Ming-3.0-tts vs Ming-3.0-tts-tiny: El checkpoint más pequeño es la mejor descarga, y el más grande es el único que alguien ha medido

Ant Group lanzó dos modelos de voz bajo un mismo nombre, y la nomenclatura es lo primero que te llevará a engaño. Ming-3.0-tts-the-default es el modelo denso de 0,5B: 2,96 GB en disco, una base Qwen2.5-0.5B, rápido, barato y el único de la pareja con una puntuación independiente. Ming-3.0-tts-tiny es el más grande de los dos por un orden de magnitud —un modelo de mezcla de expertos de 7,9B parámetros con 1,3B activos por token, construido sobre la base Ling V3, 18 GB de pesos fragmentados— y se llama tiny por lo que cuesta ejecutarlo, no por lo que cuesta descargarlo. Si eliges por la etiqueta, obtendrás el archivo equivocado. Los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, severidad, nivel de confianza e indicador de disputa.

La segunda cosa que te llevará a engaño es la tabla de clasificación. Artificial Analysis incluye una fila de Ming-3.0-tts con 1.188 de Provider Voice Elo y un 93,2 % de robustez de pronunciación, y esa fila enlaza con el checkpoint de 0,5B. Nada de eso pertenece a tiny. Las cifras de tiny son las tablas propias de Ant, publicadas en la tarjeta del modelo y en el README de GitHub, y ningún tercero ha reproducido ninguna de ellas. Así que la comparación honesta tiene dos mitades: un modelo con evidencia independiente y sin modo podcast, un modelo con evidencia del proveedor y una capacidad de la que carece el otro. Cuál de las dos mitades necesitas es una cuestión de tu carga de trabajo, no de qué modelo es mejor.

La misma familia de arquitectura, dos máquinas muy diferentes

Ambos modelos comparten el marco de generación que Ant describe en el README: los tokens de texto y de control específicos de la tarea condicionan un modelo de lenguaje, que impulsa una cabeza de parches de diffusion-transformer que emite tokens de audio. La diferencia está en el modelo de lenguaje subyacente. El 0.5B usa un Qwen2.5-0.5B denso; tiny usa una mezcla de expertos dispersa Ling V3 de 7,9B en total con aproximadamente 1,3B activados por token.

• Tamaño de descarga — Ming-3.0-tts 2.96 GB frente a Ming-3.0-tts-tiny, aproximadamente 18 GB en 30 fragmentos

• Parámetros — 0,5B denso frente a 7,9B total / 1,3B activo MoE

• Arquitectura base — Qwen2.5-0.5B vs Ling V3

• Entorno de ejecución — PyTorch 2.6 + CUDA 12.4 sobre un stack de la era de Python 3.8 frente a Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Hardware — probado en H800-80GB y H20-96G frente a H800 recomendado; SGLang-Omni puede servir en una sola GPU

• Generación de pódcast con varios hablantes — no compatible vs. compatible

• Licencia — MIT vs MIT

• Puntuación independiente de arena — sí, 1,188 Provider / 1,068 Controlled / 93.2% de pronunciación frente a ninguno

Los dos checkpoints no comparten un entorno de Python. Eso no es una rareza de la documentación; significa que un equipo que quiere evaluar ambos en la misma máquina mantiene dos virtualenvs, y un equipo que quiere hacer A/B entre ellos en producción mantiene dos imágenes de despliegue. Si tu plan es «empezar con el pequeño y actualizar más adelante», presupuesta la migración como un trabajo real, no como un cambio de configuración.

Donde lo pequeño es genuinamente mejor, según los propios números de Ant

La similitud del hablante es la mejora más clara y constante, y es el número que decide si una voz clonada suena como la persona.

• Similitud de hablante chino de Seed-TTS — Ming-3.0-tts 0.758 vs. tiny 0.781

• Similitud del hablante en inglés de Seed-TTS — 0,691 frente a 0,728

• Similitud con el alemán — 0.753 vs 0.791

• Similitud del español — 0.763 vs 0.797

• Similitud con el francés — 0.675 vs 0.733

• Similitud con el japonés — 0,765 frente a 0,780

• Similitud con el coreano — 0,793 vs 0,797

Tiny gana en todos los idiomas en similitud, normalmente por entre tres y seis puntos, y el patrón se mantiene también en los benchmarks de control: 74,00 % de media en emoción CV3 frente a 72,33 %, y 75,37 % en precisión de diseño de voz frente a 72,29 %. Esas son las dos cosas que un cliente nota sin que se lo digan: ¿suena como yo? y ¿hizo lo que describí? En ambas, el MoE de 7.9B va por delante.

La exactitud del contenido se reparte en el sentido opuesto, y ese reparto no es simétrico.

• Error de palabras en chino de Seed-TTS: 0,800 % frente a 0,820 %. En la práctica, un empate; el modelo denso está ligeramente por delante.

• Tasa de error de palabras en inglés de Seed-TTS — 1,584 % frente a 1,666 %. Dense por delante.

• Alemán — 0,365 % frente a 0,325 %. Ligera ventaja.

Español — 1,099% frente a 0,971%. Ligera ventaja.

• Francés — 4,264 % frente a 3,470 %. Tiny va muy por delante.

• Error de caracteres japoneses — 3,765 % frente a 3,427 %. Ligera ventaja.

• Error de caracteres coreanos: 1,728 % frente a 6,000 %. Dense va por delante en un factor de tres y medio.

El coreano es el caso atípico que debería impedir que cualquiera lea en la tabla que «lo pequeño es mejor para el multilingüismo». La propia ficha de Ant lo señala: el coreano presenta la mayor brecha de precisión multilingüe en el modelo pequeño, y la cifra del 6,000 % es más del triple de la que logra el modelo de quinientos millones. Un equipo que desarrolle para el mercado coreano tiene una respuesta clara, y no es el modelo más grande.

La capacidad que no es un benchmark

Ming-3.0-tts-tiny genera diálogos de pódcast con varios hablantes a partir de un guion con referencias de hablantes. Ming-3.0-tts no lo hace. Eso es una capacidad del producto, no una puntuación, y no aparece en ninguna clasificación, que es precisamente por lo que resulta fácil pasarla por alto al comparar fichas técnicas en las que ambas incluyen "clonación de voz" y "diseño de voz".

La evaluación del pódcast de Ant, con su propio harness, sitúa a tiny en un 2,03 % de tasa de error de caracteres, con 0,561 de similitud de hablante y 2,12 de UTMOS, frente a ZipVoice-Dia con 2,24 de UTMOS, FireRedTTS2 con un 3,34 % de CER y MOSS-TTSD con un 8,62 %. La diferencia en UTMOS es la que conviene señalar: tiny lidera en precisión de contenido y queda por detrás de la mejor comparación en naturalidad, que es el mismo equilibrio que insinúan los datos de similitud de hablante desde la dirección opuesta. La generación de pódcasts premia el turno de palabra y la consistencia del hablante más que un único clip perfecto, y esa es la forma de la ventaja de tiny.

Si necesitas que dos personas hablen, aquí no hay comparación: un modelo lo hace y el otro no. Todo lo demás en este artículo trata del caso en el que ambos pueden hacer el trabajo.

Lo que realmente te cuesta la brecha de independencia

La posición del modelo de 0,5B en la arena vale la pena entenderla antes de decidir cuánto peso darle. Obtiene 1.188 en Provider Voice Elo, 18.º de 97, y 1.068 en Controlled Voice, primero entre los modelos de pesos abiertos y 12.º en general. En pronunciación está en 93,2 %, empatado en la práctica con Fish Audio Drama 3 Preview y por delante de Eleven v4. Son mediciones independientes con recuentos de muestras e intervalos de confianza publicados.

Lo que eso te aporta es calibración. Sabes aproximadamente dónde se sitúa el modelo denso frente a ElevenLabs y Cartesia, porque el mismo laboratorio midió los tres en la misma tabla. Para tiny, solo sabes lo que dice Ant, medido con el harness de Ant y la configuración de Ant, y Ant es la parte interesada en el resultado. Esto no es una acusación: las tablas son inusualmente sinceras, incluida la cifra coreana y una lista de limitaciones que señala el control de tono y el diseño de voz para juegos de rol como puntos débiles. Es una afirmación sobre lo que un número puede respaldar. Una tabla de proveedor te dice que el modelo es competitivo en los ejes que el proveedor eligió medir; una fila de la arena te dice dónde queda frente a sistemas que ya usas.

Hay algo concreto que la tabla independiente tampoco te dice: midió una sola voz. Artificial Analysis señala que cada modelo se evalúa en la tabla de pronunciación con una sola voz, y la fila de Ming usa el endpoint de Ant con tres voces nativas disponibles. Se desconoce si el 93,2 % se mantiene con las voces clonadas que un producto realmente lanzaría, y es lo primero que vale la pena probar por tu cuenta.

Elegir, en la práctica

El árbol de decisión es corto.

Elija Ming-3.0-tts (0.5B) si quiere la descarga viable más pequeña, si va a desplegar para coreano, si su hardware es una única tarjeta de 80 GB que también utiliza para otras cosas, o si necesita un modelo cuyo comportamiento haya sido medido por alguien distinto de su autor. Con 2,96 GB y 44,3 caracteres por segundo en el banco de pruebas independiente, es un narrador funcional que supera en velocidad al habla en tiempo real con una sola GPU.

Elige Ming-3.0-tts-tiny si la similitud del hablante es el producto —una voz de marca clonada, una lectura en voz alta personalizada, cualquier caso en el que el primer juicio del oyente sea «¿suena como esa persona?»—, o si necesitas diálogos de pódcast, o si la precisión en francés, alemán, español o japonés es la limitación. Reserva 18 GB de pesos, un entorno Python 3.10 independiente y una tarjeta de clase H800.

No tomes ninguno de los dos; sin embargo, si necesitas un número independiente antes de comprometer capacidad de producción con tiny. La fila de Arena no existe, el informe técnico sigue sin marcar en la hoja de ruta, y la aceleración de vLLM-Omni está marcada como completada en el README sin una receta publicada. Esas tres brechas son las mismas tres cosas que harían que tiny fuera fácil de recomendar.

Una nota operativa que aplica a ambos: ninguno de los dos checkpoints transmite en streaming. No hay un tiempo hasta el primer audio publicado para ninguno de los modelos, y la cifra de rendimiento de la arena corresponde a la generación sobre una solicitud completada. Si tu aplicación es conversacional, esta familia no es la herramienta adecuada, sin importar el tamaño que elijas.

La cuestión del enrutamiento, que es diferente aquí

La mayoría de las comparativas de este sitio terminan con un párrafo sobre cómo consolidar el acceso. Esta no puede terminar así, porque OrcaRouter no aloja ninguno de los dos checkpoints de Ming —el catálogo no incluye ningún modelo de voz de Ming, y a ambos se llega clonando el repositorio de Ant en GitHub y ejecutando los pesos por tu cuenta—. Decir lo contrario sería una mentira que un lector podría comprobar en treinta segundos.

Lo que es cierto es más limitado y aun así útil. Una canalización de voz suele ser primero texto: algo escribe el guion, algo lo traduce, algo lo revisa contra un estilo de la casa. Esa etapa de texto puede estar detrás de una sola clave — más de 200 modelos al precio de lista del proveedor sin recargo añadido, conmutación automática por error cuando un proveedor se degrada, y un DSL de enrutamiento para enviar una tarea a un modelo distinto según lo que contenga la solicitud. La etapa de voz en esta comparación permanece en tu hardware en cualquier caso, y la vía autoalojada es lo que hace reversible la elección entre los dos puntos de control: los pesos MIT no caducan, y un modelo que ya tienes en disco es uno que puedes seguir sirviendo mientras evalúas su sustituto.

¿Qué lo resolvería?

Tres desarrollos, en orden de cuánto moverían la recomendación. Una fila minúscula en la arena te diría si la ventaja en similitud sobrevive a una comparación ciega de oyentes, que es la única prueba que aún no se ha realizado. El informe técnico explicaría por qué un MoE de 1,3B activos gana en similitud de hablante y pierde precisión en coreano, y si eso es consecuencia de la división de datos o de la arquitectura. Y una receta publicada de vLLM-Omni haría que el checkpoint de 18 GB fuera práctico en hardware alquilado, en lugar de un despliegue de investigación.

Hasta entonces, la forma útil de plantearlo es que Ant lanzó dos modelos para dos tareas y les puso nombres que hacen que la tarea más pequeña suene como el archivo más pequeño. No lo es. El de 0.5B es el que puedes medir, desplegar y defender en una revisión de diseño; el de 7.9B es el que suena más como la persona que clonaste, en seis de siete idiomas, si puedes permitirte confiar en eso.