Ming-3.0-tts-0.5B est sorti deux fois, et Ant Group n’a annoncé aucune des deux

Trois dates sont associées à Ming-3.0-tts-0.5B, et chacune d'elles marque un événement différent. Le dépôt Hugging Face a été créé le 22 septembre 2026, et les poids ont été téléversés deux jours plus tard. Le dépôt GitHub n'a existé qu'à partir du 19 octobre 2026, date à laquelle son premier commit est arrivé avec le titre « Initial release of Ming-3.0-tts ». Artificial Analysis a ouvert une page de modèle le même jour et lui a attribué un score. Il n'y avait aucun article de blog d'inclusionAI, aucun communiqué de presse et aucun fil de lancement que nous ayons pu trouver à l'une ou l'autre de ces dates. Au moment de la rédaction, le checkpoint comptait six téléchargements et zéro like ; le dépôt GitHub comptait deux étoiles. Les défaillances et incidents d'agents documentés à l'origine de sorties comme celle-ci sont recensés dans l'Archive des incidents IA d'OrcaRouter où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

Cela compte pour la façon dont le reste de cet article doit être lu. La branche d’Ant Group dédiée aux modèles à poids ouverts a publié un modèle vocal complet, sous licence MIT, doté d’un système paralinguistique à 14 balises, d’une conception texte-vers-voix, de deux dialectes chinois et d’un tableau complet de résultats de référence. Elle a aussi, jusqu’ici, refusé d’en parler à quiconque. Ce qui suit distingue ce que le dépôt prouve de ce que seul Ant peut confirmer.

Les trois dates, et ce que chacune couvre réellement

La confusion n’est pas artificielle. Les deux dépôts d’Ant eux-mêmes se contredisent publiquement, et aucun des deux n’a tort.

• 22 septembre 2026, 12:46 UTC — le dépôt Hugging Face est créé avec un commit initial constitué d’un README provisoire. Aucun poids n’est encore disponible.

• 24 septembre 2026, 04:21 UTC — le checkpoint arrive via un commit upload-large-folder, suivi vingt minutes plus tard d’un README spécifique au modèle. À partir de ce moment, le modèle est téléchargeable, et presque personne ne le télécharge.

• 19 octobre 2026, 07:03 UTC — le dépôt GitHub est créé. À 08:58 UTC, le premier commit, « Initial release of Ming-3.0-tts », apporte le code d'inférence, un Dockerfile, des scripts d'exemple en un clic et un cookbook de tâches. Les commits de documentation se poursuivent tout l'après-midi.

La section News du README GitHub indique que les modèles 0.5b et tiny ont été publiés en « 2026.10 ». La fiche Hugging Face ne mentionne aucune date. Les deux décrivent le même artefact : le checkpoint existait en septembre, la version utilisable — code, versions d’environnement épinglées, exemples — est arrivée en octobre. Si vous datez le modèle pour un document d’approvisionnement, le 22 septembre est la date à laquelle il est devenu public ; si vous le datez comme quelque chose que vous pouvez exécuter, le 19 octobre est la réponse honnête.

Ce que nous ne pouvons pas vous dire, c’est pourquoi. Un lancement discret est normal pour une organisation de recherche qui s’attend à ce que la fiche du modèle parle d’elle-même. C’est aussi à quoi ressemble une publication progressive lorsqu’une annonce plus importante est prévue. Rien dans l’un ou l’autre dépôt ne précise laquelle des deux hypothèses s’applique, et nous n’allons pas deviner.

Que contient le checkpoint 0,5B ?

Le modèle est un générateur de parole dense construit sur un backbone Qwen2.5-0.5B, avec une tête de patch diffusion-transformer et un tokeniseur audio séparé. Le bundle de publication est plus qu’un modèle de langage : le dépôt fournit le backbone, la tête DiT, le VAE audio, un encodeur de locuteur CAM++ au format ONNX et le tokeniseur de texte, le tout dans un seul dossier. Ce choix d’empaquetage explique un écart que vous rencontrerez immédiatement.

• Paramètres — la fiche modèle et le nom du modèle indiquent 0.5B ; les métadonnées propres à Hugging Face indiquent que le dépôt est à 1B, et l’unique fichier model.safetensors pèse 2,96 Go. Le chiffre de 0.5B correspond au socle linguistique. L’ensemble que vous téléchargez réellement représente environ trois fois cela en bf16.

• Sortie — audio à 44,1 kHz, ce qui est supérieur à la plupart des versions TTS ouvertes et constitue l’une des rares affirmations ici que vous pouvez vérifier en dix secondes avec un inspecteur de fichier.

• Langues — chinois, anglais, allemand, espagnol, français, coréen et japonais, ainsi que le sichuanais et le cantonais lorsqu’un clip de référence est fourni dans le dialecte.

• Voix — clonage zero-shot à partir d'un court extrait de référence, conception de voix à partir d'une description en langage naturel, et un ensemble intégré de plus de 100 voix chinoises et cinq voix anglaises.

• Contrôle — 14 balises en ligne pour le rire, les soupirs, la toux, la respiration et l’hésitation, ainsi que des réglages explicites d’émotion, de vitesse, de hauteur et de volume. La fiche admet franchement que la hauteur est le paramètre le moins précis des quatre.

• Tâches — TTS, instruction libre, conception de voix, multilingue, attributs de base, émotion, dialecte et un mode voix intégrée. Les contrôles sont mutuellement exclusifs par conception : le mode libre ne peut être combiné avec la conception de voix ni avec une voix intégrée.

• Licence — MIT, pour les poids comme pour le code. L'avertissement d'utilisation d'Ant demande de ne pas usurper l'identité de personnes sans consentement et d'étiqueter la parole synthétique, ce qui constitue une demande plutôt qu'une condition de licence.

Dans la même version, il y a un second modèle. Ming-3.0-tts-tiny est une architecture mixture-of-experts sur un socle Ling V3, avec 7.9B de paramètres au total dont 1.3B actifs, et il ajoute la génération de podcasts multi-locuteurs que le modèle 0.5B ne propose pas. Si c'est le petit modèle qui vous intéresse spécifiquement, la formulation utile est que le 0.5B est le déploiement léger et tiny le plafond de capacités — et non que l'un remplace l'autre.

Les tableaux de référence, et qui les a produits

Chaque chiffre de la fiche modèle provient du propre banc d’évaluation d’Ant. Ce n’est pas une critique — c’est ce qu’est un tableau de publication — mais ces tableaux sont cités ailleurs sans cette mention, alors la voici.

• Seed-TTS zéro-shot, chinois — taux d’erreur de mots de 0,800 %, similarité de locuteur de 0,758.

• Seed-TTS en zéro-shot, anglais — taux d’erreur de mots de 1,584 %, similarité de locuteur de 0,691.

• NVBench paralinguistique, événement unique — taux d’erreur sur les caractères chinois 2,70, anglais 7,60.

• Dialect, WSC-Eval-TTS-easy — taux d’erreur de caractères de 2,27 %, précision de 80,68 %.

• Conception vocale, InstructTTSEval-ZH — 72,29 % en moyenne.

• Contrôle des attributs de base — moyenne de 93,30 %, avec un taux d'erreur de mot de 0,317 %.

La partie intéressante, c’est ce que ces mêmes tableaux indiquent face aux concurrents que le modèle a lui-même choisis. Sur le taux d’erreur zero-shot en chinois, CosyVoice3-1.5B affiche 0,710 % et Qwen3-TTS-12Hz-1.7B-Base 0,770 %, tous deux meilleurs que les 0,800 % de Ming. Sur la similarité de locuteur, les 0,780 de CosyVoice3-0.5B battent les 0,758 de Ming. Sur le taux d’erreur en anglais, Qwen3-TTS-12Hz-1.7B-Base atteint 1,240 % contre 1,584 % pour Ming.

Donc, Ming-3.0-tts-0.5B ne revendique pas la couronne de la précision, même au sein de son propre ensemble de comparaison, et il n’en a pas besoin. Ses atouts sont les colonnes que les autres ne remplissent pas : le contrôle des dialectes, la conception de voix et une suite paralinguistique où il domine la plupart des catégories à événement unique. Lisez la fiche comme « un contrôle étendu avec un backbone d’un demi-milliard de paramètres », et non comme « le meilleur taux d’erreur » ; et elle tient la route.

La fiche est aussi inhabituellement disposée à nommer ses propres faiblesses, ce qui mérite d’être répété car la plupart ne le font pas : la similarité du locuteur est en retrait par rapport à l’exactitude du contenu, la similarité pour le français est l’écart multilingue le plus évident, les phrases paralinguistiques à événements multiples restent instables, le contrôle des émotions se dégrade lorsque les mots eux-mêmes ne portent aucun signal émotionnel, et la conception vocale ouverte n’égale pas encore le système le plus performant auquel elle a été comparée.

Le premier chiffre indépendant est arrivé avant l’annonce.

Artificial Analysis a ajouté Ming-3.0-tts à son arène vocale le 19 octobre et a relié l’entrée à ce checkpoint 0,5B exact, ce qui tranche une question que la fiche laisse en suspens : le modèle évalué est le petit. Deux classements, deux résultats, et ils pointent dans des directions différentes.

• Provider Voice, où chaque modèle utilise ses propres voix natives — Elo 1 188, intervalle à 95 % de 1 173 à 1 203, 19e sur les 98 modèles du classement et troisième parmi les modèles à poids ouverts, derrière Fish Audio Drama 3 Preview à 1 245 et Breeze T​TS 2 à 1 220.

• Controlled Voice, où chaque modèle clone les mêmes huit voix de référence — Elo 1 069, intervalle de 1 053 à 1 085, 14e au classement général et premier parmi les modèles à poids ouverts, devant Fish Audio Drama 3 Preview à 1 059 et Breeze T​TS 2 à 1 019.

• Vitesse — une vitesse de génération médiane de 42,1 caractères par seconde sur le matériel d’Artificial Analysis, avec un temps de génération médian de 2,46 secondes par requête. Pour donner un ordre de grandeur, Simba 3.2 mesure 77,8 caractères par seconde et Qwen-Audio-3.0-TTS-Plus 25,6 sur la même configuration.

Cette séparation est la chose la plus utile que quiconque ait publiée sur ce modèle. Sa voix clonée est compétitive avec les meilleurs systèmes à poids ouverts du classement ; son propre ensemble de voix ne l’est pas. Quels que soient les enregistrements vocaux natifs d’Ant, ce sont eux qui font baisser le rang des voix du fournisseur, et il s’agit là d’un problème d’ingénierie que l’on peut corriger, non d’un problème d’architecture.

Une affirmation de fournisseur que nous n’avons pas pu vérifier : la page du projet indique que Ming-3.0-tts se classe premier au global sur la métrique de robustesse de prononciation d’Artificial Analysis, avec 93,2 %, et premier dans deux de ses sous-catégories. La métrique existe et Artificial Analysis la publie, mais la valeur par modèle n’est pas exposée dans les données de page que nous avons pu lire ; considérez donc 93,2 % comme un chiffre déclaré par le fournisseur tant que vous n’aurez pas vu vous-même le graphique en barres.

L’exécuter prend environ vingt minutes et trois corrections.

Le dépôt Hugging Face n’est qu’un simple dépôt de checkpoint. C’est indiqué dans un encadré près du haut : l’inférence nécessite le projet GitHub, et l’API Python ainsi que la CLI mentionnées dans la carte proviennent de là. C’est le premier point de friction, et c’est la raison pour laquelle le dépôt d’octobre compte davantage que le téléversement de septembre.

La deuxième est la normalisation de texte. Les nombres, dates, unités et symboles sont traités par des grammaires FST qui nécessitent pynini, lequel n'a pas de wheel universel ; les instructions d'Ant vous orientent vers conda-forge pour la version 2.1.6. Si vous préférez éviter cela, --no_text_normalization l'ignore et vous conservez votre texte tel qu'il est déjà. Pour un pipeline de narration en production, c'est une vraie décision, pas une note de bas de page.

Le troisième point concerne le matériel. L’environnement est figé sur PyTorch 2.6, CUDA 12.4 et transformers 4.46.3, avec un Dockerfile fourni, et il a été testé sur un H800-80GB et un H20-96G. flash-attn est facultatif et l’inférence revient à PyTorch SDPA. Rien dans la version publiée ne suggère que cela tourne confortablement sur une carte grand public, et personne en dehors d’Ant n’a encore publié de chiffre de débit sur du matériel plus petit.

L'appel minimum viable, une fois l'environnement démarré, consiste en une seule invocation en ligne de commande avec un clip de référence et sa transcription — le clonage est conditionné par les deux, --use_spk_emb activant le conditionnement par plongement de locuteur. Il existe également un script de pré-vérification qui contrôle le checkpoint et le tokenizer sans charger les poids, et qu'il vaut la peine d'exécuter avant de gaspiller une allocation GPU sur un téléchargement défectueux.

Qu’est-ce qui n’est toujours pas connaissable ?

Quatre éléments changeraient la manière dont ce modèle devrait être jugé, et aucun d’entre eux n’existe encore.

Il n’y a pas de point de terminaison hébergé ni de prix. Artificial Analysis indique le champ prix comme vide parce qu’il n’y a rien à tarifer — la seule façon d’appeler ce modèle est de l’exécuter. C’est parfait pour une équipe disposant de GPU, mais c’est un problème pour tous les autres, et c’est la différence pratique la plus importante entre cette version et les voix hébergées auxquelles elle sera comparée.

Il n’existe aucun rapport technique. La feuille de route GitHub le présente comme une case non cochée, et Ant a supprimé de la fiche de modèle une référence antérieure à un rapport non confirmé. Cela laisse la description de l’architecture au niveau d’un schéma et d’un paragraphe, ce qui suffit pour exécuter le modèle, mais pas pour reproduire les affirmations sur l’entraînement.

Il n’existe aucune réplication indépendante du taux d’erreur. Les chiffres de Seed-TTS et de NVBench sont ceux d’Ant, mesurés avec le protocole d’Ant et les paramètres d’inférence recommandés par Ant. Le score de l’arène est indépendant, mais il mesure une préférence, pas l’exactitude. Personne en dehors du laboratoire n’a publié de taux d’erreur sur les mots pour ce checkpoint.

Et il n'y a aucune déclaration d'intention. Aucune annonce signifie aucun engagement de support, aucune politique de dépréciation et aucune indication quant à l'arrivée éventuelle d'un service hébergé. Pour une version de recherche sous licence MIT, cela peut être tout à fait délibéré. Pour quiconque envisage de l'intégrer à un produit, c'est un risque qu'il faut chiffrer.

OrcaRouter ne route pas Ming-3.0-tts-0.5B, et ce texte ne doit pas être lu comme suggérant le contraire — le catalogue ne contient aucun modèle vocal Ming. Ce que le catalogue contient, c'est le reste d'un pipeline vocal : openai/tts-1 et tts-1-hd, gpt-4o-mini-tts et les aperçus Gemini TTS, tous au prix catalogue du fournisseur sans majoration ajoutée, et plus de 200 modèles texte derrière la même clé pour la moitié du système qui écrit le script ou pilote l'agent. Si vous évaluez un modèle vocal open-weights non éprouvé, le déploiement raisonnable consiste à le tenir hors du chemin critique jusqu'à ce qu'il ait mérité sa place ; le basculement automatique entre fournisseurs est ce qui maintient la moitié texte de ce pipeline en fonctionnement pendant que vous décidez.

Le prochain véritable signal ne sera pas un autre tableau de benchmarks. Ce sera la première personne extérieure à Ant qui exécute le checkpoint 0.5B sur son propre audio et publie ce qui a cassé. Tant que cela n’existe pas, le résumé défendable reste étroit : une voix multilingue véritablement performante, sous licence MIT, à 44,1 kHz, avec le meilleur score de voix clonée en open-weights sur le classement indépendant, un choix de voix natives plus faible, une sortie non annoncée et aucune offre hébergée. C’est un artefact de recherche prometteur, pas encore une décision produit.