Ming-3.0-tts vs Ming-3.0-tts-tiny : le plus petit checkpoint est le meilleur téléchargement, et le plus gros est le seul que quiconque ait mesuré

Ant Group a livré deux modèles vocaux sous un même nom, et cette dénomination est la première chose qui vous induira en erreur. Ming-3.0-tts-the-default est le modèle dense de 0,5 B : 2,96 Go sur disque, un socle Qwen2.5-0.5B, rapide, économique, et le seul de la paire à disposer d’un score indépendant. Ming-3.0-tts-tiny est de loin le plus gros des deux — un mélange d’experts de 7,9 milliards de paramètres avec 1,3 milliard actifs par token, bâti sur le socle Ling V3, 18 Go de poids fragmentés — et il est appelé tiny à cause de ce qu’il coûte à exécuter, pas de ce qu’il coûte à télécharger. Choisissez d’après l’étiquette et vous obtiendrez le mauvais fichier. Les défaillances de l’IA et incidents d’agents documentés à l’origine de versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.

La deuxième chose qui vous induira en erreur est le classement. Artificial Analysis présente une ligne Ming-3.0-tts à 1 188 Provider Voice Elo et 93,2 % de robustesse de prononciation, et cette ligne renvoie au checkpoint 0.5B. Rien de tout cela n’appartient à tiny. Les chiffres de Tiny proviennent des propres tableaux d’Ant, publiés dans la fiche du modèle et le README GitHub, et aucun tiers ne les a reproduits. La comparaison honnête comporte donc deux volets : un modèle avec des preuves indépendantes et sans mode podcast, un modèle avec des preuves fournies par le vendeur et une capacité dont l’autre ne dispose pas. Savoir de quel volet vous avez besoin est une question liée à votre charge de travail, et non à quel modèle est le meilleur.

Même famille d'architecture, deux machines très différentes

Les deux modèles partagent le cadre de génération qu’Ant décrit dans le README : les tokens de contrôle textuels et spécifiques à la tâche conditionnent un modèle de langage, qui pilote une tête de patch diffusion-transformer émettant des tokens audio. La différence réside dans le modèle de langage sous-jacent. Le 0.5B utilise un Qwen2.5-0.5B dense ; le tiny utilise un mélange d’experts clairsemé Ling V3 totalisant 7,9 B, avec environ 1,3 B de paramètres activés par token.

• Taille du téléchargement — Ming-3.0-tts 2,96 Go contre Ming-3.0-tts-tiny environ 18 Go répartis sur 30 fragments

• Paramètres — 0,5B dense vs 7,9B au total / 1,3B actifs MoE

• Réseau principal — Qwen2.5-0.5B vs Ling V3

• Environnement d'exécution — PyTorch 2.6 + CUDA 12.4 sur une pile logicielle de l'époque Python 3.8 vs Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Matériel — testé sur H800-80GB et H20-96G vs H800 recommandé, SGLang-Omni peut servir sur un seul GPU

• Génération de podcasts multi-intervenants — non prise en charge vs prise en charge

• Licence — MIT vs MIT

• Score indépendant de l’arène — oui, 1 188 Provider / 1 068 Controlled / 93,2 % de prononciation contre aucun

Les deux checkpoints ne partagent pas le même environnement Python. Ce n’est pas une bizarrerie de la documentation ; cela signifie qu’une équipe qui veut évaluer les deux sur la même machine doit maintenir deux virtualenvs, et qu’une équipe qui veut les comparer en A/B en production doit maintenir deux images de déploiement. Si votre plan est « commencer avec le petit et migrer plus tard », prévoyez la migration comme un véritable chantier, et non comme un simple changement de configuration.

Là où tiny est véritablement meilleur, selon les propres chiffres d'Ant

La similitude avec le locuteur est le gain le plus net et le plus constant, et c'est le chiffre qui détermine si une voix clonée ressemble à la personne.

• Similarité du locuteur chinois pour Seed-TTS — Ming-3.0-tts 0,758 contre tiny 0,781

• Similarité du locuteur anglais Seed-TTS — 0.691 vs 0.728

• Similarité avec l’allemand — 0,753 vs 0,791

• Similarité avec l’espagnol — 0,763 contre 0,797

• Similarité du français — 0,675 vs 0,733

• Similarité du japonais — 0,765 contre 0,780

• Similarité coréenne — 0,793 vs 0,797

Tiny l'emporte dans toutes les langues sur la similarité, généralement de trois à six points, et la tendance se vérifie aussi sur les benchmarks de contrôle : 74,00 % en moyenne sur l'émotion CV3 contre 72,33 %, et 75,37 % sur la précision de conception de voix contre 72,29 %. Ce sont les deux choses qu'un client remarque sans qu'on le lui dise — est-ce que ça me ressemble, et est-ce que ça a fait ce que j'ai décrit. Sur les deux, le MoE 7,9B est en tête.

L’exactitude du contenu se répartit dans l’autre sens, et cette répartition n’est pas symétrique.

• Erreur de mots en chinois Seed-TTS — 0,800 % contre 0,820 %. Égalité de fait ; le modèle dense est très légèrement en tête.

• Erreur de mots en anglais de Seed-TTS — 1,584 % contre 1,666 %. Dense en tête.

• Allemand — 0,365 % contre 0,325 %. Légèrement en avance.

• Espagnol — 1,099 % vs 0,971 %. Légèrement en tête.

• Français — 4,264 % contre 3,470 %. Tiny est largement en tête.

• Erreur sur les caractères japonais — 3,765 % contre 3,427 %. Un tout petit peu en avance.

• Erreur sur les caractères coréens — 1,728 % contre 6,000 %. Dense est en tête d’un facteur de trois et demi.

Le coréen est l’exception qui devrait empêcher quiconque de tirer du tableau la conclusion que « tiny est meilleur en multilingue ». La fiche modèle d’Ant elle-même le signale : le coréen présente le plus grand écart de précision multilingue du modèle tiny, et le chiffre de 6,000 % représente plus du triple de ce que parvient à faire le modèle à un demi-milliard de paramètres. Une équipe qui développe pour le marché coréen dispose d’une réponse claire, et ce n’est pas le modèle de plus grande taille.

La capacité qui n’est pas un benchmark

Ming-3.0-tts-tiny génère un dialogue de podcast multi-intervenants à partir d’un script avec des références de locuteurs. Ming-3.0-tts ne le fait pas. C’est une capacité produit, pas un score, et elle n’apparaît sur aucun classement — c’est précisément pourquoi il est facile de la manquer lorsqu’on compare des fiches techniques qui listent toutes deux « clonage de voix » et « conception de voix ».

L’évaluation du podcast d’Ant, sur son propre banc d’essai, place tiny à 2,03 % de taux d’erreur de caractères, avec 0,561 de similarité de locuteur et 2,12 UTMOS, face à ZipVoice-Dia à 2,24 UTMOS, FireRedTTS2 à 3,34 % CER et MOSS-TTSD à 8,62 %. L’écart UTMOS est celui à noter : tiny est en tête sur la précision du contenu et en retrait par rapport à la meilleure comparaison sur la naturalité, ce qui correspond au même compromis que les chiffres de similarité de locuteur suggèrent dans l’autre sens. La génération de podcasts récompense davantage l’alternance des tours de parole et la cohérence des locuteurs qu’un seul clip parfait, et c’est là la forme de l’avantage de tiny.

Si vous avez besoin de deux personnes qui parlent, il n’y a pas de comparaison ici — un modèle le fait et l’autre non. Tout le reste dans cet article concerne le cas où les deux peuvent faire le travail.

Ce que l’écart d’indépendance vous coûte réellement

La position du modèle 0,5B dans l’arène mérite d’être comprise avant de décider du poids à lui accorder. Il obtient 1 188 Provider Voice Elo, soit 18e sur 97, et 1 068 Controlled Voice, premier parmi les modèles à poids ouverts et 12e au classement général. Pour la prononciation, il atteint 93,2 %, à égalité en pratique avec Fish Audio Drama 3 Preview et devant Eleven v4. Il s’agit de mesures indépendantes dont les tailles d’échantillon et les intervalles de confiance sont publiés.

Ce que cela vous apporte, c’est de la calibration. Vous savez à peu près où se situe le modèle dense face à ElevenLabs et Cartesia, parce que le même laboratoire a mesuré tous les trois sur le même tableau. Pour tiny, vous ne savez que ce qu’Ant dit, mesuré sur le banc d’essai d’Ant avec les réglages d’Ant, et Ant est la partie intéressée par le résultat. Ce n’est pas une accusation — les tableaux sont d’une franchise inhabituelle, y compris le chiffre coréen et une liste de limites qui cite le contrôle de la hauteur tonale et la conception de voix pour le jeu de rôle parmi les points faibles. C’est une affirmation sur ce qu’un chiffre peut étayer. Un tableau de fournisseur vous dit que le modèle est compétitif sur les axes que le fournisseur a choisi de mesurer ; une ligne d’arène vous dit où il se situe face aux systèmes que vous utilisez déjà.

Il y a aussi un point précis que le tableau de bord indépendant ne vous dit pas : il n’a mesuré qu’une seule voix. Artificial Analysis note que chaque modèle est évalué sur le tableau de bord de prononciation avec une voix unique, et que la ligne de Ming utilise l’endpoint d’Ant avec trois voix natives disponibles. On ne sait pas si le taux de 93,2 % tient sur les voix clonées qu’un produit livrerait réellement, et c’est la première chose qu’il vaut la peine de tester soi-même.

Choisir, en pratique

L'arbre de décision est court.

Prenez Ming-3.0-tts (0.5B) si vous voulez le plus petit téléchargement viable, si vous déployez pour le coréen, si votre matériel est une seule carte de 80 Go que vous utilisez aussi pour d’autres choses, ou si vous avez besoin d’un modèle dont le comportement a été mesuré par quelqu’un d’autre que son auteur. À 2,96 Go et 44,3 caractères par seconde sur le banc de test indépendant, c’est un narrateur utilisable qui va plus vite que la parole en temps réel sur un seul GPU.

Choisissez Ming-3.0-tts-tiny si la similarité du locuteur est le produit — une voix de marque clonée, une lecture à voix haute personnalisée, tout cas où le premier jugement de l'auditeur est « est-ce que cela ressemble à la personne » — ou si vous avez besoin de dialogues de podcast, ou si la précision en français, en allemand, en espagnol ou en japonais est la contrainte. Prévoyez 18 Go de poids, un environnement Python 3.10 séparé et une carte de classe H800.

Ne prenez ni l'un ni l'autre, mais si vous avez besoin d'un chiffre indépendant avant d'engager de la capacité de production pour tiny. La ligne arena n'existe pas, le rapport technique n'est toujours pas coché sur la feuille de route, et l'accélération vLLM-Omni est marquée comme terminée dans le README sans recette publiée. Ces trois lacunes sont exactement les trois éléments qui rendraient tiny facile à recommander.

Une remarque opérationnelle qui s’applique aux deux : aucun des deux checkpoints ne prend en charge le streaming. Aucun temps jusqu’au premier audio n’est publié pour l’un ou l’autre modèle, et le chiffre de débit de l’arène correspond à une génération sur une requête complétée. Si votre application est conversationnelle, cette famille n’est pas l’outil adapté, quelle que soit la taille choisie.

La question du routage, qui est différente ici

La plupart des comparaisons sur ce site se terminent par un paragraphe sur la consolidation de l’accès. Celle-ci ne le peut pas, car OrcaRouter n’héberge aucun des deux checkpoints Ming — le catalogue ne contient aucun modèle vocal Ming, et l’on accède aux deux en clonant le dépôt GitHub d’Ant et en exécutant les poids vous-même. Dire le contraire serait un mensonge qu’un lecteur pourrait vérifier en trente secondes.

Ce qui est vrai est plus étroit, et reste utile. Un pipeline vocal commence généralement par le texte : quelque chose rédige le script, quelque chose le traduit, quelque chose le vérifie par rapport à une charte de style. Cette étape textuelle peut se trouver derrière une seule clé — plus de 200 modèles au prix catalogue du fournisseur, sans marge ajoutée, un basculement automatique lorsqu’un fournisseur se dégrade, et un DSL de routage pour envoyer une tâche à un autre modèle selon ce que contient la requête. L’étape vocale dans cette comparaison reste sur votre matériel dans les deux cas, et c’est la voie auto-hébergée qui rend le choix entre les deux checkpoints réversible : les poids MIT n’expirent pas, et un modèle déjà présent sur votre disque est un modèle que vous pouvez continuer à servir pendant que vous évaluez son remplacement.

Qu'est-ce qui réglerait ça

Trois évolutions, par ordre d’impact sur la recommandation. Une petite ligne dans le classement vous indiquerait si l’avantage de similarité résiste à une comparaison en aveugle par des auditeurs, qui est le seul test qui n’a pas encore été réalisé. Le rapport technique expliquerait pourquoi un MoE à 1,3B de paramètres actifs gagne en similarité de locuteur et perd en précision sur le coréen, et si cela relève d’une répartition des données ou d’une conséquence architecturale. Et une recette vLLM-Omni publiée rendrait le checkpoint de 18 Go exploitable sur du matériel loué plutôt que réservé à un déploiement de recherche.

En attendant, le cadre utile est le suivant : Ant a livré deux modèles pour deux usages et leur a donné des noms qui font passer la tâche la plus modeste pour le fichier le plus petit. Ce n’est pas le cas. Le 0.5B est celui que vous pouvez mesurer, déployer et défendre en revue de conception ; le 7.9B est celui qui ressemble davantage à la personne que vous avez clonée, dans six langues sur sept, si vous pouvez vous permettre de faire confiance sur parole.