Ming-3.0-tts מוביל את זירת ההגייה, ושאר הופעת הבכורה שלו מעניין יותר

ב-93.2%, Ming-3.0-tts ו-Fish Audio Drama 3 Preview מופרדים במאית נקודת אחוז — 1,677 מקטעים נכונים מתוך 1,800 עבור המודל של Ant Group לעומת 1,785 מתוך 1,916 עבור זה של Fish Audio — כלומר תיקו בכל מובן מלבד הספרה העשרונית. שניהם נמצאים מעל Eleven v4 עם 91.7%, המספר שרוב האנשים יצטטו. התיקו אמיתי וראוי לדיווח ישר, אך הוא הדבר הכי פחות אינפורמטיבי בלוח. מה שהופך את Ming-3.0-tts לראוי לכתבה השבוע הוא לא שהגיע למקום הראשון בלוח הדירוג English Pronunciation Robustness של Artificial Analysis. אלא שהלוח סוף סוף קיים עבור המודל הזה בכלל, ושארבעת תתי-הציונים שמתחת לכותרת אומרים משהו שהכותרת אינה יכולה.כשלי ה-AI והתקריות של סוכנים המתועדים מאחורי השקות כמו זו נאספים בOrcaRouter AI Incident Archive שבו כל ערך נושא מקורות משלו, חומרה, דירוג ביטחון וסימון מחלוקת.

תתי-הציונים האלה אינם מאוזנים. Ming-3.0-tts מוביל מבין כל 31 המערכות שנמדדו בשימור רצפים מדויקים, עם 90.6%, ובהרחבת קיצורים, עם 96.5%. הוא גם מדורג במקום ה-21 מתוך 31 במונחים עצמאיים, עם 88.5%, שהיא הקטגוריה שרוב המאזינים יכנו "הגייה שגויה של שמות". ציון מצרף אחד מסתיר מודל שקורא .env.local ו"פרק XVII" טוב יותר מכל דבר אחר ברשימה, ומגמגם בשמות עצם פרטיים רגילים לעתים קרובות יותר מאשר מערכת Gemini או ElevenLabs. האם זהו יתרון תלוי לחלוטין בהרכב הטקסט שלך.

מה באמת השתנה, ומה לא

Ant Group לא השיקה את המודל הזה השבוע, ואף מאמר לא צריך להעמיד פנים אחרת. ציר הזמן במאגרים הוא פומבי וקצת מביך:

• המאגרים של Hugging Face עבור Ming-3.0-tts-0.5B ו-Ming-3.0-tts-tiny נוצרו ב-22 בספטמבר 2026, עם כרטיס ממלא מקום.

• צ'קפוינט ה-0.5B — 2.96 GB של safetensors, ברישיון MIT — הועלה ב-24 בספטמבר.

• מאגר ה-GitHub עם קוד ההסקה, ספר המתכונים למשימות וסקריפטי הדוגמה הופיע ב-19 באוקטובר, שהוא גם התאריך שה-README של Ant מציין כחודש השחרור והתאריך ש-Artificial Analysis מטביעה על שורת המודל שלה.

אז המשקלים בני ארבעה שבועות והגרסה השמישה היא בת יום. מה שהשתנה ב-19 באוקטובר הוא לא שיצא מודל. אלא שיצא קוד האינפרנס, ושהמדידות הבלתי־תלויות הגיעו לצדו. לפני התאריך הזה היה צ'קפוינט בלי דרך שפורסמה להריץ אותו ובלי מספר מצד שלישי; כל מי שכתב עליו ציטט את הטבלאות של Ant עצמה.

ההבחנה הזו חשובה לאופן שבו אתה קורא את 93.2%. ‏Artificial Analysis מפעילה מערך בדיקות משלה ומבקרים אנושיים משלה; אלו אינן הערכותיה של Ant המשוכפלות. תאריכי ההערכה ומספרי הדגימות מפורטים בלוח, רווחי הסמך מפורסמים, ובדיקות הקשב של הבודקים מתוארות במתודולוגיה. זו הפעם הראשונה שמישהו מחוץ ל-Ant נותן מספר למודל הזה, ובמקרה מדובר במספר טוב.

שלושה לוחות, שלוש תשובות שונות

Artificial Analysis מפעילה יותר מלוח טקסט-לדיבור אחד, ו-Ming-3.0-tts אינו שולט בכולם. הפערים גדולים מספיק כדי שציטוט של הלוח שמחמיא למודל יהיה סוג של מצג שווא.

• קול מבוקר, שבו כל מערכת משכפלת את אותם שמונה קולות ייחוס (ארבעה אמריקאיים וארבעה בריטיים) ורק הסינתזה מושווית — Ming-3.0-tts צובר 1,068 Elo, ראשון מבין מודלי המשקולות הפתוחות ובמקום ה-12 בסך הכול. Fish Audio Drama 3 Preview הוא השני מבין מודלי המשקולות הפתוחות עם 1,059.

• Provider Voice, שבו כל מערכת משתמשת בקולות המקוריים שלה — Ming-3.0-tts צובר 1,188 Elo, במקום ה-18 בסך הכול ושלישי מבין מודלי המשקולות הפתוחות, אחרי Fish Audio Drama 3 Preview עם 1,247 ו-Breeze T​TS 2 עם 1,221. Eleven v4 Turbo מוביל את כל הטבלה עם 1,330.

• חוסן הגייה, אנגלית, בשיפוט אנושי — Ming-3.0-tts ב-93.2%, במקום הראשון בכללותו בפער זעיר מ־Fish Audio Drama 3 Preview ב-93.2% ולפני Eleven v4 ב-91.7%.

הדפוס עקבי: ברגע שהקולות מפסיקים להישאר קבועים, Ming-3.0-tts מאבדת קרקע. זהו סימן ההיכר של מודל שהשיבוט שלו חזק יותר ממערך הקולות המובנה שלו — בדיוק כמו שצריך להיראות צ'קפוינט בלי קטלוג קולות מתארח. Ant מגיעה עם יותר מ-100 קולות סיניים מובנים וחמישה קולות אנגליים; שלושה מאותם קולות אנגליים הם מה שלוח Provider Voice שמע בפועל, לעומת הקטלוגים המוקפדים של ElevenLabs ו-Cartesia. בקולות משובטים התנאים מתאזנים והמודל עולה חמישה מקומות.

שימו לב גם שהמספרים כבר סטו מה־README של Ant עצמו. בטבלת המאגר כתוב 1,069 ב־Controlled ובמקום ה־13 בכללי, ו־1,188 ב־Provider ובמקום ה־17 בכללי. הלוח היום מציג 1,068 ומקום 12, ו־1,187.8 ומקום 18. קולות ממשיכים להגיע; המספר זז. כל מי שמצטט את הנתונים האלה צריך לציין את תאריכם.

ה־93.2 הוא שני ניצחונות ושני הפסדים

עמידות ההגייה אינה מבחן אחד. ‏Artificial Analysis מפצל אותה לארבע קטגוריות, שלכל אחת מהן מכנה משלה, והפיצול הזה הוא המקום שבו המודל הזה נעשה מובן.

• שימור רצפים מדויקים — קודים, נתיבי קבצים, כתובות דוא״ל, מזהים. Ming-3.0-tts משיג 90.6%, מקום ראשון מתוך 31, כאשר הבא הטוב ביותר הוא Fish Audio Drama 3 Preview עם 86.3% ו-Eleven v4 עם 78.8%. זו הקטגוריה שקובעת אם בוט תמיכה קורא מספר הזמנה נכון, והפער אינו צמוד.

• הרחבת קיצורים — מספרים, תאריכים, יחידות וסימון. Ming-3.0-tts משיג 96.5%, ראשון מבין 31, לפני Eleven v4 עם 94.1% ו-Fish Audio Drama 3 Preview עם 93.6%.

• מתאים להקשר — הומונימים כגון "פצע שמחבלים אותו" לעומת "תחבושת שנכרכת". Ming-3.0-tts משיגה 91.0%, במקום ה-13 מתוך 31. Gemini 3.8 Flash T​TS מובילה עם 98.0%.

• מונחים עצמאיים — שמות מותגים, מקומות ומונחים טכניים. Ming-3.0-tts מקבל ציון 88.5%, במקום ה-21 מתוך 31. Fish Audio Drama 3 Preview מוביל עם 95.9%.

מדד מצרפי שמתחלק במקום הראשון בעוד שהוא מדורג במקום ה-21 באחד מארבעת מרכיביו אינו פרדוקס; שתי הקטגוריות שבהן הוא מנצח נושאות את המכנים הגדולים ביותר (1,084 מתוך 1,800 הקטעים שנבחנו הם מקרי קיצור ורצף). ה-README של Ant עצמו נשען בדיוק על שתי הזכיות האלה, ומציין Expanding Shorthand ב-96.5% ו-Preserving Exact Sequences ב-90.6%, וההרצה הבלתי תלויה מאשרת את שתיהן. הוא פשוט לא מזכיר את המקום ה-21, וזו השורה שצוות של סוכן קולי צריך להסתכל עליה לפני שהוא משיק מודל שצריך לומר שמות משפחה של לקוחות.

המקום ה-21 הוא גם ההסבר הסביר ביותר לפרט בכרטיס המודל של Ant: סט הקולות באנגלית כולל חמישה קולות לעומת יותר מ-100 בסינית. כיסוי שמות העצם הפרטיים באנגלית הוא בעיית נתונים לפני שהוא בעיית מודלינג, ומספר הגיית המונחים הוא איך שהפער הזה נראה כשמודדים אותו.

החצי של המשפחה שאינו על הלוח

Ming-3.0-tts-tiny, גרסת mixture-of-experts עם 7.9B בסך הכול ו-1.3B פעילים, הבנויה על שלד Ling V3, אינה מופיעה בשורה באף אחד מלוחות הדירוג האלה. הרשומה בארנה המסומנת Ming-3.0-tts מקשרת ל-checkpoint של 0.5B, וכל מספר לעיל שייך ל-checkpoint הזה. התוצאות שפורסמו של Tiny הן של Ant עצמה — שיעור שגיאת מילים בסינית 0.820% עם דמיון דובר 0.781, גרמנית 0.325%, ספרדית 0.971%, קוריאנית 6.000% — ואף גורם עצמאי לא שחזר אותן. התייחסו אליהן כאל טענות ספק; הנתון הקוריאני המביך הוא לפחות עדות לכך ש-Ant מפרסמת את הטבלה ולא מצגת של שיאים נבחרים.

יש מקום אחד שבו tiny נראה באמת ביתרון על פני אחיו במערך ההערכה של Ant: יצירת פודקאסטים עם מספר דוברים, דבר שמודל 0.5B לא עושה כלל. זו יכולת מוצרית ולא יתרון בבנצ'מרק, והיא לא נמצאת בארנה.

להריץ את זה, ומה זה עולה

נקודת ה-checkpoint של 0.5B היא הורדה של 2.96 GB — backbone, ראש patch של DiT, tokenizer אודיו, מקודד דובר ו-tokenizer טקסט — תחת MIT, ומפיקה אודיו ב-44.1 kHz. Ant בדק אותה על H800-80GB ועל H20-96G עם PyTorch 2.6, CUDA 12.4 ו-transformers 4.46.3, והמאגר כולל Dockerfile. ההסקה מתבצעת דרך infer.py או דרך מחלקת ה-Python בשם MingTTS; מאגר Hugging Face מיועד להפצת checkpoint בלבד ולא יפעל בעצמו.

Artificial Analysis מדדה את נקודת הקצה המתארחת של Ant ב-{{1}}44.3 תווים לשנייה{{/1}} של זמן יצירה, עם זמן יצירה חציוני של {{2}}2.56 שניות{{/2}}. לשם קנה מידה: {{3}}מיליון תווים{{/3}} של קריינות מוגמרת הם בערך {{4}}6.3 שעות{{/4}} של יצירה טהורה בתצורה הזו, לפני טעינת מודל או המתנה בתור. אין מחיר רשום מכיוון שאין נקודת קצה מסחרית מתארחת; אתם קונים {{5}}שעות GPU{{/5}}, לא {{6}}תווים{{/6}}.

כאן שכבת ניתוב באמת שימושית בלי להעמיד פנים שהיא מארחת את המודל. OrcaRouter אינה כוללת את Ming-3.0-tts — בקטלוג אין כלל מודל דיבור של Ming — והמודל מושג על ידי שיבוט המאגר והרצתו בעצמך. מה שאנחנו כן מספקים הוא החצי הטקסטואלי של אותו צינור עיבוד: יותר מ-200 מודלים מאחורי מפתח אחד במחיר המחירון של הספק ללא תוספת מחיר, מעבר אוטומטי בין ספקים בעת כשל, ו-DSL לניתוב להרכבתם. אם אתם בונים צינור קריינות או צינור סוכנים, המודל שכותב את התסריט הוא החלק שאפשר לאחד כבר היום; מודל הקול הוא החלק שאתם מארחים בעצמכם.

מה לראות מכאן

שלושה דברים היו משנים את התמונה, ואף אחד מהם עוד לא קרה.

מפת הדרכים של Ant עדיין מציגה את הדו"ח הטכני כלא מסומן. עד שהוא יפורסם, תיאור הארכיטקטורה הוא פסקה ותרשים, וטבלאות ההערכה הן הראיות המפורטות היחידות לגבי האופן שבו המודל מתנהג. דו"ח גם יסביר את פער הגיית המונחים, שנכון לעכשיו הוא בגדר השערה.

Provider Voice שמע שלושה קולות של דוברי שפת אם. זהו מדגם דל עבור מודל שמשיק מאה בסינית וחמישה באנגלית, והמקום ה־18 ישתנה ככל שיותר קולות יקבלו ציון — לאיזה כיוון, אי אפשר לדעת מכאן.

וה-checkpoint הזעיר נותר בלתי מדוד בידי אף גורם עצמאי. אם בכל זאת יקבל שורה משלו, השאלה המעניינת היא האם Ling V3, mixture-of-experts עם 1.3B פרמטרים פעילים לכל טוקן, שומר על יתרון נאמנות הרצף שהופך את מודל ה-0.5B למיוחד, או שמחליף אותו בדמיון הדובר שהטבלאות של Ant עצמה מייחסות לו. לפי המספרים של הספק, ה-tiny הוא הקול המשובט הטוב יותר. לפי המספרים העצמאיים היחידים שקיימים, ה-0.5B הוא זה שנבחן, והוא עבר את החלק במבחן שרוב האנשים לא חושבים להריץ.