ל-Ming-3.0-tts-tiny יש הקול המשובט הטוב ביותר במשפחה, והוא מסיים שישי בקוריאנית.

ציון דמיון הדובר הטוב ביותר במשפחת הדיבור החדשה של Ant Group שייך למודל עם המספר הקטן ביותר של פרמטרים פעילים. Ming-3.0-tts-tiny הוא צ'ק פוינט מסוג תערובת מומחים עם 7.9B פרמטרים, שמפעיל בערך 1.3B פרמטרים לכל טוקן, ובמערך ה-Seed-TTS הסיני הוא רושם דמיון דובר של 0.781 — הנתון הגבוה ביותר בכל הטבלאות שפרסמה Ant, וגבוה מ-0.758 של האח הקטן שלו. בקוריאנית, אותו מודל מסיים שישי מבין שמונה המערכות ש-Ant בחנה, בשיעור שגיאת תווים של 6.000%, בעוד שהאח בעל 0.5B מגיע ל-1.728%. שני המספרים מגיעים מאותו מערך בדיקות של הספק, שהורץ על ידי אותו צוות, באותו יום. הפער ביניהם הוא הדבר השימושי ביותר בפרסום. הכשלים המתועדים של בינה מלאכותית ותקריות סוכנים מאחורי פרסומים כמו זה נאספים ב-the OrcaRouter AI Incident Archive שבו לכל ערך יש מקורות משלו, חומרה, דרגת ביטחון ודגל מחלוקת.

דבר מזה לא הוכרז. ה-checkpoint הועלה ל-Hugging Face ב-24 בספטמבר 2026, יומיים לאחר שהמאגר עצמו נוצר; קוד ההסקה, סקריפטים לדוגמה וספר המתכונים למשימות לא הגיעו עד 19 באוקטובר, כאשר מאגר ה-GitHub נפתח והקומיט הראשון שלו נחת ב-08:58 UTC. בזמן כתיבת שורות אלה למאגר ב-Hugging Face היו 20 הורדות ו-3 לייקים, ולמאגר ב-GitHub היו חמישה כוכבים. לכן יש להתייחס למה שלהלן כקריאה של הארטיפקטים ולא כדיווח על השקה: כל מה שכאן ניתן לבדיקה במאגרים, והחלקים שאינם כאלה מסומנים ככאלה.

התוצאה הקוריאנית אינה שגיאת עיגול

הטבלה הרב־לשונית של Ant משווה את המודל הזעיר מול שבע מערכות אחרות בשש שפות. קראו את השורה כולה ולא את הכותרת.

• גרמנית — שיעור שגיאות תווים של 0.325%, הראשון מבין השמונה, לפני השני בטיבו עם 0.612%.

• ספרדית — 0.971%, במקום הראשון, כאשר המקום השני עומד על 1.184%.

• יפנית — 3.427%, במקום השני בשוויון.

• צרפתית — 3.470%, במקום השני, אך עם דמיון דובר של 0.733 שאינו מכניס אותה לשלוש הראשונות; הטבלה מציינת זאת בסעיף המגבלות שלה.

• קוריאנית — 6.000%, שישית מתוך שמונה, והשפה היחידה שבה המודל מובס על ידי מערכת שאותה הוא עוקף בכל מקום אחר.

• סינית ואנגלית — שתי השפות שהמודל בנוי סביבן בפועל, ושתיים שבהן הוא מוביל בדמיון הדובר.

הנתון בקוריאנית הוא בערך פי שלושה וחצי משיעור השגיאות של Ming-3.0-tts-0.5B באותה שפה. Ant אינה מסבירה מדוע, וכרטיס המודל אינו משער. מה שאפשר לומר בלי לנחש הוא מבני: זהו מודל דליל, ומודלים דלילים מנתבים טוקנים דרך תת-קבוצה של מומחים, לכן שפה שקיבלה פחות אות אימון בתערובת עלולה להידרדר מהר יותר מאשר במודל צפוף בעל גודל כולל דומה. זהו מנגנון סביר, לא ממצא, ויש להתייחס אליו כהשערה לבדיקה ולא כהסבר. הקריאה המעשית צרה יותר וניתנת להגנה יותר: אם קוריאנית נמצאת במוצר שלכם, זה אינו ה-checkpoint שאליו כדאי לפנות עד שמישהו יריץ אותו על טקסט קוריאני אמיתי.

לאן באמת הולכים 7.9 מיליארד פרמטרים

השם אומר קטן; גדלי הקבצים אומרים אחרת, והפער הוא הארכיטקטורה.

• סך הפרמטרים — המטא-נתונים של Hugging Face מדווחים על 8,980,964,372 ב-BF16 ועוד 40,096 ב-F32, והמאגר תופס כ-18 GB. הגרסה מתארת את המודל כ-7.9B-A1.3B, כלומר 7.9 מיליארד סך הכול וכ-1.3 מיליארד פעילים לכל טוקן. תיאור זה תוקן בכרטיס המודל ב-16 באוקטובר, והחליף ניסוח קודם, לכן יש לצטט את הנוסח החדש יותר.

• Backbone — Ling V3, אותה משפחה ש-Ant משתמשת בה עבור מודלי הטקסט הגדולים יותר שלה, פועלת כתערובת מומחים ולא כמבנה צפוף.

• Head — טרנספורמר דיפוזיה שהופך את המצבים החבויים של ה-backbone ל-latents אודיו, ואחריו טוקנייזר אודיו נפרד שמפענח אותם לצורת גל.

• Bundle — ה-checkpoint מספק את ה-backbone, את ראש ה-DiT, את ה-tokenizer של האודיו, מקודד דוברים CAM++ ואת ה-tokenizer של הטקסט בתיקייה אחת. אתם מורידים pipeline, לא מודל שפה עם מתאם שהודבק עליו.

• פלט וקולות — אותו משטח בקרה רחב כמו בשאר המשפחה: שיבוט ללא דוגמה (zero-shot) מקטע התייחסות קצר, עיצוב קול מתיאור בשפה טבעית, שליטה חופשית בסגנון, יותר מ-100 קולות סיניים מובנים וחמישה קולות אנגליים, ו-14 תגיות פרלינגוויסטיות בתוך הטקסט לצחוק, אנחות, נשימה והיסוס, בנוסף להגדרות מפורשות של רגש, מהירות, גובה צליל ועוצמה.

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

• רישיון — MIT עבור המשקלים והקוד, עם הערת שימוש המבקשת שלא להתחזות לאנשים ללא הסכמתם ולסמן אודיו סינתטי. הערה זו היא בקשה, לא תנאי ברישיון.

התוצאה המוזרה היא ש"tiny" הוא הצהרה על חישוב לכל טוקן, לא על דיסק או VRAM. אתה מבזבז את הזיכרון של מודל 7.9B ומקבל את המהירות של מודל 1.3B, וזהו חילוף סביר לסינתזת אצווה וגרוע למחשב נייד. הסביבה של Ant עצמה קובעת את H800 ככרטיס המומלץ, ושום דבר בפרסום לא מרמז אחרת.

חמשת העמודות שהוא מנצח בהן

כל נתון בסעיף הזה הוא של Ant עצמה, שנמדד על ה-harness של Ant עם הגדרות ההסקה המומלצות של Ant, וכרטיס המודל הוא המקום היחיד שבו הוא קיים. התוויות חשובות כאן יותר מהרגיל, משום שאלה המספרים שיצוטטו במקומות אחרים בלעדיהן.

• דמיון דובר, סינית zero-shot — 0.781, הטוב ביותר בקבוצת ההשוואה, עם שיעור שגיאות מילים של 0.820%. אנגלית מגיעה לדמיון של 0.728 בשיעור שגיאות של 1.666%, גם הדמיון הטוב ביותר בעמודה שלה.

• פרא-לשוני חד-אירועי, NVBench — המודל מוביל בכל שש קטגוריות התג הבודד: סינית 2.80 שגיאה / 17.23 דמיון / 3.20 ציון, אנגלית 5.86 / 32.95 / 7.05. במשפטים מרובי-אירועים הוא מוביל בעמודה האנגלית עם 5.12 / 46.13 / 7.68 ונמצא באמצע הדירוג בסינית עם 4.49 / 32.88 / 5.81.

• דיאלקט — סט קל של WSC-Eval-TTS: 2.53% שגיאת תווים, דמיון 0.721, דיוק 86.09%; סט קשה: 3.11%, 0.738, 88.94%. שניהם ראשונים בטבלה של Ant. קנטונזית מגיעה ל-7.40% / 0.605 / 92.90 בסט הבסיס ול-8.67% / 0.653 / 95.16 בסט הכיסוי.

• רגש — ממוצע של 74.00% בסט CV3 הסיני ו-30.67% ב-CV3N, ראשון בשתי תתי-הקבוצות Sad ולא בולט בשאר.

• עיצוב קול — ממוצע של 75.37% ב-InstructTTSEval-ZH, מקום שני בסך הכול, עם ציוני פרומפט מאפיין של 85.10, תיאור 79.90 ומשחק תפקידים 61.10. משחק תפקידים הוא החלש: מקום רביעי, וכרטיס המודל אומר זאת.

טבלת התכונות הבסיסיות היא הפחות זוהרת וכנראה השימושית ביותר: 93% בגיל, 93% במגדר, 78.70% בגובה צליל, ממוצע של 88.23% עם שיעור שגיאות מילים של 0.274% ודמיון של 0.742. גובה הצליל הוא החלש מבין ארבעת הבקרים, מה שמתיישב עם מה שכל מערכת אחרת בקטגוריה הזו מדווחת.

מספר הפודקאסט הוא הסיבה האמיתית לשים לב לזה

מודל ה-0.5B אינו יכול ליצור פודקאסט עם מספר דוברים. המודל הזעיר כן יכול, ובטבלת הפודקאסטים של Ant זו תוצאת דיוק התוכן הטובה ביותר בהשוואה.

• Ming-3.0-tts-tiny — שיעור שגיאות תווים של 2.03%, דמיון דובר מותנה של 0.561, UTMOS של 2.12.

• 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.

ראשון בשיעור השגיאות בפער קטן, שני גם בדמיון וגם בטבעיות, ופער הטבעיות הוא המעניין: ZipVoice-Dia מוביל ב-0.12 UTMOS בעוד שהוא נחות ב-1.36 נקודות במדד הדיוק. זו פשרה אמיתית ולא הבדל של עיגול, והיא מרמזת שהפרוזודיה הדיאלוגית של המודל הזעיר היא הדבר הבא שכדאי לשפר, ולא התמלול שלו. כמו בכל דבר אחר בסעיף הזה, אף אחד מחוץ ל-Ant לא הריץ דרכו פודקאסט ופרסם את התוצאה.

מה שהמאגרים אינם מבססים

ארבעה פערים ראוי לציין לפני שמישהו מכניס את זה למוצר.

אין ציון עצמאי לצ'קפוינט הזה. ב-Artificial Analysis אכן מופיעה רשומה בשם Ming-3.0-tts בזירת הדיבור שלה — 1,188 Elo בלוח Provider Voice ו-1,069 ב-Controlled Voice נכון ל-19 באוקטובר — אך הרשומה הזו מקושרת למודל 0.5B, ולא לזה. ה-README ב-GitHub משחזר את נתוני הזירה האלה בסעיף התוצאות שלו בלי ההבחנה הזו, וזה בדיוק מסוג הפרטים שהופכים לטענה שגויה לאחר שני שיתופים חוזרים. ל-Ming-3.0-tts-tiny אין תוצאת זירה נפרדת, אין תפוקה נמדדת, ואין שיעור שגיאות מילים מצד שלישי.

אין דוח טכני. מפת הדרכים מציגה אותו כתיבת סימון שלא סומנה, וב-16 באוקטובר כרטיס המודל נערך במיוחד כדי להסיר התייחסות לדוח כזה. זה מותיר את הארכיטקטורה ברמה של תרשים ופסקה: מספיק כדי להריץ את המודל, לא מספיק כדי לשחזר את טענות האימון.

אין נקודת קצה מתארחת ואין מחיר. הדרך היחידה לקרוא לזה היא להקצות GPU ולהריץ את הקוד, וזו אפשרות שונה מלהשוות אותו לתעריף לפי תו.

ואין הצהרת כוונות. עשרים הורדות ושלושה לייקים אינם סימן לאיכות — הם סימן לכך שלא הודיעו לאיש. היעדר הכרזה משמעו אין התחייבות לתמיכה, אין מדיניות הפסקה, ואין שום אינדיקציה אם יגיע בהמשך שירות מתארח.

להריץ את זה, אם אתה רוצה

המאגר של Hugging Face הוא העלאת checkpoint, והכרטיס שלו אומר במפורש שהאינפרנס דורש את פרויקט ה-GitHub. זו הסיבה שה-commit מאוקטובר חשוב יותר מההעלאה מספטמבר. הסביבה מוצמדת ל-Python 3.10.15, ל-PyTorch ול-torchaudio 2.7.1 עם CUDA 11.8, ול-transformers 4.46.3, עם המלצה ל-H800; נקודת הכניסה היא infer_tiny.py מול המחלקה ming_tiny.MingTinyTTS, עם פרוטוקול prompt בשם thinking_v1. ברירות המחדל שפורסמו הן סקאלת classifier-free guidance של 2.0, טמפרטורה אפס, עשרה שלבי flow, סיגמה של 0.25 וזרע של 1234 — 1235 עבור משימת הפודקאסט — והמאגר מספק סקריפט נפרד לכל משימה במקום נקודת כניסה אחת מונעת-דגלים. תמיכת vLLM-Omni נמצאת במפת הדרכים וטרם נבדקה, כך שאין כיום מסלול שירות בתפוקה גבוהה.

אם אתם בוחנים את זה עבור מוצר, סביבת ה-staging ההגיונית היא זו שבה הייתם משתמשים עבור כל checkpoint פתוח במשקולות שלא הוכח: השאירו אותו מחוץ למסלול הקריטי, הריצו אותו על האודיו שלכם בשפות שאתם באמת משלחים, ורק אז החליטו. OrcaRouter אינו מנתב את Ming-3.0-tts-tiny, ואין לקרוא שום דבר כאן כטענה אחרת — הקטלוג אינו כולל מודל דיבור של Ming. מה שכן יש בו הוא שאר מרכיביה של מערכת קולית: openai/tts-1, openai/tts-1-hd ו-openai/gpt-4o-mini-tts וכן תצוגות מקדימות של Gemini TTS במחיר המחירון של הספק ללא תוספת מחיר, ויותר מ-200 מודלי טקסט מאחורי אותו מפתח עבור החצי של צינור העיבוד שכותב את התסריט או מפעיל את הסוכן. מעבר אוטומטי בין ספקים במקרה של כשל הוא מה ששומר על החצי הטקסטואלי שניתן לאירוח פעיל בזמן שאתם מחליטים אם החצי הקולי באחסון עצמי הרוויח את מקומו.

האות האמיתי הבא לא יהיה עוד טבלת ספקים. הוא יהיה מישהו מחוץ ל-Ant שמריץ את זה על קוריאנית, או בפודקאסט, ומפרסם מה נשבר. עד שזה קיים, הסיכום שניתן להגן עליו הוא צר: מודל קולי דליל ברישיון MIT בתשע שפות, עם הציון הטוב ביותר לקול משוכפל במשפחה שלו, תוצאה אמיתית של פודקאסט עם כמה דוברים, עמודה קוריאנית שדורשת הסבר, והכרזה שטרם קרתה.