Ming-3.0-tts Meraih Podium TTS dengan 0,5B Parameter, dan MIT Memungkinkan Anda Memeriksa Hasil Kerjanya

Setengah miliar parameter kira-kira seukuran model embedding kecil, atau model bahasa kelas ponsel dari beberapa tahun lalu. Itu bukan ukuran yang diharapkan siapa pun untuk menemukan model yang berbagi posisi pertama di papan peringkat text-to-speech independen. Namun Ming-3.0-tts, lini sintesis ucapan dalam keluarga Ming-3.0 milik Ant Group dari tim inclusionAI, melakukan tepat itu: checkpoint padat 0,5 miliar parameternya meraih bagian dari posisi teratas di papan pelafalan bahasa Inggris Artificial Analysis dengan 93,2%, dan model itu adalah satu-satunya model sub-1B di tiga besar pada papan TTS mana pun yang kami pantau. Keluarga ini dirilis ke publik pada 20 Oktober 2026 dengan lisensi MIT, dengan bobot di Hugging Face dan ModelScope serta kode inferensi di repositori GitHub terpisah.

Hal yang langsung menarik bukanlah bahwa sebuah model kecil itu bagus. Model kecil sekarang sudah bagus; itu berhenti menjadi berita sekitar gelombang pertama model ucapan yang didistilasi. Yang menarik adalah apa yang berubah dari model 0.5B yang bagus terhadap cara Anda membeli suara: ini menggeser keputusan dari “vendor mana yang saya sewa meteran per karakternya” menjadi “GPU mana yang sudah saya punya dan masih menganggur.” Itu pertanyaan bisnis yang berbeda, dan itulah yang sebenarnya dijawab oleh rilis ini.

Apa yang dirilis, dan apa yang sudah bocor

Keluarga speech Ming-3.0 terdiri dari lima model di tiga lini: text-to-speech, pemahaman dan dialog audio, serta pengenalan ucapan. Dua dari lima model tersebut adalah checkpoint TTS, dan keduanya bukan produk yang sama dengan ukuran berbeda.

• Ming-3.0-tts-0.5B — model dense pada backbone Qwen2.5-0.5B, dengan head patch DiT, tokenizer audio, encoder speaker, dan tokenizer teks. Sekitar 2,96 GB safetensors. Ini adalah checkpoint dengan pengukuran independen.

• Ming-3.0-tts-tiny — model mixture-of-experts pada backbone Ling V3 milik Ant, dengan total 7,9B parameter tetapi sekitar 1,3B yang aktif per token. Sekitar 18 GB dalam 30 shard. Model ini menambahkan kemampuan pembuatan podcast multi-pembicara. Nama tersebut merujuk pada biaya runtime, bukan ukuran unduhan, sebuah keputusan penamaan yang sudah membingungkan banyak orang.

Satu detail yang perlu dicatat dengan tepat, karena ini mengubah cara Anda membaca liputan peluncuran: checkpoint 0,5B sudah ada di Hugging Face sebelum pengumuman. Yang muncul sekitar 19–20 Oktober adalah repositori GitHub dengan kode inferensi yang sebenarnya, pengumuman open-source yang terkoordinasi, dan menjalankan benchmark independen. Bobotnya bukan hal baru pada hari pengumuman; yang baru adalah kemampuan menjalankannya tanpa merekayasa balik checkpoint.

Masih belum ada laporan teknis. Bagi model yang klaim utamanya adalah efisiensi arsitektural, itulah dokumen yang hilang. Semua hal di bawah ini tentang mengapa 0.5B sudah cukup disimpulkan dari kartu model, kode, dan papan peringkat, bukan dari makalah yang menjelaskan resep pelatihannya.

Hitungan yang membuat 0,5 miliar penting

Jumlah parameter model TTS bukanlah skor abstrak. Hal itu menentukan perangkat keras apa yang dapat menjalankan model, dan karena itu berapa biaya untuk melayaninya.

• Faktor bentuk — Ming-3.0-tts-0.5B muat dalam sekitar 3 GB bobot. Pada BF16, itu dengan nyaman berada di dalam satu kartu konsumen 24 GB, dengan ruang untuk tokenizer audio dan sekumpulan permintaan bersamaan. Proyek ini diuji pada H800-80GB dan H20-96G, yang merupakan perangkat yang biasa dimiliki lab, bukan yang dibutuhkan model.

• Backbone — sisi teksnya adalah Qwen2.5-0.5B, arsitektur yang didukung secara luas. Hal itu kurang penting bagi kualitas dibandingkan bagi perkakas: jalur kuantisasi, penyajian, dan pembuatan profil sudah tersedia untuknya.

• Keluaran — audio 44,1 kHz, yang berada di atas 24 kHz yang masih dihasilkan oleh sebagian besar model ucapan terbuka dan di bawah 48 kHz yang kini digunakan Alibaba Qwen-Audio-3.0-TTS. Untuk narasi, podcast, dan sebagian besar sulih suara produk, 44,1 kHz menghilangkan langkah resampling.

Bandingkan itu dengan dua model yang biasanya disebut berdampingan dengan model ini. Qwen-Audio-3.0-TTS hanya tersedia via API, dengan jumlah parameter yang tidak diungkapkan; Anda tidak dapat menjalankannya di GPU Anda sendiri pada ukuran berapa pun. Suara demo Sesame Preview berjalan pada model produksi yang belum pernah dirilis Sesame; CSM-1B yang dapat diunduh adalah model yang berbeda dan lebih lemah. Dibandingkan keduanya, Ming-3.0-tts adalah satu-satunya dalam perbincangan yang ukurannya berupa angka yang dapat Anda tindaklanjuti, bukan fakta yang Anda baca di halaman harga.

Konsekuensi praktisnya adalah kurva biaya. API per karakter mengenakan biaya yang sama untuk jam audio pertama seperti untuk jam ke-10.000. Model 0.5B yang di-host sendiri membebankan tagihan GPU tetap lalu mendekati biaya marginal nol. Di bawah volume tertentu, API jelas lebih murah, karena tagihan GPU itu nyata dan menganggur. Di atasnya, kurvanya berbalik tajam. Titik persilangan tepatnya bergantung pada utilisasi dan harga GPU Anda, tetapi bentuknya tidak diperdebatkan.

Di mana setengah miliar parameter itu ditempatkan

Artificial Analysis mengukur checkpoint 0,5B pada Oktober 2026. Ini adalah uji independen yang dinilai manusia, bukan tabel milik Ant sendiri, sehingga hasil ini punya bobot di sini.

• Ketahanan Pengucapan — 93,2%, berbagi posisi pertama secara keseluruhan di antara model-model di papan peringkat. Inilah papan peringkat tempat klaim sub-1B paling kuat: model-model di sekitarnya berukuran berkali-kali lipat lebih besar.

• Controlled Voice — 1.069 Elo, peringkat pertama di antara model open-weight dan sekitar peringkat ke-13 secara keseluruhan. Papan ini menggunakan delapan suara hasil kloning yang mencakup empat aksen AS dan empat aksen Inggris, sehingga ini adalah hal yang paling mendekati uji kloning dalam data publik.

• Provider Voice — 1.188 Elo, peringkat ketiga di antara model open-weight dan sekitar peringkat ke-18 secara keseluruhan. Papan ini menggunakan suara bawaan masing-masing model, dan di sinilah model kecil tampak paling tidak mengesankan.

Pasangan terakhir itu merangkum seluruh cerita model dalam dua angka. Ming-3.0-tts jauh lebih kuat saat mengkloning suara daripada saat menggunakan salah satu suaranya sendiri. Kartu model menyatakan hal itu di bagian keterbatasannya, dan penyebabnya terlihat di lembar spesifikasi: katalog yang disertakan berisi 100 lebih suara Tionghoa dan hanya lima suara Inggris. Jika pekerjaan Anda adalah "membacakan naskah ini dengan suara merek kami," lima suara referensi Inggris bukanlah katalog, melainkan batasan. Jika pekerjaan Anda adalah "mengkloning penutur tertentu ini," model ini kompetitif dengan sistem yang jauh lebih besar.

Angka agregat juga menyembunyikan kelemahan spesifik yang ditutupi oleh angka utama: pada istilah yang berdiri sendiri — nama merek, nama tempat, nama diri yang terisolasi — model ini berada di peringkat ke-21 dari 31. Model ini sangat baik dalam pekerjaan tingkat urutan yang diberi nilai oleh papan pengucapan, tetapi lemah pada kosakata yang muncul sekali yang banyak terdapat dalam naskah nyata. Jika produk Anda menyebut "Kubernetes," "Xavi," atau nama keluarga pelanggan, ujilah itu sebelum Anda memercayai 93.2%.

MIT adalah bagian yang akan dianggap remeh orang

Lisensi biasanya merupakan baris paling tidak menarik dalam pengumuman model dan baris paling berdampak dalam tinjauan pengadaan. Ming-3.0-tts berlisensi MIT, kedua checkpoint, tanpa gate, tanpa klik persetujuan penggunaan yang dapat diterima, tanpa pengecualian penggunaan komersial.

• Fine-tuning — diizinkan, termasuk pada data suara eksklusif milik Anda sendiri, tanpa kewajiban untuk mempublikasikan hasilnya.

• Redistribusi — diizinkan, termasuk di dalam produk yang Anda jual.

• Audit — kodenya tersedia di GitHub, jadi Anda dapat membaca apa yang dilakukan model terhadap klip referensi sebelum Anda mengunggah suara pelanggan ke sana.

Itu adalah posisi yang secara material berbeda dari dua alternatif yang jelas. CSM-1B milik Sesame berlisensi Apache-2.0 tetapi dibatasi di balik persetujuan ketentuan, dan itu bukan suara dalam demo. Qwen-Audio-3.0-TTS tidak menerbitkan bobot sama sekali. Bagi tim yang tinjauan hukumnya menanyakan "ke mana audio penutur pergi," MIT ditambah inferensi lokal adalah satu-satunya jawaban dalam perbandingan ini yang tidak memerlukan kepercayaan pada kebijakan data vendor.

Apa yang tidak diberikan MIT kepada Anda adalah kesiapan produksi. Repositori Hugging Face hanya untuk distribusi checkpoint; inferensi mengharuskan Anda mengkloning repositori GitHub, dan kodenya masih kelas riset. Kode ini baru beberapa hari dipublikasikan. Itu adalah risiko nyata, dan tidak ada lisensi yang menghilangkannya.

Berapa biaya untuk benar-benar menjalankannya

Tidak ada harga per karakter, karena tidak ada endpoint yang di-hosting. Pada saat artikel ini ditulis, Hugging Face melaporkan bahwa model tersebut "tidak di-deploy oleh Penyedia Inferensi mana pun," yang merupakan pernyataan paling jelas bahwa bobot terbuka adalah keseluruhan produknya di luar Tiongkok.

• Komputasi — satu GPU modern menangani checkpoint 0.5B; MoE mungil membutuhkan lebih banyak memori dan, menurut repositori, lingkungan terpisah.

• Dependensi — CUDA 12.4, PyTorch, jalur flash-attn opsional yang beralih ke PyTorch SDPA jika gagal, dan pynini untuk normalisasi teks berbasis FST kecuali Anda menonaktifkan normalisasi. Yang terakhir ini adalah sumber klasik kendala instalasi pada versi Python terbaru.

• Akses di dalam Tiongkok — Ant menawarkan API melalui Ling Studio, dan keluarga model ini diterapkan secara internal di pencarian Alipay, aplikasi kesehatan Afu, dan alat perkantoran internal. Itu adalah sinyal produksi yang nyata, tetapi bukan endpoint terkelola yang tersedia secara internasional.

Jadi pernyataan biaya yang jujur adalah: bobot gratis, ditambah tagihan operasional. Jika Anda sudah menjalankan GPU, biaya marginalnya kecil dan upaya marginalnya hanyalah sehari untuk mengurus dependensi. Jika belum, Anda sekarang terjun ke bisnis GPU, dan API yang berusaha Anda hindari mungkin justru menjadi opsi yang lebih murah untuk waktu yang lama.

Di mana router berperan saat model suara berada di perangkat keras Anda sendiri

OrcaRouter tidak menghosting Ming-3.0-tts. Tidak ada endpoint suara Ming di platform kami, dan kami tidak akan menyiratkan sebaliknya. Yang kami hosting adalah separuh lain dari pipeline suara: model bahasa yang menulis atau menulis ulang skrip, dan model text-to-speech yang dapat Anda panggil saat Anda menginginkan suara terkelola alih-alih yang di-hosting sendiri, termasuk Gemini 3.1 Flash TTS Preview dan GPT-4o mini TTS dari OpenAI.

Pemisahan itu lebih berguna daripada yang terdengar pada awalnya. Node Ming yang di-host sendiri memberi Anda suaranya tanpa jaminan ketersediaan apa pun; lapisan perutean di sekitarnya memberi Anda sisanya. Satu kunci API mencakup lebih dari 200 model dengan markup 0% atas harga daftar penyedia, sehingga penurunan harga vendor langsung berlaku di sisi kami pada hari yang sama, bukan kapan pun reseller memperbarui daftarnya. Failover otomatis berarti bahwa ketika GPU Ming tunggal Anda sedang sibuk atau mati, permintaan dapat mendarat pada model TTS yang di-host alih-alih gagal, dan DSL perutean memungkinkan Anda menyusun fallback itu ke dalam panggilan alih-alih menempelkannya di kode aplikasi. Semua itu tidak membuat Ming lebih andal. Itu membuat pipeline di sekitar Ming tetap bertahan saat Ming tidak tersedia, yang merupakan masalah produksi sebenarnya pada model self-hosted kelas riset apa pun.

Apa yang akan mengubah penilaian ini?

Ada tiga hal yang layak dicermati, dan masing-masing akan menggerakkan putusan ke arah yang berbeda.

Yang pertama adalah laporan teknis. Ant telah menjanjikannya. Sampai laporan itu terbit, klaim efisiensi terukur tetapi tidak dijelaskan, dan tidak ada cara untuk mengetahui apakah hasil 0.5B berasal dari arsitektur yang benar-benar lebih baik atau dari set pelatihan yang sangat terkurasi dengan baik yang tidak akan transfer ke domain Anda.

Yang kedua adalah dukungan serving. Repositori menyebutkan inferensi dipercepat vLLM-Omni sebagai roadmap. Jika itu terwujud, biaya self-hosting turun lagi, karena model 0,5B pada stack serving yang memadai itu murah dengan cara yang tidak dimiliki skrip riset. Jika tidak, Anda akan memelihara jalur inferensi Python tanpa batas waktu.

Yang ketiga adalah bahasa Inggris. Lima suara bahasa Inggris bawaan merupakan kendala pengikat pada papan suara penyedia, dan itu adalah hal yang paling mudah diperbaiki oleh tim. Katalog bahasa Inggris yang lebih luas akan menggerakkan angka terlemah model tanpa menyentuh arsitektur.

Klaim yang layak disikapi dengan skeptis adalah klaim dalam judul: bahwa model 0.5B layak berada di podium bersama model yang ukurannya berkali-kali lipat. Pada papan pengucapan, diukur pada teks bahasa Inggris, hal itu benar saat ini. Pada papan suara penyedia, model itu berada di peringkat ketiga di antara model berbobot terbuka dan sekitar peringkat ke-18 secara keseluruhan, yang merupakan hasil bagus untuk ukuran tersebut dan bukan podium. Kedua hal itu benar sekaligus, dan perbedaan di antara keduanya persislah perbedaan antara mengkloning suara yang Anda sediakan dan menggunakan suara bawaan model. Mana yang Anda butuhkan menentukan apakah 0.5B cukup.