Ming-3.0-tts arrive en tête de l’Arène de la prononciation, et le reste de son lancement est plus intéressant

À 93,2 %, Ming-3.0-tts et Fish Audio Drama 3 Preview sont séparés par un centième de point de pourcentage — 1 677 segments corrects sur 1 800 pour le modèle d'Ant Group, contre 1 785 sur 1 916 pour celui de Fish Audio — ce qui est une égalité en tout sauf en décimales. Les deux se situent au-dessus d'Eleven v4 à 91,7 %, le chiffre que la plupart des gens citeront. L'égalité est réelle et mérite d'être rapportée telle quelle, mais c'est l'élément le moins informatif du tableau. Ce qui rend Ming-3.0-tts digne d'un article cette semaine, ce n'est pas qu'il ait atteint la première place du classement English Pronunciation Robustness d'Artificial Analysis. C'est que ce classement existe enfin pour ce modèle, et que les quatre sous-scores sous le titre disent quelque chose que le titre ne peut pas dire. Les défaillances documentées de l'IA et les incidents d'agents derrière des versions comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, son niveau de gravité, son niveau de confiance et son indicateur de contestation.

Ces sous-scores sont très déséquilibrés. Ming-3.0-tts devance les 31 systèmes mesurés dans la catégorie Préservation des séquences exactes, avec 90,6 %, et dans celle du Développement des abréviations, avec 96,5 %. Il se classe aussi 21e sur 31 pour les Termes isolés, avec 88,5 %, soit la catégorie que la plupart des auditeurs appelleraient « une mauvaise prononciation des noms ». Un score agrégé masque un modèle qui lit .env.local et « Chapter XVII » mieux que tout autre système du tableau et qui bute sur des noms propres ordinaires plus souvent qu'un système Gemini ou ElevenLabs. Savoir s'il s'agit d'une victoire dépend entièrement de la composition de votre texte.

Ce qui a réellement changé, et ce qui n'a pas changé

Ant Group n'a pas lancé ce modèle cette semaine, et aucun article ne devrait prétendre le contraire. La chronologie dans les dépôts est publique et légèrement embarrassante :

• Les dépôts Hugging Face pour Ming-3.0-tts-0.5B et Ming-3.0-tts-tiny ont été créés le 22 septembre 2026, avec une fiche provisoire.

• Le checkpoint 0,5B — 2,96 Go de safetensors, sous licence MIT — a été mis en ligne le 24 septembre.

• Le dépôt GitHub contenant le code d’inférence, le cookbook des tâches et les scripts d’exemple est apparu le 19 octobre, date qui correspond aussi au mois de publication indiqué dans le README d’Ant et à la date qu’Artificial Analysis appose sur la ligne de son modèle.

Ainsi, les poids ont quatre semaines et la version exploitable a un jour. Ce qui a changé le 19 octobre, ce n’est pas qu’un modèle a été publié. C’est que le code d’inférence a été publié, et que les mesures indépendantes sont arrivées en même temps. Avant cette date, il existait un checkpoint sans moyen publié de l’exécuter et sans chiffre tiers associé ; quiconque écrivait à son sujet citait les propres tableaux d’Ant.

Cette distinction importe pour la façon dont vous interprétez les 93,2 %. Artificial Analysis utilise son propre protocole d’évaluation et ses propres évaluateurs humains ; il ne s’agit pas des évaluations d’Ant reproduites. Les dates d’évaluation et la taille des échantillons figurent sur le tableau, les intervalles de confiance sont publiés et les contrôles d’attention des évaluateurs sont décrits dans la méthodologie. C’est la première fois que quelqu’un extérieur à Ant attribue un chiffre à ce modèle, et il se trouve que ce chiffre est bon.

Trois conseils, trois réponses différentes

Artificial Analysis gère plus d’un classement de synthèse vocale, et Ming-3.0-tts ne domine pas tous ces classements. Les écarts sont suffisamment importants pour que citer celui qui flatte le modèle constitue une forme de présentation trompeuse.

• Voix contrôlée, où chaque système clone les mêmes huit voix de référence (quatre américaines, quatre britanniques) et seule la synthèse est comparée — Ming-3.0-tts obtient 1 068 Elo, premier parmi les modèles à poids ouverts et 12e au classement général. Fish Audio Drama 3 Preview est deuxième parmi les poids ouverts avec 1 059.

• Provider Voice, où chaque système utilise ses propres voix natives — Ming-3.0-tts obtient 1 188 Elo, 18e au classement général et troisième parmi les modèles à poids ouverts, derrière Fish Audio Drama 3 Preview à 1 247 et Breeze TTS 2 à 1 221. Eleven v4 Turbo mène l’ensemble du classement avec 1 330.

• Robustesse de la prononciation, anglais, évaluée par des humains — Ming-3.0-tts à 93,2 %, premier au classement général d’un cheveu devant Fish Audio Drama 3 Preview à 93,2 % et devant Eleven v4 à 91,7 %.

Le schéma est constant : dès que les voix ne sont plus maintenues constantes, Ming-3.0-tts perd du terrain. C’est la signature d’un modèle dont le clonage est plus fort que son ensemble de voix intégrées — exactement à quoi devrait ressembler un checkpoint sans catalogue de voix hébergé. Ant fournit plus de 100 voix chinoises intégrées et cinq voix anglaises ; trois de ces voix anglaises sont ce que le panel Provider Voice a réellement entendu, face aux catalogues soigneusement produits d’ElevenLabs et de Cartesia. Sur les voix clonées, le terrain s’équilibre et le modèle gagne cinq places.

Notez également que les chiffres ont déjà divergé du README d’Ant lui-même. Le tableau du dépôt indique 1 069 pour Controlled et 13e au total, ainsi que 1 188 pour Provider et 17e au total. Le classement affiche aujourd’hui 1 068 et 12e, ainsi que 1 187,8 et 18e. Les votes continuent d’affluer ; la ligne bouge. Quiconque cite ces chiffres doit en préciser la date.

Le 93.2, c’est deux victoires et deux défaites.

La robustesse de la prononciation n’est pas un test unique. Artificial Analysis la répartit en quatre catégories, chacune ayant son propre dénominateur, et c’est dans cette répartition que ce modèle devient lisible.

• Préservation des séquences exactes — codes, chemins de fichiers, adresses e-mail, identifiants. Ming-3.0-tts obtient 90,6 %, premier sur 31, le meilleur suivant étant Fish Audio Drama 3 Preview à 86,3 % et Eleven v4 à 78,8 %. C’est la catégorie qui détermine si un bot d’assistance lit correctement un numéro de commande, et l’écart n’est pas mince.

• Extension des formes abrégées — nombres, dates, unités et notation. Ming-3.0-tts obtient 96,5 %, premier sur 31, devant Eleven v4 à 94,1 % et Fish Audio Drama 3 Preview à 93,6 %.

• Adapté au contexte — les hétéronymes tels que « a wound that is bandaged » par opposition à « a bandage that is wound ». Ming-3.0-tts obtient 91,0 %, soit 13e sur 31. Gemini 3.8 Flash TTS est en tête avec 98,0 %.

• Termes isolés — noms de marque, de lieu et techniques. Ming-3.0-tts obtient 88,5 %, soit 21e sur 31. Fish Audio Drama 3 Preview arrive en tête avec 95,9 %.

Un score agrégé qui est à égalité en première position tout en se classant 21e sur l’une de ses quatre composantes n’est pas un paradoxe ; les deux catégories qu’il remporte ont les plus grands dénominateurs (1 084 des 1 800 spans évalués sont des cas de formes abrégées et de séquences). Le propre README d’Ant s’appuie précisément sur ces deux victoires, mettant en avant Expanding Shorthand à 96,5 % et Preserving Exact Sequences à 90,6 %, et l’exécution indépendante confirme ces deux résultats. Il ne mentionne simplement pas la 21e place, qui est la ligne qu’une équipe d’agents vocaux devrait examiner avant de déployer un modèle qui doit énoncer les noms de famille des clients.

La 21e place constitue aussi l’explication la plus plausible d’un détail de la fiche modèle d’Ant : l’ensemble de voix anglaises compte cinq voix, contre plus de 100 en chinois. La couverture des noms propres anglais est un problème de données avant d’être un problème de modélisation, et le chiffre sur la prononciation des termes montre à quoi ressemble cet écart quand on le mesure.

La moitié de la famille qui ne siège pas au conseil

Ming-3.0-tts-tiny, la variante à mélange d’experts de 7,9 B au total et 1,3 B actifs, bâtie sur le socle Ling V3, n’apparaît dans aucun de ces classements. L’entrée de l’arena intitulée Ming-3.0-tts renvoie au checkpoint de 0,5 B, et tous les chiffres ci-dessus se rapportent à ce checkpoint. Les résultats publiés de Tiny sont ceux d’Ant — erreur sur les mots en chinois de 0,820 % avec une similarité de locuteur de 0,781, allemand 0,325 %, espagnol 0,971 %, coréen 6,000 % — et aucun tiers indépendant ne les a reproduits. Considérez-les comme des affirmations du fournisseur ; le chiffre embarrassant pour le coréen prouve au moins qu’Ant publie le tableau complet plutôt qu’une sélection des meilleurs résultats.

Il y a un domaine où tiny semble véritablement avoir une longueur d’avance sur son homologue dans le harnais d’Ant : la génération de podcasts à plusieurs intervenants, ce que le modèle 0,5B ne fait pas du tout. C’est une capacité produit plutôt qu’un avantage sur un benchmark, et elle ne figure pas dans l’arène.

L’exécuter, et ce que cela coûte

Le checkpoint 0,5B est un téléchargement de 2,96 Go — backbone, tête de patch DiT, tokenizer audio, encodeur de locuteur et tokenizer de texte — sous licence MIT, produisant de l’audio à 44,1 kHz. Ant l’a testé sur un H800-80GB et un H20-96G avec PyTorch 2.6, CUDA 12.4 et transformers 4.46.3, et le dépôt inclut un Dockerfile. L’inférence passe par infer.py ou la classe Python MingTTS ; le dépôt Hugging Face ne sert qu’à distribuer le checkpoint et ne fonctionnera pas seul.

Artificial Analysis a mesuré le point de terminaison Ant hébergé à 44,3 caractères par seconde de temps de génération, avec un temps de génération médian de 2,56 secondes. Pour donner un ordre de grandeur : un million de caractères de narration finalisée représente environ 6,3 heures de génération pure sur cette configuration, avant le chargement du modèle ou la mise en file d’attente. Aucun prix n’est indiqué, car il n’existe pas de point de terminaison commercial hébergé ; vous achetez des heures de GPU, pas des caractères.

C’est ici qu’une couche de routage est réellement utile sans prétendre héberger le modèle. OrcaRouter ne prend pas en charge Ming-3.0-tts — le catalogue ne contient aucun modèle vocal Ming — et le modèle s’obtient en clonant le dépôt et en l’exécutant vous-même. Ce que nous prenons en charge, c’est la moitié textuelle du même pipeline : plus de 200 modèles derrière une seule clé au prix catalogue du fournisseur, sans marge ajoutée, bascule automatique entre fournisseurs, et un DSL de routage pour les composer. Si vous construisez un pipeline de narration ou d’agent, le modèle qui écrit le script est la partie que vous pouvez consolider dès aujourd’hui ; le modèle vocal est la partie que vous hébergez vous-même.

Ce qu'il faut surveiller à partir d'ici

Trois choses changeraient ce tableau, et aucune ne s'est encore produite.

La feuille de route d'Ant indique toujours le rapport technique comme non coché. Tant qu'il n'est pas publié, la description de l'architecture se limite à un paragraphe et à un schéma, et les tableaux d'évaluation constituent les seules preuves détaillées du comportement du modèle. Un rapport expliquerait aussi l'écart de prononciation des termes, qui n'est actuellement qu'une hypothèse.

Provider Voice a entendu trois voix natives. C’est un échantillon mince pour un modèle qui en livre cent en chinois et cinq en anglais, et la 18e place évoluera à mesure que davantage de voix seront évaluées — impossible de savoir dans quelle direction à partir d’ici.

Et le minuscule checkpoint reste non mesuré par quiconque d’indépendant. S’il obtient effectivement une ligne, la question intéressante est de savoir si un Ling V3 mixture-of-experts à 1,3B actifs par token conserve l’avantage de fidélité de séquence qui distingue le modèle 0,5B, ou l’échange contre la similarité de locuteur que les propres tableaux d’Ant lui attribuent. Sur les chiffres du fournisseur, tiny est la meilleure voix clonée. Sur les seuls chiffres indépendants qui existent, c’est le 0,5B qui a été testé, et il a réussi la partie du test que la plupart des gens ne pensent pas à exécuter.