Ming-3.0-tts-0.5B שוחרר פעמיים, ו-Ant Group לא הודיעה על אף אחד מהשניים

שלושה תאריכים משויכים אל Ming-3.0-tts-0.5B, וכל אחד מהם מציין אירוע אחר. מאגר Hugging Face נוצר ב-22 בספטמבר 2026, והמשקלים הועלו יומיים לאחר מכן. מאגר GitHub לא היה קיים עד 19 באוקטובר 2026, אז הגיע הקומיט הראשון שלו בכותרת "Initial release of Ming-3.0-tts." Artificial Analysis פתחה עמוד מודל באותו יום והעניקה לו ציון. לא היה פוסט בלוג מ-inclusionAI, לא הודעה לעיתונות, ולא שרשור השקה שמצאנו באף אחד משני התאריכים. בעת כתיבת הדברים, לצ'קפוינט היו שישה הורדות ואפס לייקים; למאגר GitHub היו שני כוכבים.הכשלים המתועדים של בינה מלאכותית ותקריות סוכנים מאחורי הפצות כמו זו מרוכזים בארכיון תקריות ה-AI של OrcaRouter, שבו כל ערך נושא מקורות משלו, חומרה, דירוג מהימנות וסימון מחלוקת.

זה משנה את האופן שבו יש לקרוא את המשך היצירה. הזרוע של Ant Group למודלים עם משקולות פתוחות פרסמה מודל דיבור שלם ברישיון MIT, עם מערכת פרלינגוויסטית בעלת 14 תגיות, עיצוב טקסט-לקול, שני ניבים סיניים וטבלה מלאה של תוצאות בנצ'מרק. עד כה היא גם נמנעה מלספר על כך לאיש. בהמשך מופרד מה שהמאגר מוכיח ממה שרק Ant יכולה לאשר.

שלושת התאריכים, ומה כל אחד מהם למעשה מכסה

הבלבול אינו מומצא. שני המאגרים של Ant עצמה חלוקים בפומבי, ואף אחד מהם אינו שגוי.

• 22 בספטמבר 2026, 12:46 UTC — המאגר של Hugging Face נוצר עם קומיט ראשוני הכולל README של מציין מקום. אין עדיין משקלים.

• 24 בספטמבר 2026, 04:21 UTC — הצ'קפוינט נוחת דרך קומיט בשם upload-large-folder, ואחריו כעבור עשרים דקות README ייעודי למודל. מנקודה זו ואילך המודל ניתן להורדה, וכמעט אף אחד לא מוריד אותו.

• 19 באוקטובר 2026, 07:03 UTC — מאגר ה-GitHub נוצר. בשעה 08:58 UTC, הקומיט הראשון, "Initial release of Ming-3.0-tts", כולל קוד הסקה, Dockerfile, סקריפטי דוגמה בלחיצה אחת וספר מתכונים למשימות. קומיטי תיעוד נמשכים לאורך אחר הצהריים.

קטע ה-News ב-README של GitHub אומר שמודלי 0.5b וה-tiny שוחררו ב־"2026.10". כרטיס ה-Hugging Face לא אומר דבר על תאריך בכלל. שניהם מתארים את אותו ארטיפקט: ה-checkpoint היה קיים בספטמבר, והשחרור השמיש — קוד, נעיצות סביבה, דוגמאות — הגיע באוקטובר. אם אתם מתארכים את המודל עבור מסמך רכש, 22 בספטמבר הוא המועד שבו הוא הפך לפומבי; אם אתם מתארכים אותו כמשהו שאפשר להריץ, 19 באוקטובר היא התשובה הישרה.

מה שאנחנו לא יכולים לומר לכם הוא למה. פרסום שקט הוא דבר רגיל לארגון מחקרי שמצפה שכרטיס המודל יעשה את הדיבור. זה גם איך שנראית השקה מדורגת כאשר מתוכננת הכרזה גדולה יותר. שום דבר באף אחד משני המאגרים לא אומר מה מהם, ואנחנו לא מתכוונים לנחש.

מה יש בתוך ה-checkpoint של 0.5B?

המודל הוא מחולל דיבור צפוף הבנוי על עמוד שדרה Qwen2.5-0.5B, עם ראש patch מסוג diffusion-transformer וטוקנייזר אודיו נפרד. חבילת ההפצה היא יותר מאשר מודל שפה: המאגר כולל את עמוד השדרה, את ראש ה-DiT, את ה-VAE לאודיו, מקודד דובר CAM++ בפורמט ONNX, ואת טוקנייזר הטקסט, הכול בתיקייה אחת. החלטת האריזה הזו מסבירה אי-התאמה שתיתקלו בה מיד.

• פרמטרים — הכרטיס ושם המודל אומרים 0.5B; המטא-נתונים של Hugging Face עצמם מפרטים את המאגר כ-1B, וקובץ model.safetensors היחיד הוא 2.96 GB. נתון ה-0.5B הוא עמוד השדרה הלשוני. החבילה שאתם למעשה מורידים היא בערך פי שלושה מזה ב-bf16.

• פלט — אודיו ב-44.1 kHz, שזה גבוה יותר מרוב מהדורות ה-TTS הפתוחות, וזו אחת מהטענות הבודדות כאן שאפשר לבדוק בעשר שניות עם בודק קבצים.

• שפות — סינית, אנגלית, גרמנית, ספרדית, צרפתית, קוריאנית ויפנית, ובנוסף סצ'ואנית וקנטונזית כאשר מסופק קליפ ייחוס בניב.

• קולות — שיבוט zero-shot מתוך מקטע ייחוס קצר, עיצוב קול מתוך תיאור בשפה טבעית, ומערך מובנה של יותר מ-100 קולות סיניים וחמישה קולות אנגליים.

• שליטה — 14 תגים בתוך הטקסט לצחוק, אנחות, שיעול, נשימה והיסוס, ובנוסף הגדרות מפורשות של רגש, מהירות, גובה צליל ועוצמה. הכרטיס כנה ומציין שגובה הצליל הוא הפחות מדויק מבין הארבעה.

• משימות — TTS, הוראה בטקסט חופשי, עיצוב קול, רב-לשוניות, מאפיינים בסיסיים, רגש, דיאלקט ומצב קול מובנה. הפקדים סותרים זה את זה מעצם התכנון: לא ניתן לשלב הוראה בטקסט חופשי עם עיצוב קול או עם קול מובנה.

• רישיון — MIT, הן למשקלים והן לקוד. הצהרת השימוש של Ant מבקשת ממך לא להתחזות לאנשים ללא הסכמתם ולתייג דיבור סינתטי, וזו בקשה ולא תנאי רישיון.

יש מודל שני באותה מהדורה. Ming-3.0-tts-tiny הוא עיצוב תערובת-מומחים על בסיס Ling V3, 7.9B בסך הכול עם 1.3B פעילים, והוא מוסיף יצירת פודקאסטים מרובי-דוברים שאין למודל 0.5B. אם העניין שלך הוא במודל הקטן במיוחד, המסגור המועיל הוא ש-0.5B הוא הפריסה הקלה ו-tiny הוא תקרת היכולות — ולא שאחד מחליף את השני.

טבלאות הבנצ'מרק, ומי הפיק אותן

כל מספר בכרטיס המודל מגיע ממערך ההערכה של Ant עצמה. זו לא ביקורת — זה מה שטבלת שחרור היא — אבל הטבלאות מצוטטות במקומות אחרים בלי התווית הזו, אז הנה היא.

• זירו-שוט Seed-TTS, סינית — שיעור שגיאות מילים 0.800%, דמיון דובר 0.758.

• Seed-TTS במצב Zero-shot, אנגלית — שיעור שגיאות מילים של 1.584%, דמיון דובר של 0.691.

• NVBench פרלינגוויסטי, אירוע בודד — שיעור שגיאות בתווים סיניים 2.70, אנגלית 7.60.

• דיאלקט, WSC-Eval-TTS-easy — 2.27% שיעור שגיאות תווים, 80.68% דיוק.

• עיצוב קולי, InstructTTSEval-ZH — ממוצע של 72.29%.

• בקרת מאפיינים בסיסית — ממוצע של 93.30%, עם שיעור שגיאות מילים של 0.317%.

החלק המעניין הוא מה שאותן טבלאות אומרות מול המתחרים שהמודל עצמו בחר. בשיעור שגיאה בסינית במצב zero-shot, CosyVoice3-1.5B מציג 0.710% ו-Qwen3-TTS-12Hz-1.7B-Base 0.770%, שניהם טובים יותר מ-0.800% של Ming. בדמיון דובר, 0.780 של CosyVoice3-0.5B מנצח את 0.758 של Ming. בשיעור שגיאה באנגלית, Qwen3-TTS-12Hz-1.7B-Base מגיע ל-1.240% לעומת 1.584% של Ming.

אז Ming-3.0-tts-0.5B אינה טוענת לכתר הדיוק אפילו בתוך קבוצת ההשוואה של עצמה, והיא גם לא צריכה לעשות זאת. החוזקות שלה הן העמודות שאחרות לא ממלאות: שליטה בדיאלקט, עיצוב קול, ומערך פרה-לשוני שבו היא מובילה ברוב קטגוריות האירוע הבודד. קראו את הכרטיס כ"שליטה רחבה בחצי מיליארד פרמטרים של עמוד שדרה", ולא כ"שיעור שגיאה הטוב ביותר", והוא מחזיק מעמד.

הכרטיס גם מוכן באופן יוצא דופן לנקוב בשמות החולשות של עצמו, וזה שווה חזרה משום שרובן אינן עושות זאת: דמיון הדובר מפגר אחרי דיוק התוכן, הדמיון בצרפתית הוא הפער הרב-לשוני הברור ביותר, משפטים פרלינגוויסטיים מרובי-אירועים עדיין אינם יציבים, שליטה ברגש נשחקת כאשר המילים עצמן אינן נושאות אות רגשי, ועיצוב קולי פתוח עדיין אינו משתווה למערכת החזקה ביותר שמולה נמדד.

המספר העצמאי הראשון הגיע לפני שההודעה הגיעה.

Artificial Analysis הוסיפה את Ming-3.0-tts לזירת הדיבור שלה ב-19 באוקטובר וקישרה את הרשומה בדיוק לצ'קפוינט הזה של 0.5B, מה שמיישב שאלה אחת שהכרטיס משאיר פתוחה: המודל שקיבל ניקוד הוא הקטן. שני לוחות, שתי תוצאות, והן מצביעות בכיוונים שונים.

• Provider Voice, שבו כל מודל משתמש בקולות המקוריים שלו — Elo 1,188, מרווח של 95% בין 1,173 ל-1,203, מקום 19 מתוך 98 המודלים בלוח והשלישי מבין מודלי המשקולות הפתוחות, אחרי Fish Audio Drama 3 Preview עם 1,245 ו-Breeze TTS 2 עם 1,220.

• Controlled Voice, שבו כל מודל משכפל את אותן שמונה קולות ייחוס — Elo 1,069, טווח 1,053 עד 1,085, מקום 14 בסך הכול וראשון מבין מודלי open-weights, לפני Fish Audio Drama 3 Preview עם 1,059 ו-Breeze TTS 2 עם 1,019.

• מהירות — חציון של 42.1 תווים לשנייה של זמן יצירה על החומרה של Artificial Analysis, עם זמן יצירה חציוני של 2.46 שניות לבקשה. לשם השוואה, Simba 3.2 מודד 77.8 תווים לשנייה ו-Qwen-Audio-3.0-TTS-Plus 25.6 על אותה מערכת.

הפיצול הזה הוא הדבר השימושי ביותר שמישהו פרסם על המודל הזה. הקול המשובט שלו תחרותי מול מערכות המשקלים הפתוחים הטובות ביותר בלוח; מערך הקולות המקורי שלו – לא. יהיו אשר יהיו הקלטות הקול המקוריות של Ant, הן החלק שמחזיק למטה את דירוג הקול של הספק, וזו בעיית הנדסה שאפשר לתקן ולא בעיה ארכיטקטונית.

טענת ספק אחת שלא הצלחנו לאמת: בעמוד הפרויקט נכתב כי Ming-3.0-tts מדורג ראשון בסך הכול במדד חוסן ההגייה של Artificial Analysis עם 93.2%, וראשון בשתיים מתת-הקטגוריות שלו. המדד קיים ו-Artificial Analysis מפרסמת אותו, אך הערך לכל דגם אינו חשוף בנתוני העמוד שיכולנו לקרוא, לכן התייחסו ל-93.2% כנתון שנמסר על ידי הספק עד שתראו בעצמכם את תרשים העמודות.

להריץ את זה לוקח בערך עשרים דקות ושלושה תיקונים.

מאגר Hugging Face הוא רק הפצת checkpoint. כך נאמר בתיבה מודגשת סמוך לחלק העליון: הסקה מחייבת את פרויקט ה-GitHub, וה-Python API וה-CLI המוזכרים בכרטיס מגיעים משם. זהו החיכוך הראשון, וזו הסיבה שהמאגר מאוקטובר חשוב יותר מההעלאה מספטמבר.

הדבר השני הוא נרמול טקסט. מספרים, תאריכים, יחידות וסמלים מטופלים על ידי דקדוקי FST שזקוקים ל-pynini, שאין לו wheel אוניברסלי; ההוראות של Ant עצמה מפנות אותך ל-conda-forge עבור גרסה 2.1.6. אם אתה מעדיף שלא,‏ --no_text_normalization מדלג על זה ואתה יורש את מה שהטקסט שלך כבר נראה כמוהו. עבור צינור קריינות בייצור, זו החלטה אמיתית, לא הערת שוליים.

השלישי הוא חומרה. הסביבה נעולה ל-PyTorch 2.6, CUDA 12.4 ו-transformers 4.46.3, עם Dockerfile מסופק, והיא נבדקה על H800-80GB ועל H20-96G. flash-attn הוא אופציונלי והאינפרנס נופל בחזרה ל-PyTorch SDPA. דבר ב-release לא מרמז שזה רץ בנוחות על כרטיס צרכני, ואף אחד מחוץ ל-Ant עדיין לא פרסם נתון תפוקה על חומרה קטנה יותר.

הקריאה המינימלית הישימה, לאחר שהסביבה מוכנה, היא הפעלת CLI בודדת עם קליפ ייחוס והתמלול שלו — השכפול מותנה בשניהם, כאשר --use_spk_emb מפעיל התניה לפי embedding של הדובר. יש גם סקריפט בדיקה מקדימה שבודק את ה-checkpoint וה-tokenizer בלי לטעון משקולות, ושווה להריץ אותו לפני שמבזבזים הקצאת GPU על הורדה פגומה.

מה עדיין לא ניתן לדעת

ארבעה דברים היו משנים את האופן שבו יש לשפוט את המודל הזה, ואף אחד מהם עדיין לא קיים.

אין נקודת קצה מתארחת ואין מחיר. Artificial Analysis מציינת את שדה המחיר כריק משום שאין מה לתמחר — הדרך היחידה לקרוא לזה היא להריץ אותו. זה בסדר עבור צוות עם GPUs ובעיה לכל השאר, וזהו ההבדל המעשי הגדול ביותר בין הגרסה הזו לבין הקולות המתארחים שאיתם היא תושווה.

אין דוח טכני. מפת הדרכים ב-GitHub מציגה אותו כתיבה לא מסומנת, ו-Ant הסירה התייחסות קודמת לדוח לא מאומת מכרטיס הדגם. זה משאיר את תיאור הארכיטקטורה ברמה של תרשים ופסקה, וזה מספיק כדי להריץ את הדגם ולא מספיק כדי לשחזר את טענות האימון.

אין שכפול בלתי־תלוי של שיעור השגיאות. הנתונים של Seed-TTS ו־NVBench הם של Ant, שנמדדו לפי הפרוטוקול של Ant והגדרות ההסקה המומלצות של Ant. ציון Arena הוא בלתי־תלוי אך מודד העדפה, לא דיוק. איש מחוץ למעבדה לא פרסם שיעור שגיאות מילים עבור נקודת הביקורת הזו.

ואין הצהרת כוונות. אין הודעה משמעה אין התחייבות לתמיכה, אין מדיניות הפסקת תמיכה ואין אינדיקציה אם שירות מתארח עתיד לבוא. עבור מהדורת מחקר תחת MIT ייתכן שזה מכוון לחלוטין. עבור כל מי שמתכנן לשלב אותו במוצר, זהו סיכון שצריך לתמחר.

OrcaRouter אינו מנתב את Ming-3.0-tts-0.5B, ואין לקרוא את הקטע הזה כאילו הוא רומז אחרת — הקטלוג אינו כולל מודל דיבור Ming. מה שהקטלוג כן כולל הוא את שאר הצינור הקולי: openai/tts-1 ו-tts-1-hd, gpt-4o-mini-tts וגרסאות התצוגה המקדימה של G​emini T​TS, הכול במחיר המחירון של הספק וללא תוספת רווח, ויותר מ-200 מודלי טקסט תחת אותו מפתח עבור החצי של המערכת שאחראי על כתיבת התסריט או על הפעלת הסוכן. אם אתם בוחנים קול במשקלים פתוחים שלא הוכח, הפריסה השפויה היא להשאיר אותו מחוץ לנתיב הקריטי עד שירוויח את המקום; מעבר אוטומטי בין ספקים בעת כשל הוא הדרך שבה החצי הטקסטואלי של אותו צינור נשאר פעיל בזמן שאתם מחליטים.

האות האמיתי הבא לא יהיה עוד טבלת בנצ'מרק. הוא יהיה האדם הראשון מחוץ ל-Ant שיריץ את צ'קפוינט 0.5B על האודיו שלו ויפרסם מה נשבר. עד שזה יקרה, הסיכום שניתן להגן עליו הוא צר: קול רב-לשוני בעל יכולת אמיתית, ברישיון MIT, ב-44.1 kHz, עם ציון הקול המשוכפל הטוב ביותר במשקלים פתוחים בלוח העצמאי, סט קולות ילידי חלש יותר, שחרור שלא הוכרז, ואין בית מתארח. זהו ארטיפקט מחקרי מבטיח, עדיין לא החלטת מוצר.