Ming-3.0-tts-tiny a la meilleure voix clonée de la famille et termine sixième en coréen

Le meilleur score de similarité de locuteur de la nouvelle famille de modèles de parole d’Ant Group revient au modèle comptant le moins de paramètres actifs. Ming-3.0-tts-tiny est un checkpoint mixture-of-experts de 7,9 milliards de paramètres qui active environ 1,3 milliard de paramètres par jeton, et sur l’ensemble chinois Seed-TTS, il obtient une similarité de locuteur de 0,781 — le chiffre le plus élevé de tous les tableaux publiés par Ant, et supérieur au 0,758 de son propre frère cadet. En coréen, le même modèle se classe sixième sur les huit systèmes évalués par Ant, avec un taux d’erreur de caractères de 6,000 %, tandis que ce frère cadet de 0,5 milliard de paramètres atteint 1,728 %. Les deux chiffres proviennent du même banc d’essai du fournisseur, exécuté par la même équipe, le même jour. L’écart entre eux est l’élément le plus utile de cette publication. Les défaillances d’IA et les incidents d’agents documentés à l’origine de sorties comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, son niveau de confiance et un indicateur de contestation.

Rien de tout cela n’a été annoncé. Le checkpoint a été mis en ligne sur Hugging Face le 24 septembre 2026, deux jours après la création du dépôt lui-même ; le code d’inférence, les scripts d’exemple et le recueil de recettes de tâches n’ont fait leur apparition que le 19 octobre, lorsque le dépôt GitHub a été ouvert et que son premier commit a été enregistré à 08:58 UTC. Au moment de la rédaction, le dépôt Hugging Face comptait 20 téléchargements et 3 « j’aime », et le dépôt GitHub comptait cinq étoiles. Considérez donc ce qui suit comme une lecture des artéfacts plutôt qu’un compte rendu de lancement : tout ce qui est présenté ici peut être vérifié dans les dépôts, et les éléments qui ne le peuvent pas sont signalés comme tels.

Le résultat coréen n’est pas une erreur d’arrondi

Le tableau multilingue d’Ant compare le petit modèle à sept autres systèmes sur six langues. Lisez toute la ligne plutôt que le titre.

• Allemand — taux d’erreur de caractères de 0,325 %, premier des huit, devant le meilleur suivant à 0,612 %.

• Espagnol — 0,971 %, en première position, le deuxième à 1,184 %.

• Le japonais — 3,427 %, à égalité pour la deuxième place.

• Français — 3,470 %, deuxième, mais avec une similarité de locuteur de 0,733 qui ne le place pas parmi les trois premiers ; le tableau l’indique dans sa propre section sur les limites.

• Coréen — 6,000 %, sixième sur huit, et la seule langue où le modèle est battu par un système qu'il surpasse partout ailleurs.

• Le chinois et l'anglais — les deux langues autour desquelles le modèle est réellement construit, et les deux où sa similarité de locuteur est la plus performante.

Le chiffre coréen est environ trois fois et demie le taux d’erreur de Ming-3.0-tts-0.5B sur la même langue. Ant n’explique pas pourquoi, et la fiche du modèle ne fait aucune spéculation. Ce que l’on peut dire sans deviner est structurel : il s’agit d’un modèle clairsemé, et les modèles clairsemés acheminent les tokens à travers un sous-ensemble d’experts, de sorte qu’une langue ayant reçu moins de signal d’entraînement dans le mélange peut se dégrader plus vite qu’elle ne le ferait dans un modèle dense de taille totale comparable. Il s’agit là d’un mécanisme plausible, non d’un constat, et il convient de le traiter comme une hypothèse à tester plutôt que comme une explication. La lecture pratique est plus étroite et plus défendable : si le coréen fait partie de votre produit, ce n’est pas le checkpoint vers lequel se tourner tant que quelqu’un ne l’a pas exécuté sur du vrai texte coréen.

Où vont réellement les 7,9 milliards de paramètres

Le nom annonce « tiny » ; la taille des fichiers dit le contraire, et cet écart tient à l'architecture.

• Paramètres totaux — les métadonnées Hugging Face indiquent 8,980,964,372 en BF16 plus 40,096 en F32, et le dépôt occupe environ 18 GB. La publication décrit le modèle comme 7.9B-A1.3B, soit 7,9 milliards au total et environ 1,3 milliard actifs par token. Cette description a été corrigée dans la fiche modèle le 16 octobre, remplaçant une formulation antérieure ; citez donc la plus récente.

• Socle — Ling V3, la même famille qu’Ant utilise pour ses modèles de texte plus grands, fonctionnant comme un mélange d’experts plutôt que comme une pile dense.

• Tête — un transformateur de diffusion qui transforme les états cachés du backbone en latents audio, suivi d’un tokenizer audio distinct qui les décode en forme d’onde.

• Bundle — le checkpoint livre le backbone, la tête DiT, le tokenizer audio, un encodeur de locuteur CAM++ et le tokenizer de texte dans un seul dossier. Vous téléchargez un pipeline, pas un modèle de langage avec un adaptateur vissé dessus.

• Sortie et voix — la même large surface de contrôle que le reste de la famille : clonage zero-shot à partir d’un court extrait de référence, conception de voix à partir d’une description en langage naturel, contrôle de style libre, plus de 100 voix chinoises intégrées et cinq voix anglaises, et 14 balises paralinguistiques en ligne pour le rire, les soupirs, la respiration et l’hésitation, ainsi que des réglages explicites d’émotion, de vitesse, de hauteur et de volume.

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

• Licence — MIT pour les poids et le code, avec une note d'usage demandant de ne pas usurper l'identité de personnes sans leur consentement et d'étiqueter les audios de synthèse. Cette note est une demande, et non une condition de licence.

La conséquence étrange est que « tiny » qualifie le calcul par token, et non le disque ou la VRAM. On utilise la mémoire d’un modèle de 7,9 B pour obtenir la vitesse d’un modèle de 1,3 B, ce qui constitue un compromis raisonnable pour la synthèse par lots et médiocre pour un ordinateur portable. L’environnement propre à Ant impose une H800 comme carte recommandée, et rien dans la version publiée ne suggère le contraire.

Les cinq colonnes qu'il remporte

Chaque chiffre de cette section est propre à Ant, mesuré sur le banc d'évaluation d'Ant avec les paramètres d'inférence recommandés par Ant, et la fiche modèle est le seul endroit où il existe. Les étiquettes comptent ici plus qu'à l'ordinaire, car ce sont ces chiffres qui seront cités ailleurs sans elles.

• Similarité du locuteur, chinois zero-shot — 0,781, la meilleure de l’ensemble de comparaison, avec un taux d’erreur sur les mots de 0,820 %. L’anglais atteint une similarité de 0,728 pour un taux d’erreur de 1,666 %, également la meilleure similarité de sa colonne.

• Paralinguistique mono-événement, NVBench — le modèle arrive en tête des six catégories à étiquette unique : chinois 2,80 d’erreur / 17,23 de similarité / 3,20 de score, anglais 5,86 / 32,95 / 7,05. Sur les phrases à événements multiples, il arrive en tête de la colonne anglaise avec 5,12 / 46,13 / 7,68 et occupe une position intermédiaire en chinois avec 4,49 / 32,88 / 5,81.

• Dialecte — ensemble facile WSC-Eval-TTS : 2,53 % d’erreur de caractères, 0,721 de similarité, 86,09 % de précision ; ensemble difficile : 3,11 %, 0,738, 88,94 %. Tous deux sont des premières dans le tableau d’Ant. Le cantonais atteint 7,40 % / 0,605 / 92,90 sur l’ensemble de base et 8,67 % / 0,653 / 95,16 sur l’ensemble de couverture.

• Émotion — 74,00 % en moyenne sur l'ensemble chinois CV3 et 30,67 % sur CV3N, en tête sur les deux sous-ensembles Sad et sans particularité ailleurs.

• Conception vocale — 75,37 % de moyenne sur InstructTTSEval-ZH, deuxième au classement général, avec des scores de 85,10 pour l’invite d’attribut, 79,90 pour la description et 61,10 pour le jeu de rôle. Le jeu de rôle est le point faible : quatrième place, et la fiche du modèle l’indique.

Le tableau des attributs de base est le moins glamour et probablement le plus utile : 93 % sur l’âge, 93 % sur le genre, 78,70 % sur la hauteur tonale, une moyenne de 88,23 % avec un taux d’erreur sur les mots de 0,274 % et une similarité de 0,742. La hauteur tonale est le plus faible des quatre contrôles, ce qui correspond à ce que rapportent tous les autres systèmes de cette classe.

Le numéro du podcast est la véritable raison de remarquer cela

Le modèle 0.5B ne peut pas générer de podcasts multi-intervenants. Le petit modèle le peut, et sur la table de podcasts d’Ant, il obtient le meilleur résultat de précision du contenu de la comparaison.

• Ming-3.0-tts-tiny — 2,03 % de taux d’erreur sur les caractères, 0,561 de similarité conditionnelle du locuteur, 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.

En tête sur le taux d’erreur avec une légère avance, deuxième à la fois sur la similarité et la naturalité, et c’est l’écart de naturalité qui est intéressant : ZipVoice-Dia a 0,12 UTMOS d’avance tout en étant 1,36 point moins précis. Il s’agit d’un véritable compromis, et non d’une différence d’arrondi, et cela suggère que la prosodie de dialogue du petit modèle est le prochain point à améliorer plutôt que sa transcription. Comme pour tout le reste de cette section, personne en dehors d’Ant n’a fait passer un podcast dans le système et publié le résultat.

Ce que les dépôts n’établissent pas

Quatre lacunes méritent d’être nommées avant que quiconque ne l’intègre à un produit.

Il n’existe aucun score indépendant pour ce checkpoint. Artificial Analysis répertorie bien une entrée Ming-3.0-tts dans son arène vocale — 1 188 Elo sur le tableau Provider Voice et 1 069 sur Controlled Voice au 19 octobre — mais cette entrée est liée au modèle 0,5B, pas à celui-ci. Le README GitHub reproduit ces chiffres de l’arène dans sa section de résultats sans cette distinction, ce qui est le genre de détail qui devient une affirmation erronée deux republications plus tard. Ming-3.0-tts-tiny n’a pas de résultat distinct dans l’arène, pas de débit mesuré et pas de taux d’erreur de mots établi par un tiers.

Il n’existe aucun rapport technique. La feuille de route l’indique sous forme de case non cochée, et le 16 octobre, la fiche modèle a été modifiée spécifiquement pour en supprimer une référence. L’architecture se résume donc à un schéma et à un paragraphe : de quoi exécuter le modèle, mais pas de quoi reproduire les affirmations relatives à l’entraînement.

Il n’existe aucun point de terminaison hébergé ni aucun prix. La seule façon d’y faire appel est d’allouer un GPU et d’exécuter le code, ce qui est tout autre chose que de le comparer à un tarif par caractère.

Et il n’y a aucune déclaration d’intention. Vingt téléchargements et trois « j’aime » ne sont pas un gage de qualité — ils indiquent simplement que personne n’a été informé. Aucune annonce ne signifie aucun engagement d’assistance, aucune politique de dépréciation et aucune indication quant à l’éventualité d’un service hébergé.

Je le lance, si tu veux.

Le dépôt Hugging Face est une simple publication de checkpoint, et sa fiche indique clairement que l’inférence nécessite le projet GitHub. C’est pourquoi le commit d’octobre compte davantage que le téléversement de septembre. L’environnement est épinglé à Python 3.10.15, PyTorch et torchaudio 2.7.1 avec CUDA 11.8, et transformers 4.46.3, un H800 étant recommandé ; le point d’entrée est infer_tiny.py avec la classe ming_tiny.MingTinyTTS, et un protocole de prompt nommé thinking_v1. Les valeurs par défaut publiées sont une échelle de guidage sans classifieur de 2,0, une température nulle, dix étapes de flux, un sigma de 0,25 et une graine de 1234 — 1235 pour la tâche de podcast — et le dépôt fournit un script distinct par tâche plutôt qu’un point d’entrée unique piloté par des options. La prise en charge de vLLM-Omni figure sur la feuille de route et n’a pas encore été vérifiée, il n’existe donc aujourd’hui aucun chemin de service à haut débit.

Si vous évaluez cela pour un produit, le déploiement par étapes raisonnable est celui que vous utiliseriez pour tout checkpoint à poids ouverts non éprouvé : le tenir hors du chemin critique, le tester sur vos propres audio dans les langues que vous livrez réellement, et ne décider qu’ensuite. OrcaRouter ne route pas Ming-3.0-tts-tiny, et rien ici ne doit être compris comme affirmant le contraire — le catalogue ne contient aucun modèle vocal Ming. Ce qu’il contient, en revanche, c’est le reste d’un système vocal : openai/tts-1, openai/tts-1-hd et openai/gpt-4o-mini-tts ainsi que les aperçus Ge​mini TT​S au prix catalogue du fournisseur, sans marge ajoutée, et plus de 200 modèles de texte derrière la même clé pour la moitié du pipeline qui écrit le script ou pilote l’agent. Le basculement automatique entre fournisseurs est ce qui maintient opérationnelle la moitié texte hébergeable pendant que vous décidez si la moitié voix auto-hébergée a mérité sa place.

Le prochain vrai signal ne sera pas un autre tableau d’un fournisseur. Ce sera quelqu’un d’extérieur à Ant qui fait tourner ce modèle sur du coréen, ou dans un podcast, et qui publie ce qui a cassé. Tant que cela n’existe pas, le résumé défendable reste étroit : un modèle vocal clairsemé, sous licence MIT, en neuf langues, avec le meilleur score de voix clonée de sa propre famille, un véritable résultat de podcast multi-locuteurs, une colonne coréenne qui demande explication, et une annonce qui n’a pas eu lieu.