisores humanos; estas no son evaluaciones de Ant reproducidas. Las fechas de evaluación y los tamaños de muestra se enumeran en el panel, los intervalos de confianza se publican y las pruebas de atención de los revisores se describen en la metodología. Esta es la primera vez que alguien fuera de Ant pone una cifra a este modelo, y resulta que es una buena cifra.

Tres juntas, tres respuestas diferentes

Artificial Analysis gestiona más de un ranking de texto a voz, y Ming-3.0-tts no domina todos ellos. Las diferencias son lo bastante grandes como para que citar el que más favorece al modelo sea una forma de tergiversación.

• Voz controlada, donde todos los sistemas clonan las mismas ocho voces de referencia (cuatro de EE. UU., cuatro del Reino Unido) y solo se compara la síntesis: Ming-3.0-tts obtiene 1.068 puntos Elo, el primero entre los modelos de pesos abiertos y el 12.º en la clasificación general. Fish Audio Drama 3 Preview es segundo entre los de pesos abiertos con 1.059.

• Voz del proveedor, donde cada sistema usa sus propias voces nativas: Ming-3.0-tts obtiene 1.188 de Elo, 18.º en la clasificación general y tercero entre los modelos de pesos abiertos, por detrás de Fish Audio Drama 3 Preview con 1.247 y Breeze TTS 2 con 1.221. Eleven v4 Turbo lidera toda la tabla con 1.330.

• Robustez de pronunciación, inglés, evaluado por humanos — Ming-3.0-tts con un 93,2 %, primero en la clasificación general por un pelo sobre Fish Audio Drama 3 Preview con un 93,2 % y por delante de Eleven v4 con un 91,7 %.

El patrón es coherente: en cuanto las voces dejan de mantenerse constantes, Ming-3.0-tts pierde terreno. Esa es la señal característica de un modelo cuyo clonado es más fuerte que su conjunto de voces de catálogo, que es exactamente el aspecto que debería tener un checkpoint sin catálogo de voces alojadas. Ant ofrece más de 100 voces chinas integradas y cinco en inglés; tres de esas voces en inglés son las que el panel de Provider Voice realmente escuchó, frente a los catálogos cuidadosamente producidos de ElevenLabs y Cartesia. Con voces clonadas, el terreno se nivela y el modelo asciende cinco puestos.

Ten en cuenta también que las cifras ya se han desviado del propio README de Ant. La tabla del repositorio dice 1.069 en Controlled y 13.º en la general, y 1.188 en Provider y 17.º en la general. El tablero hoy marca 1.068 y 12.º, y 1.187,8 y 18.º. Los votos siguen llegando; la línea se mueve. Quien cite estas cifras debería indicar la fecha.

El 93.2 es dos victorias y dos derrotas.

Pronunciation Robustness no es una sola prueba. Artificial Analysis la divide en cuatro categorías, cada una con su propio denominador, y es en esa división donde este modelo se vuelve legible.

• Preservación de secuencias exactas: códigos, rutas de archivos, direcciones de correo electrónico e identificadores. Ming-3.0-tts obtiene un 90,6 %, el primero de 31, siendo los siguientes mejores Fish Audio Drama 3 Preview con un 86,3 % y Eleven v4 con un 78,8 %. Esta es la categoría que decide si un bot de soporte lee correctamente un número de pedido, y el margen no es nada ajustado.

• Ampliación de abreviaturas: números, fechas, unidades y notación. Ming-3.0-tts obtiene un 96,5 %, el primero de 31, por delante de Eleven v4 con un 94,1 % y de Fish Audio Drama 3 Preview con un 93,6 %.

• Apropiado según el contexto — heterónimos como «a wound that is bandaged» frente a «a bandage that is wound». Ming-3.0-tts obtiene un 91,0 %, el 13.º de 31. Gemini 3.8 Flash T​TS lidera con un 98,0 %.

• Términos aislados: nombres de marcas, lugares y técnicos. Ming-3.0-tts obtiene un 88,5 %, el puesto 21 de 31. Fish Audio Drama 3 Preview lidera con un 95,9 %.

Un agregado que empata en el primer puesto mientras ocupa el 21.º lugar en uno de sus cuatro componentes no es una paradoja; las dos categorías que gana tienen los denominadores más grandes (1.084 de los 1.800 fragmentos evaluados son casos de abreviaturas y secuencias). El propio README de Ant se apoya precisamente en estas dos victorias, destacando Expanding Shorthand con un 96,5% y Preserving Exact Sequences con un 90,6%, y la ejecución independiente confirma ambas. Simplemente no menciona el 21.º puesto, que es la fila que un equipo de agentes de voz debería mirar antes de desplegar un modelo que tenga que decir apellidos de clientes.

El puesto 21 es también la explicación más plausible de un detalle en la ficha del modelo de Ant: el conjunto de voces en inglés consta de cinco voces frente a más de 100 en chino. La cobertura de nombres propios en inglés es un problema de datos antes que un problema de modelado, y la cifra de pronunciación de términos es el aspecto que tiene esa brecha cuando alguien la mide.

La mitad de la familia que no está en el consejo.

Ming-3.0-tts-tiny, la variante de mezcla de expertos de 7.9B en total y 1.3B activos construida sobre la base Ling V3, no tiene fila en ninguna de estas clasificaciones. La entrada de la arena etiquetada como Ming-3.0-tts enlaza con el checkpoint de 0.5B, y todas las cifras anteriores pertenecen a ese checkpoint. Los resultados publicados de Tiny son de Ant —error de palabra en chino de 0.820 % con similitud de hablante de 0.781, alemán 0.325 %, español 0.971 %, coreano 6.000 %— y ningún tercero independiente los ha reproducido. Considéralos afirmaciones del fabricante; la vergonzosa cifra de coreano es al menos evidencia de que Ant publica la tabla en lugar de un carrete de lo más destacado.

Hay un aspecto en el que tiny parece genuinamente por delante de su hermano en el harness de Ant: la generación de pódcasts con varios hablantes, algo que el modelo 0.5B no hace en absoluto. Esa es una capacidad de producto más que una ventaja en un benchmark, y no está en la arena.

Ejecutarlo, y lo que eso cuesta

El checkpoint de 0,5B es una descarga de 2,96 GB —red troncal, cabezal de parches DiT, tokenizador de audio, codificador de hablante y tokenizador de texto— bajo licencia MIT, que genera audio a 44,1 kHz. Ant lo probó en una H800-80GB y una H20-96G con PyTorch 2.6, CUDA 12.4 y transformers 4.46.3, y el repositorio incluye un Dockerfile. La inferencia se realiza mediante infer.py o la clase de Python de MingTTS; el repositorio de Hugging Face es solo para la distribución del checkpoint y no funcionará por sí solo.

Artificial Analysis midió el endpoint Ant alojado en 44,3 caracteres por segundo de tiempo de generación, con un tiempo de generación mediano de 2,56 segundos. Para ponerlo en perspectiva: un millón de caracteres de narración terminada equivalen aproximadamente a 6,3 horas de generación pura en esa configuración, antes de la carga del modelo o de la espera en cola. No hay un precio publicado porque no existe un endpoint comercial alojado; se compran horas de GPU, no caracteres.

Aquí es donde una capa de enrutamiento resulta realmente útil sin pretender alojar el modelo. OrcaRouter no incluye Ming-3.0-tts —el catálogo no tiene ningún modelo de voz Ming— y al modelo se accede clonando el repositorio y ejecutándolo por tu cuenta. Lo que sí incluimos es la mitad de texto del mismo pipeline: más de 200 modelos tras una sola clave al precio de lista del proveedor, sin recargos añadidos, conmutación automática entre proveedores, y un DSL de enrutamiento para componerlos. Si estás creando un pipeline de narración o de agentes, el modelo que escribe el guion es la parte que puedes consolidar hoy; el modelo de voz es la parte que autohospedas.

Qué observar a partir de ahora

Tres cosas cambiarían este panorama, y ninguna de ellas ha ocurrido todavía.

La hoja de ruta de Ant todavía marca el informe técnico como no completado. Hasta que esté disponible, la descripción de la arquitectura es un párrafo y un diagrama, y las tablas de evaluación son la única evidencia detallada sobre cómo se comporta el modelo. Un informe también explicaría la brecha en la pronunciación de términos, que actualmente es una hipótesis.

Provider Voice ha escuchado tres voces nativas. Es una muestra escasa para un modelo que ofrece cien en chino y cinco en inglés, y el puesto 18 se moverá a medida que se puntúen más voces; hacia qué dirección, no se puede saber desde aquí.

Y el checkpoint tiny sigue sin que nadie independiente lo mida. Si llega a tener una fila, la pregunta interesante es si un mixture-of-experts de Ling V3 con 1.3B activos por token conserva la ventaja de fidelidad de secuencia que hace distintivo al modelo de 0.5B, o si la cambia por la similitud de hablante que le atribuyen las propias tablas de Ant. Según las cifras del proveedor, tiny es la mejor voz clonada. Según los únicos números independientes que existen, el 0.5B es el que se ha probado, y superó la parte de la prueba que a la mayoría de la gente no se le ocurre ejecutar.