Ming-3.0-tts-0.5B Dirilis Dua Kali, dan Ant Group Tidak Mengumumkan Keduanya

Tiga tanggal dikaitkan dengan Ming-3.0-tts-0.5B, dan masing-masing menandai peristiwa yang berbeda. Repositori Hugging Face dibuat pada 22 September 2026, dan bobotnya diunggah dua hari kemudian. Repositori GitHub baru ada pada 19 Oktober 2026, ketika commit pertamanya muncul dengan judul "Initial release of Ming-3.0-tts." Artificial Analysis membuka halaman model pada hari yang sama dan memberinya skor. Tidak ada postingan blog dari inclusionAI, tidak ada siaran pers, dan tidak ada utas peluncuran yang dapat kami temukan pada kedua tanggal tersebut. Pada saat penulisan ini, checkpoint tersebut memiliki enam unduhan dan nol suka; repositori GitHub memiliki dua bintang. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan di OrcaRouter AI Incident Archive di mana setiap entri memiliki sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Hal itu penting bagi cara sisa artikel ini seharusnya dibaca. Unit open-weights Ant Group telah menerbitkan model wicara lengkap berlisensi MIT dengan sistem paralinguistik 14 tag, desain text-to-voice, dua dialek Tionghoa, dan tabel lengkap hasil benchmark. Unit tersebut juga, sejauh ini, menolak memberi tahu siapa pun tentangnya. Uraian berikut memisahkan apa yang dibuktikan repositori dari apa yang hanya dapat dikonfirmasi Ant.

Ketiga tanggal itu, dan apa yang sebenarnya dicakup oleh masing-masing.

Kebingungannya bukan dibuat-buat. Dua repositori milik Ant sendiri saling berselisih di publik, dan keduanya sama-sama tidak salah.

• 22 September 2026, 12.46 UTC — repositori Hugging Face dibuat dengan commit awal yang terdiri dari README placeholder. Belum ada bobot.

• 24 September 2026, 04:21 UTC — checkpoint tersebut masuk melalui commit upload-large-folder, diikuti dua puluh menit kemudian oleh README khusus model. Sejak saat itu model dapat diunduh, dan hampir tidak ada yang mengunduhnya.

• 19 Oktober 2026, 07:03 UTC — repositori GitHub dibuat. Pada 08:58 UTC, commit pertama, "Initial release of Ming-3.0-tts," menghadirkan kode inferensi, Dockerfile, skrip contoh sekali klik, dan cookbook tugas. Commit dokumentasi berlanjut hingga sore hari.

Bagian News di README GitHub menyebutkan bahwa model 0.5b dan tiny dirilis pada "2026.10". Kartu Hugging Face sama sekali tidak menyebutkan tanggal. Keduanya mendeskripsikan artefak yang sama: checkpoint sudah ada pada September, sedangkan rilis yang dapat digunakan — kode, pin lingkungan, contoh — baru tiba pada Oktober. Jika Anda menentukan tanggal model untuk dokumen pengadaan, 22 September adalah saat model itu menjadi publik; jika Anda menentukan tanggalnya sebagai sesuatu yang dapat Anda jalankan, 19 Oktober adalah jawaban yang jujur.

Yang tidak dapat kami sampaikan kepada Anda adalah alasannya. Rilis senyap adalah hal yang wajar bagi organisasi riset yang mengandalkan model card untuk menjelaskan semuanya. Itu juga tampilan rilis bertahap ketika ada pengumuman yang lebih besar yang direncanakan. Tidak ada apa pun di kedua repositori yang menyatakan yang mana, dan kami tidak akan menebak-nebak.

Apa isi checkpoint 0.5B?

Model ini adalah generator ucapan dense yang dibangun di atas backbone Qwen2.5-0.5B, dengan kepala patch diffusion-transformer dan tokenizer audio terpisah. Bundel rilisnya lebih dari sekadar model bahasa: repositori menyertakan backbone, kepala DiT, VAE audio, encoder speaker CAM++ dalam bentuk ONNX, dan tokenizer teks, semuanya dalam satu folder. Keputusan pengemasan itu menjelaskan ketidaksesuaian yang akan langsung Anda temui.

• Parameter — kartu dan nama model menyebutkan 0.5B; metadata Hugging Face sendiri mencantumkan repositori tersebut pada 1B, dan satu file model.safetensors berukuran 2.96 GB. Angka 0.5B adalah backbone bahasanya. Bundel yang sebenarnya Anda unduh kira-kira tiga kali lipat angka itu dalam bf16.

• Keluaran — audio 44,1 kHz, yang lebih tinggi daripada sebagian besar rilis T​TS terbuka dan merupakan salah satu dari sedikit klaim di sini yang dapat Anda periksa dalam sepuluh detik dengan pemeriksa berkas.

• Bahasa — Tionghoa, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, serta Sichuan dan Kanton jika diberikan klip referensi dalam dialek tersebut.

• Suara — kloning zero-shot dari klip referensi singkat, desain suara dari deskripsi bahasa alami, dan kumpulan bawaan berisi lebih dari 100 suara Tionghoa dan lima suara Inggris.

• Kontrol — 14 tag inline untuk tawa, desahan, batuk, napas, dan keraguan, plus pengaturan eksplisit untuk emosi, kecepatan, pitch, dan volume. Kartu ini jujur bahwa pitch adalah yang paling tidak akurat di antara keempatnya.

• Tugas — TTS, instruksi freeform, desain suara, multibahasa, atribut dasar, emosi, dialek, dan mode suara bawaan. Kontrol-kontrol tersebut saling eksklusif secara desain: freeform tidak dapat digabungkan dengan desain suara atau suara bawaan.

• Lisensi — MIT, untuk bobot maupun kode. Penafian penggunaan Ant meminta Anda untuk tidak menyamar sebagai orang lain tanpa persetujuan dan memberi label pada ucapan sintetis, yang merupakan permintaan, bukan ketentuan lisensi.

Ada model kedua dalam rilis yang sama. Ming-3.0-tts-tiny adalah desain mixture-of-experts pada backbone Ling V3, total 7,9B dengan 1,3B aktif, dan model ini menambahkan pembuatan podcast multi-pembicara yang tidak dimiliki model 0,5B. Jika yang Anda minati secara khusus adalah model kecil, kerangka yang berguna adalah bahwa 0,5B adalah deployment ringan dan tiny adalah batas atas kemampuan — bukan bahwa yang satu menggantikan yang lain.

Tabel benchmark, dan siapa yang membuatnya

Setiap angka dalam kartu model berasal dari perangkat evaluasi milik Ant sendiri. Itu bukan kritik — memang begitulah adanya tabel rilis — tetapi tabel-tabel tersebut dikutip di tempat lain tanpa label itu, jadi inilah penjelasannya.

• Zero-shot Seed-TTS, bahasa Mandarin — tingkat kesalahan kata 0,800%, kemiripan pembicara 0,758.

• Seed-TTS zero-shot, bahasa Inggris — tingkat kesalahan kata 1,584%, kemiripan penutur 0,691.

• NVBench paralinguistik, peristiwa tunggal — tingkat kesalahan karakter Tionghoa 2,70, Inggris 7,60.

• Dialek, WSC-Eval-TTS-easy — tingkat kesalahan karakter 2,27%, akurasi 80,68%.

• Desain suara, InstructTTSEval-ZH — rata-rata 72.29%.

• Kontrol atribut dasar — rata-rata 93,30%, dengan tingkat kesalahan kata 0,317%.

Bagian yang menarik adalah apa yang dikatakan tabel yang sama tentang pesaing yang dipilih sendiri oleh model tersebut. Pada tingkat kesalahan zero-shot bahasa Mandarin, CosyVoice3-1.5B mencatat 0.710% dan Qwen3-TTS-12Hz-1.7B-Base 0.770%, keduanya lebih baik daripada 0.800% milik Ming. Pada kemiripan pembicara, 0.780 milik CosyVoice3-0.5B mengalahkan 0.758 milik Ming. Pada tingkat kesalahan bahasa Inggris, Qwen3-TTS-12Hz-1.7B-Base mencapai 1.240% berbanding 1.584% milik Ming.

Jadi Ming-3.0-tts-0.5B tidak mengklaim mahkota akurasi bahkan di dalam kumpulan pembandingnya sendiri, dan memang tidak perlu. Kekuatannya ada pada kolom yang tidak diisi oleh yang lain: kontrol dialek, desain suara, dan rangkaian paralinguistik yang membuatnya unggul di sebagian besar kategori peristiwa tunggal. Bacalah kartu itu sebagai "kontrol luas pada setengah miliar parameter tulang punggung," bukan sebagai "tingkat kesalahan terbaik," dan klaim itu tetap bertahan.

Kartu ini juga luar biasa bersedia menyebut kelemahannya sendiri, yang layak diulang karena sebagian besar tidak melakukannya: kemiripan pembicara tertinggal dari akurasi konten, kemiripan bahasa Prancis adalah celah multibahasa yang paling jelas, kalimat paralinguistik multi-peristiwa masih tidak stabil, kontrol emosi menurun ketika kata-katanya sendiri tidak membawa sinyal emosional, dan desain suara terbuka belum menyamai sistem terkuat yang dijadikan pembandingnya.

Angka independen pertama muncul sebelum pengumuman itu keluar.

Artificial Analysis menambahkan Ming-3.0-tts ke speech arena mereka pada 19 Oktober dan menautkan entri tersebut ke checkpoint 0,5B yang persis ini, yang menjawab satu pertanyaan yang masih terbuka di kartu: model yang dinilai adalah model kecil. Dua papan peringkat, dua hasil, dan keduanya menunjuk ke arah yang berbeda.

• Suara Penyedia, di mana setiap model menggunakan suara aslinya sendiri — Elo 1.188, interval 95% 1.173 hingga 1.203, peringkat ke-19 dari 98 model di papan peringkat dan ketiga di antara model bobot terbuka, di belakang Fish Audio Drama 3 Preview pada 1.245 dan Breeze T​TS 2 pada 1.220.

• Controlled Voice, di mana setiap model mengkloning delapan suara referensi yang sama — Elo 1.069, interval 1.053 hingga 1.085, peringkat ke-14 secara keseluruhan dan pertama di antara model open-weight, mengungguli Fish Audio Drama 3 Preview pada 1.059 dan Breeze TTS 2 pada 1.019.

• Kecepatan — median 42,1 karakter per detik waktu generasi pada perangkat keras Artificial Analysis, dengan median waktu generasi 2,46 detik per permintaan. Sebagai perbandingan, Simba 3.2 mencatat 77,8 karakter per detik dan Qwen-Audio-3.0-TTS-Plus 25,6 pada rig yang sama.

Pemisahan itu adalah hal paling berguna yang pernah dipublikasikan siapa pun tentang model ini. Suara hasil kloningnya kompetitif dengan sistem open-weight terbaik di papan peringkat; kumpulan suaranya sendiri tidak. Apa pun rekaman suara asli Ant, itulah bagian yang menahan peringkat suara penyedia, dan itu masalah rekayasa yang dapat diperbaiki, bukan masalah arsitektural.

Satu klaim vendor yang tidak dapat kami verifikasi: halaman proyek menyatakan bahwa Ming-3.0-tts menempati peringkat pertama secara keseluruhan pada metrik ketahanan pelafalan Artificial Analysis dengan 93,2%, dan peringkat pertama pada dua sub-kategorinya. Metrik tersebut ada dan Artificial Analysis mempublikasikannya, tetapi nilai per model tidak diekspos dalam data halaman yang dapat kami baca, jadi anggap 93,2% sebagai angka yang dinyatakan vendor sampai Anda melihat sendiri diagram batangnya.

Menjalankannya membutuhkan waktu sekitar dua puluh menit dan tiga perbaikan

Repositori Hugging Face hanya berisi unggahan checkpoint. Hal ini dinyatakan dalam keterangan menonjol di dekat bagian atas: inferensi memerlukan proyek GitHub, dan Python API serta CLI yang dirujuk dalam kartu berasal dari sana. Itulah hambatan pertama, dan itulah sebabnya repositori Oktober lebih penting daripada unggahan September.

Yang kedua adalah normalisasi teks. Angka, tanggal, satuan, dan simbol ditangani oleh tata bahasa FST yang memerlukan pynini, yang tidak memiliki wheel universal; instruksi Ant sendiri mengarahkan Anda ke conda-forge untuk versi 2.1.6. Jika Anda lebih memilih tidak melakukannya, --no_text_normalization akan melewatinya dan Anda mewarisi apa pun bentuk teks Anda saat ini. Untuk pipeline narasi produksi, itu keputusan nyata, bukan catatan kaki.

Yang ketiga adalah perangkat keras. Lingkungannya dipatok ke PyTorch 2.6, CUDA 12.4, dan transformers 4.46.3, dengan Dockerfile yang disediakan, dan telah diuji pada H800-80GB dan H20-96G. flash-attn bersifat opsional dan inferensi beralih ke PyTorch SDPA. Tidak ada dalam rilis ini yang menunjukkan bahwa ini berjalan dengan nyaman pada kartu konsumen, dan belum ada pihak di luar Ant yang menerbitkan angka throughput pada perangkat keras yang lebih kecil.

Panggilan minimum yang layak, setelah lingkungan siap, adalah satu pemanggilan CLI dengan klip referensi dan transkripnya — klon dikondisikan pada keduanya, dengan --use_spk_emb mengaktifkan pengondisian speaker-embedding. Ada juga skrip preflight yang memeriksa checkpoint dan tokenizer tanpa memuat bobot, yang layak dijalankan sebelum Anda menghabiskan alokasi GPU untuk unduhan yang buruk.

Apa yang masih belum dapat diketahui

Empat hal akan mengubah cara model ini seharusnya dinilai, dan tidak satu pun dari hal-hal itu sudah ada.

Tidak ada endpoint yang dihosting dan tidak ada harga. Artificial Analysis mencantumkan kolom harga sebagai kosong karena tidak ada yang perlu diberi harga — satu-satunya cara memanggil ini adalah dengan menjalankannya. Itu tidak masalah bagi tim yang memiliki GPU dan menjadi masalah bagi semua orang lain, dan ini adalah perbedaan praktis terbesar antara rilis ini dan suara-suara yang dihosting yang akan dibandingkan dengannya.

Tidak ada laporan teknis. Peta jalan GitHub mencantumkannya sebagai kotak yang belum dicentang, dan Ant menghapus rujukan sebelumnya ke laporan yang belum dikonfirmasi dari model card. Hal itu menyisakan deskripsi arsitektur pada tingkat sebuah diagram dan satu paragraf, yang cukup untuk menjalankan model tetapi tidak cukup untuk mereproduksi klaim pelatihan.

Tidak ada replikasi tingkat kesalahan yang independen. Angka Seed-TTS dan NVBench adalah milik Ant, diukur dengan protokol Ant dan pengaturan inferensi yang direkomendasikan Ant. Skor arena bersifat independen tetapi mengukur preferensi, bukan akurasi. Tidak ada pihak di luar lab yang telah menerbitkan word error rate untuk checkpoint ini.

Dan tidak ada pernyataan niat. Tanpa pengumuman berarti tidak ada komitmen dukungan, tidak ada kebijakan deprecation, dan tidak ada indikasi apakah layanan hosted akan hadir. Untuk rilis riset di bawah lisensi MIT, itu bisa jadi sepenuhnya disengaja. Namun bagi siapa pun yang berencana memasukkannya ke dalam produk, itu adalah risiko yang harus diperhitungkan.

OrcaRouter tidak merutekan Ming-3.0-tts-0.5B, dan bagian ini tidak boleh dibaca seolah menyiratkan hal sebaliknya — katalog tidak memuat model suara Ming. Yang ada di katalog adalah sisa dari pipeline suara: openai/tts-1 dan tts-1-hd, gpt-4o-mini-tts serta pratinjau G​emini T​TS, semuanya dengan harga daftar penyedia tanpa markup tambahan, dan lebih dari 200 model teks di balik kunci yang sama untuk separuh sistem yang menulis skrip atau menggerakkan agen. Jika Anda sedang mengevaluasi model suara open-weights yang belum teruji, penerapan yang wajar adalah menjauhkannya dari jalur kritis sampai ia terbukti layak menempati slot tersebut; failover otomatis antarpenyedia adalah cara separuh teks dari pipeline itu tetap berjalan selama Anda memutuskan.

Sinyal nyata berikutnya bukanlah tabel benchmark lain. Sinyal itu adalah orang pertama di luar Ant yang menjalankan checkpoint 0.5B pada audio mereka sendiri dan memublikasikan apa yang rusak. Sampai itu ada, ringkasan yang bisa dipertahankan bersifat sempit: suara multibahasa 44.1 kHz berlisensi MIT yang benar-benar mumpuni dengan skor suara kloning open-weights terbaik di papan independen, kumpulan suara asli yang lebih lemah, rilis yang tidak diumumkan, dan tanpa rumah terhosting. Itu adalah artefak riset yang menjanjikan, belum menjadi keputusan produk.