Ming-3.0-tts לעומת Ming-3.0-tts-tiny: הצ'קפוינט הקטן יותר הוא ההורדה העדיפה, והגדול יותר הוא היחיד שמישהו בכלל מדד.

Ant Group השיקה שני מודלים של דיבור תחת שם אחד, והשמות הם הדבר הראשון שיטעה אתכם. Ming-3.0-tts-the-default הוא המודל הצפוף (dense) בעל 0.5B פרמטרים: 2.96 GB בדיסק, שלד Qwen2.5-0.5B, מהיר, זול, והיחיד מבין השניים עם ציון עצמאי. Ming-3.0-tts-tiny הוא הגדול מבין השניים פי סדר גודל — מודל תערובת מומחים (MoE) בעל 7.9B פרמטרים עם 1.3B פרמטרים פעילים לכל טוקן, המבוסס על שלד Ling V3, עם 18 GB של משקולות מפוצלות ל-shards — והוא נקרא tiny בגלל מה שזה עולה להריץ אותו, ולא בגלל מה שזה עולה להוריד אותו. בחרו לפי התווית ותקבלו את הקובץ הלא נכון. כשלי AI מתועדים ותקריות סוכנים מאחורי שחרורים כמו זה נאספים בארכיון התקלות של OrcaRouter AI, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג ביטחון וסימון שנוי במחלוקת.

הדבר השני שיטה אותך הוא לוח הדירוג. Artificial Analysis מציגה שורה של Ming-3.0-tts עם 1,188 Provider Voice Elo ועמידות הגייה של 93.2%, והשורה הזו מקשרת ל-checkpoint של 0.5B. שום דבר מזה לא שייך ל-tiny. המספרים של Tiny הם הטבלאות של Ant עצמה, שפורסמו בכרטיס המודל וב-GitHub README, ואף צד שלישי לא שחזר אף אחד מהם. כך שההשוואה ההגונה מתחלקת לשני חצאים: מודל אחד עם ראיות בלתי תלויות ובלי מצב פודקאסט, מודל אחד עם ראיות ספק ויכולת שחסרה לאחר. איזה חצי נדרש לך היא שאלה על עומס העבודה שלך, לא על איזה מודל טוב יותר.

אותה משפחת ארכיטקטורה, שתי מכונות שונות מאוד

שני המודלים חולקים את מסגרת היצירה ש-Ant מתאר ב-README: טוקנים של טקסט ושליטה ייעודית למשימה מתנים מודל שפה, שמניע ראש patch של דיפוזיה-טרנספורמר שפולט טוקנים של אודיו. ההבדל הוא במודל השפה שמתחת. ה-0.5B משתמש ב-Qwen2.5-0.5B צפוף; tiny משתמש ב-Ling V3 דליל של תערובת מומחים עם 7.9B בסך הכול וכ-1.3B מופעלים לכל טוקן.

• גודל ההורדה — Ming-3.0-tts ‏2.96 GB לעומת Ming-3.0-tts-tiny כ־18 GB על פני 30 שברים

• פרמטרים — 0.5B צפוף לעומת 7.9B סה״כ / 1.3B פעיל MoE

• עמוד שדרה — Qwen2.5-0.5B לעומת Ling V3

• סביבת ריצה — PyTorch 2.6 + CUDA 12.4 על סטאק מתקופת Python 3.8 לעומת Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• חומרה — נבדקה על H800-80GB ו-H20-96G לעומת H800 המומלץ, SGLang-Omni יכול לפעול על GPU אחד

• יצירת פודקאסט עם מספר דוברים — לא נתמך לעומת נתמך

• רישיון — MIT לעומת MIT

• ציון ארנה עצמאי — כן, 1,188 ספק / 1,068 מבוקר / 93.2% הגייה לעומת ללא

שני הצ'קפוינטים אינם חולקים סביבת Python. זו אינה מוזרות תיעודית; פירוש הדבר שצוות שרוצה להעריך את שניהם על אותה מכונה מתחזק שתי סביבות virtualenv, וצוות שרוצה להריץ ביניהם השוואת A/B בייצור מתחזק שתי תמונות פריסה. אם התוכנית שלכם היא "להתחיל עם הקטן ולשדרג אחר כך", הקצו תקציב להגירה כעבודה אמיתית, לא כשינוי קונפיגורציה.

כשקטן הוא באמת טוב יותר, לפי הנתונים של Ant עצמה

דמיון הדובר הוא ההישג הברור והעקבי ביותר, והוא המספר שקובע אם קול משובט נשמע כמו האדם.

• דמיון דובר סיני ב-Seed-TTS — Ming-3.0-tts 0.758 לעומת tiny 0.781

• דמיון דוברים באנגלית של Seed-TTS — 0.691 לעומת 0.728

• דמיון לגרמנית — 0.753 לעומת 0.791

• דמיון לספרדית — 0.763 לעומת 0.797

• דמיון לצרפתית — 0.675 לעומת 0.733

• דמיון יפני — 0.765 לעומת 0.780

• דמיון קוריאני — 0.793 לעומת 0.797

Tiny מנצח בכל שפה במדד הדמיון, בדרך כלל בשלוש עד שש נקודות, והדפוס נשמר גם במבחני הבקרה: 74.00% בממוצע ב-CV3 emotion לעומת 72.33%, ו-75.37% בדיוק עיצוב קול לעומת 72.29%. אלה שני הדברים שלקוח מבחין בהם בלי שאומרים לו — האם זה נשמע כמוני, והאם זה עשה את מה שתיארתי. בשניהם, ה-7.9B MoE מוביל.

דיוק התוכן מתפצל לכיוון ההפוך, והפיצול אינו סימטרי.

• שגיאת מילים בסינית של Seed-TTS — 0.800% לעומת 0.820%. למעשה תיקו; המודל הצפוף מעט ביתרון.

• שגיאת מילים באנגלית ב-Seed-TTS — 1.584% לעומת 1.666%. צפוף בהמשך.

• גרמנית — 0.365% לעומת 0.325%. מעט מקדימה.

• ספרדית — 1.099% לעומת 0.971%. מעט מקדים.

• צרפתית — 4.264% לעומת 3.470%. Tiny מוביל בפער גדול.

• שגיאת תווים ביפנית — 3.765% לעומת 3.427%. מעט מוביל.

• שגיאת תווים קוריאניים — 1.728% לעומת 6.000%. Dense מקדים פי שלושה וחצי.

קוריאנית היא החריגה שאמורה למנוע מכל אחד להסיק ש"קטן עדיף ברב-לשוניות". הכרטיס של Ant עצמו מסמן זאת: לקוריאנית פער הדיוק הרב-לשוני הגדול ביותר במודל הקטן, והנתון 6.000% הוא יותר מפי שלושה ממה שהמודל של חצי מיליארד משיג. צוות שבונה לשוק הקוריאני מקבל תשובה ברורה, והיא אינה המודל הגדול יותר.

היכולת שאינה מדד

Ming-3.0-tts-tiny יוצר דיאלוג פודקאסט עם מספר דוברים מתוך תסריט הכולל הפניות לדוברים. Ming-3.0-tts לא. זוהי יכולת מוצרית, לא ציון, והיא אינה מופיעה באף לוח דירוג — וזו בדיוק הסיבה שקל לפספס אותה כאשר משווים גיליונות מפרט ששניהם מפרטים "שיבוט קול" ו"עיצוב קול".

הערכת הפודקאסט של Ant, על ההרנס שלה, מעמידה את tiny על 2.03% שיעור שגיאות תווים, עם 0.561 דמיון דובר ו-2.12 UTMOS, לעומת ZipVoice-Dia עם 2.24 UTMOS, FireRedTTS2 עם 3.34% CER ו-MOSS-TTSD עם 8.62%. הפער ב-UTMOS הוא זה שכדאי לשים לב אליו: tiny מוביל בדיוק התוכן ונותר מאחורי ההשוואה הטובה ביותר בטבעיות, וזו אותה פשרה שמספרי דמיון הדובר מרמזים עליה מהכיוון ההפוך. יצירת פודקאסטים מתגמלת חילופי תורות ועקביות דובר יותר מאשר קטע מושלם בודד, וזו הצורה של היתרון של tiny.

אם אתם צריכים שיחה בין שני אנשים, אין כאן השוואה — מודל אחד עושה זאת והשני לא. כל השאר במאמר הזה עוסק במקרה שבו שניהם יכולים לבצע את העבודה.

מה פער העצמאות באמת עולה לך

כדאי להבין את מיקומו של מודל ה-0.5B בזירה לפני שתחליטו כמה משקל לייחס לו. הוא משיג 1,188 ב-Provider Voice Elo, מקום 18 מתוך 97, ו-1,068 ב-Controlled Voice, הראשון מבין מודלי משקולות פתוחות ו-12 בדירוג הכללי. בהגייה הוא עומד על 93.2%, למעשה בתיקו עם Fish Audio Drama 3 Preview ולפני Eleven v4. אלו מדידות בלתי תלויות עם ספירות מדגם ורווחי סמך שפורסמו.

מה שזה נותן לך הוא כיול. אתה יודע בערך איפה המודל ה-dense ניצב מול ElevenLabs ו-Cartesia, כי אותה מעבדה מדדה את שלושתם על אותו לוח. במקרה של tiny, אתה יודע רק מה ש-Ant אומר, נמדד במערכת הבדיקות של Ant עם ההגדרות של Ant, ו-Ant הוא הצד שיש לו אינטרס בתוצאה. זו לא האשמה — הטבלאות גלויות באופן יוצא דופן, כולל המספר הקוריאני ורשימת מגבלות שמציינת את בקרת גובה הצליל ואת עיצוב הקול למשחקי תפקידים כנקודות תורפה. זו אמירה על מה שמספר יכול לתמוך בו. טבלת ספק אומרת לך שהמודל תחרותי בצירים שהספק בחר למדוד; שורת ארנה אומרת לך היכן הוא ממוקם מול מערכות שאתה כבר משתמש בהן.

יש דבר ספציפי שגם הלוח העצמאי לא אומר לך: הוא מדד קול אחד. Artificial Analysis מציין שכל מודל מוערך בלוח ההגייה בקול אחד, והשורה של Ming משתמשת בנקודת הקצה של Ant עם שלושה קולות מקוריים זמינים. האם 93.2% מחזיקים בקרב הקולות המשובטים שמוצר אכן יפיץ בפועל אינו ידוע, וזה הדבר הראשון שכדאי לבדוק בעצמך.

בחירה, בפועל

עץ ההחלטה קצר.

קח את Ming-3.0-tts (0.5B) אם אתה רוצה את ההורדה הקטנה ביותר הישימה, אם אתה פורס עבור קוריאנית, אם החומרה שלך היא כרטיס יחיד בנפח 80 GB שאתה משתמש בו גם לדברים אחרים, או אם אתה צריך מודל שהתנהגותו נמדדה על ידי מישהו שאינו המחבר שלו. בנפח 2.96 GB ובקצב של 44.3 תווים לשנייה ברתמת הבדיקה העצמאית, מדובר בקריין שימושי שמקדים דיבור בזמן אמת על GPU אחד.

בחרו ב־Ming-3.0-tts-tiny אם דמיון לדובר הוא המוצר — קול מותג משובט, הקראה מותאמת אישית, כל דבר שבו השיפוט הראשון של המאזין הוא "האם זה נשמע כמוהם" — או אם אתם צריכים דיאלוג לפודקאסט, או אם דיוק בצרפתית, בגרמנית, בספרדית או ביפנית הוא האילוץ. תקצבו 18 GB למשקלים, סביבת Python 3.10 נפרדת וכרטיס ברמת H800.

אל תיקח אף אחד מהם, ובכל זאת אם אתה זקוק למספר בלתי תלוי לפני שאתה מתחייב ליכולת ייצור עבור tiny. שורת ה-arena אינה קיימת, הדוח הטכני עדיין לא נבדק במפת הדרכים, והאצת vLLM-Omni מסומנת כהושלמה ב-README ללא מתכון שפורסם. שלושת הפערים האלה הם אותם שלושה דברים שהיו הופכים את tiny לקלה להמלצה.

הערה תפעולית אחת שחלה על שניהם: אף אחד מהצ'קפוינטים אינו מזרים. אין זמן מפורסם עד לאודיו הראשון עבור אף אחד מהמודלים, ונתון התפוקה של הארנה מתייחס ליצירה עבור בקשה שהושלמה. אם היישום שלך מבוסס שיחה, המשפחה הזו אינה הכלי המתאים — לא משנה איזה גודל תבחר.

שאלת הניתוב, שהיא שונה כאן

רוב ההשוואות באתר הזה מסתיימות בפסקה על איחוד גישה. זו לא יכולה, כי OrcaRouter לא מארחת אף אחד משני הצ'קפוינטים של Ming — הקטלוג אינו כולל מודל דיבור של Ming, ומגיעים לשניהם על ידי שיבוט מאגר ה-GitHub של Ant והרצת המשקלים בעצמך. לומר אחרת יהיה שקר שקורא יכול לבדוק בשלושים שניות.

מה שנכון הוא צר יותר ועדיין שימושי. תהליך עיבוד קולי הוא בדרך כלל טקסט תחילה: משהו כותב את התסריט, משהו מתרגם אותו, משהו בודק אותו מול סגנון הבית. שלב הטקסט הזה יכול לשבת מאחורי מפתח אחד — יותר מ-200 מודלים במחירון הספק ללא תוספת מרווח, מעבר אוטומטי לגיבוי כאשר ספק נחלש, ו-DSL לניתוב לשליחת משימה למודל אחר בהתאם למה שהבקשה מכילה. שלב הדיבור בהשוואה הזו נשאר על החומרה שלכם כך או כך, ומסלול האירוח העצמי הוא שמאפשר לחזור בו מהבחירה בין שתי נקודות הביקורת: משקלים ברישיון MIT לא פגים, ומודל שכבר יש לכם על הדיסק הוא מודל שתוכלו להמשיך להריץ בזמן שאתם מעריכים את המחליף שלו.

מה יפתור את זה?

שלושה פיתוחים, לפי מידת ההשפעה שלהם על ההמלצה. שורה זעירה בארנה תגיד לך אם יתרון הדמיון שורד השוואה עיוורת של מאזינים, וזה המבחן היחיד שטרם בוצע. הדוח הטכני יסביר מדוע MoE עם 1.3B פרמטרים פעילים משפר את דמיון הדובר ופוגע בדיוק בקוריאנית, והאם מדובר בחלוקת נתונים או בתוצאה ארכיטקטונית. ומתכון מפורסם של vLLM-Omni יהפוך את הצ'קפוינט בגודל 18 GB למעשי על חומרה שכורה, במקום פריסת מחקר.

עד אז, המסגור השימושי הוא ש-Ant סיפקה שני מודלים לשני תפקידים ונתנה להם שמות שגורמים לתפקיד הקטן יותר להישמע כמו הקובץ הקטן יותר. זה לא כך. ה-0.5B הוא זה שאפשר למדוד, לפרוס ולהגן עליו בסקירת עיצוב; ה-7.9B הוא זה שנשמע יותר כמו האדם ששיבטת, בשש משבע שפות, אם אתה יכול להרשות לעצמך לסמוך על זה.