Ming-3.0-tts-tiny Memiliki Suara Hasil Kloning Terbaik di Keluarga Ini dan Menempati Peringkat Keenam dalam Bahasa Korea

Skor kemiripan penutur terbaik dalam keluarga ucapan baru Ant Group dimiliki oleh model dengan parameter aktif paling sedikit. Ming-3.0-tts-tiny adalah checkpoint mixture-of-experts 7,9B yang mengaktifkan sekitar 1,3B parameter per token, dan pada set Seed-TTS Tionghoa model ini mencatat kemiripan penutur 0,781 — angka tertinggi di seluruh tabel terbitan Ant, dan lebih tinggi daripada 0,758 milik saudaranya yang lebih kecil. Pada bahasa Korea, model yang sama finis keenam dari delapan sistem yang dijadikan tolok ukur oleh Ant, dengan tingkat kesalahan karakter 6,000%, sementara saudaranya yang 0,5B mencapai 1,728%. Kedua angka berasal dari harness vendor yang sama, dijalankan oleh tim yang sama, pada hari yang sama. Jarak di antara keduanya adalah hal paling berguna dalam rilis ini. Kegagalan AI dan insiden agen terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda sengketa.

Tidak ada satu pun dari ini yang diumumkan. Checkpoint itu diunggah ke Hugging Face pada 24 September 2026, dua hari setelah repositori itu sendiri dibuat; kode inferensi, skrip contoh, dan cookbook tugas baru muncul pada 19 Oktober, saat repositori GitHub dibuka dan commit pertamanya masuk pada 08.58 UTC. Pada saat penulisan, repositori Hugging Face memiliki 20 unduhan dan 3 suka, dan repositori GitHub memiliki lima bintang. Jadi anggap yang berikut ini sebagai pembacaan atas artefak, bukan laporan tentang peluncuran: semua yang ada di sini dapat diperiksa di repositori, dan bagian yang tidak dapat diperiksa ditandai demikian.

Hasil Korea bukanlah kesalahan pembulatan

Tabel multibahasa Ant membandingkan model kecil itu dengan tujuh sistem lain dalam enam bahasa. Bacalah seluruh barisnya, bukan hanya judul utamanya.

• Jerman — tingkat kesalahan karakter 0,325%, pertama dari delapan, unggul dari yang terbaik berikutnya pada 0,612%.

• Spanyol — 0,971%, peringkat pertama, dengan peringkat kedua pada 1,184%.

• Bahasa Jepang — 3,427%, seri di posisi kedua.

• Prancis — 3.470%, peringkat kedua, tetapi dengan kemiripan pembicara 0.733 yang tidak menempatkannya di tiga besar; tabel menyatakan demikian di bagian keterbatasannya sendiri.

• Bahasa Korea — 6.000%, keenam dari delapan, dan satu-satunya bahasa di mana model dikalahkan oleh sistem yang di semua bahasa lain justru ia ungguli.

• Bahasa Mandarin dan Inggris — dua bahasa yang sebenarnya menjadi dasar model ini, dan dua bahasa yang unggul dalam kemiripan penuturnya.

Angka Korea kira-kira tiga setengah kali tingkat kesalahan Ming-3.0-tts-0.5B pada bahasa yang sama. Ant tidak menjelaskan mengapa, dan kartu model tidak berspekulasi. Yang dapat dikatakan tanpa menduga adalah hal struktural: ini adalah model sparse, dan model sparse merutekan token melalui subset pakar, sehingga bahasa yang menerima sinyal pelatihan lebih sedikit dalam campuran dapat mengalami degradasi lebih cepat daripada dalam model dense dengan ukuran total yang sebanding. Itu adalah mekanisme yang masuk akal, bukan temuan, dan harus diperlakukan sebagai hipotesis untuk diuji, bukan sebagai penjelasan. Pembacaan praktisnya lebih sempit dan lebih dapat dipertahankan: jika bahasa Korea ada dalam produk Anda, ini bukan checkpoint yang perlu dipilih sampai seseorang menjalankannya pada teks Korea nyata.

Ke mana 7,9 miliar parameter sebenarnya pergi

Namanya bilang mungil; ukuran filenya berkata sebaliknya, dan kesenjangan itu ada pada arsitekturnya.

• Total parameter — metadata Hugging Face melaporkan 8.980.964.372 dalam BF16 ditambah 40.096 dalam F32, dan repositori menempati sekitar 18 GB. Rilis tersebut mendeskripsikan model sebagai 7.9B-A1.3B, yang berarti total 7,9 miliar dan sekitar 1,3 miliar aktif per token. Deskripsi itu dikoreksi dalam kartu model pada 16 Oktober, menggantikan susunan kata sebelumnya, jadi kutip yang lebih baru.

• Backbone — Ling V3, keluarga yang sama yang digunakan Ant untuk model teksnya yang lebih besar, dijalankan sebagai campuran pakar (mixture of experts) alih-alih sebagai tumpukan padat.

• Head — sebuah transformer difusi yang mengubah hidden state backbone menjadi latent audio, diikuti oleh tokenizer audio terpisah yang mendekodenya menjadi waveform.

• Bundel — checkpoint ini menyertakan backbone, head DiT, tokenizer audio, encoder speaker CAM++, dan tokenizer teks dalam satu folder. Anda mengunduh sebuah pipeline, bukan model bahasa dengan adapter yang ditempelkan begitu saja.

• Output dan suara — rangkaian kontrol luas yang sama seperti bagian lain dari keluarga ini: kloning zero-shot dari klip referensi singkat, desain suara dari deskripsi bahasa alami, kontrol gaya bebas, 100+ suara bawaan bahasa Mandarin dan lima suara bahasa Inggris, serta 14 tag paralinguistik inline untuk tawa, desahan, napas, dan keraguan, plus pengaturan emosi, kecepatan, nada, dan volume yang eksplisit.

• Bahasa — Tionghoa, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, dengan bahasa Sichuan dan Kanton tersedia bila diberikan klip referensi dalam dialek tersebut.

• Lisensi — MIT untuk bobot dan kode, dengan catatan penggunaan yang meminta Anda untuk tidak menyamar sebagai orang tanpa persetujuan dan memberi label pada audio sintetis. Catatan itu adalah permintaan, bukan syarat lisensi.

Konsekuensi ganjilnya adalah bahwa "tiny" merupakan pernyataan tentang komputasi per token, bukan tentang disk atau VRAM. Anda menghabiskan memori model 7,9B dan mendapatkan kecepatan model 1,3B, yang merupakan pertukaran wajar untuk sintesis batch dan buruk untuk laptop. Lingkungan Ant sendiri mematok H800 sebagai kartu yang direkomendasikan, dan tidak ada apa pun dalam rilis tersebut yang menunjukkan sebaliknya.

Lima kolom yang dimenangkannya

Setiap angka di bagian ini adalah milik Ant sendiri, diukur pada harness Ant dengan setelan inferensi yang direkomendasikan Ant, dan kartu model adalah satu-satunya tempat angka itu ada. Label-labelnya lebih penting dari biasanya di sini, karena inilah angka-angka yang akan dikutip di tempat lain tanpa labelnya.

{{1}}Kemiripan pembicara, zero-shot bahasa Mandarin{{/1}} — {{2}}0.781{{/2}}, yang terbaik dalam set perbandingan, dengan tingkat kesalahan kata sebesar {{3}}0.820%{{/3}}. Bahasa Inggris mencapai kemiripan {{4}}0.728{{/4}} pada tingkat kesalahan {{5}}1.666%{{/5}}, juga kemiripan terbaik di kolomnya.

• Peristiwa tunggal paralinguistik, NVBench — model memimpin keenam kategori tag tunggal: Tionghoa 2,80 kesalahan / 17,23 kemiripan / 3,20 skor, Inggris 5,86 / 32,95 / 7,05. Pada kalimat multiperistiwa, model memimpin kolom Inggris pada 5,12 / 46,13 / 7,68 dan berada di pertengahan untuk Tionghoa pada 4,49 / 32,88 / 5,81.

• Dialek — set mudah WSC-Eval-TTS 2,53% kesalahan karakter, 0,721 kemiripan, 86,09% akurasi; set sulit 3,11%, 0,738, 88,94%. Keduanya merupakan yang pertama dalam tabel Ant. Bahasa Kanton mencapai 7,40% / 0,605 / 92,90 pada set dasar dan 8,67% / 0,653 / 95,16 pada set cakupan.

• Emotion — rata-rata 74,00% pada set CV3 bahasa Tionghoa dan 30,67% pada CV3N, peringkat pertama pada kedua subset Sad dan tidak menonjol di bagian lain.

• Desain suara — rata-rata 75,37% pada InstructTTSEval-ZH, peringkat kedua secara keseluruhan, dengan skor prompt atribut 85,10, deskripsi 79,90, dan role-play 61,10. Role-play adalah yang terlemah: peringkat keempat, dan kartu model menyatakannya.

Tabel atribut dasar adalah yang paling tidak memesona dan mungkin paling berguna: 93% untuk usia, 93% untuk gender, 78,70% untuk pitch, rata-rata 88,23% dengan tingkat kesalahan kata 0,274% dan kemiripan 0,742. Pitch adalah yang terlemah dari empat kontrol, yang sesuai dengan yang dilaporkan setiap sistem lain di kelas ini.

Nomor podcast itu adalah alasan sebenarnya untuk memperhatikan hal ini.

Model 0.5B tidak dapat melakukan pembuatan podcast multi-pembicara. Model yang sangat kecil bisa, dan pada tabel podcast Ant, ini adalah hasil akurasi konten terbaik dalam perbandingan.

Ming-3.0-tts-tiny — tingkat kesalahan karakter 2,03%, kemiripan pembicara bersyarat 0,561, UTMOS 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.

Peringkat pertama pada tingkat kesalahan dengan selisih tipis, kedua pada kemiripan dan kealamian, dan celah kealamian adalah yang menarik: ZipVoice-Dia unggul 0,12 UTMOS sementara 1,36 poin lebih buruk pada akurasi. Itu adalah trade-off nyata, bukan perbedaan pembulatan, dan ini menunjukkan bahwa prosodi dialog model mungil itu adalah hal berikutnya yang perlu ditingkatkan, bukan transkripsinya. Seperti hal lain di bagian ini, belum ada pihak di luar Ant yang menjalankan podcast melaluinya dan menerbitkan hasilnya.

Apa yang tidak ditetapkan oleh repositori

Ada empat celah yang perlu disebutkan sebelum siapa pun memasukkannya ke dalam produk.

Tidak ada skor independen untuk checkpoint ini. Artificial Analysis memang mencantumkan entri Ming-3.0-tts di speech arena-nya — 1.188 Elo di papan Provider Voice dan 1.069 di Controlled Voice per 19 Oktober — tetapi entri itu tertaut ke model 0,5B, bukan ke model ini. README GitHub mereproduksi angka arena tersebut di bagian hasilnya tanpa pembedaan itu, yang merupakan jenis detail yang berubah menjadi klaim keliru dua repost kemudian. Ming-3.0-tts-tiny tidak memiliki hasil arena terpisah, tidak ada throughput yang terukur, dan tidak ada tingkat kesalahan kata pihak ketiga.

Tidak ada laporan teknis. Peta jalan mencantumkannya sebagai kotak yang belum dicentang, dan pada 16 Oktober kartu model diedit secara khusus untuk menghapus rujukan ke salah satunya. Hal itu membuat arsitektur berada pada tingkat diagram dan satu paragraf: cukup untuk menjalankan model, tidak cukup untuk mereproduksi klaim pelatihan.

Tidak ada endpoint yang di-hosting dan tidak ada harga. Satu-satunya cara untuk memanggil ini adalah mengalokasikan GPU dan menjalankan kodenya, yang merupakan hal yang berbeda dari membandingkannya dengan tarif per karakter.

Dan tidak ada pernyataan niat. Dua puluh unduhan dan tiga suka bukanlah tanda kualitas — itu adalah tanda bahwa belum ada yang diberi tahu. Tanpa pengumuman berarti tidak ada komitmen dukungan, tidak ada kebijakan deprecation, dan tidak ada indikasi apakah layanan yang dihosting akan menyusul.

Menjalankannya, jika kamu mau

Repositori Hugging Face adalah drop checkpoint, dan kartunya menyatakan secara gamblang bahwa inferensi memerlukan proyek GitHub. Itulah sebabnya commit Oktober lebih penting daripada unggahan September. Lingkungan dipatok ke Python 3.10.15, PyTorch dan torchaudio 2.7.1 dengan CUDA 11.8, serta transformers 4.46.3, dengan rekomendasi H800; titik masuknya adalah infer_tiny.py terhadap kelas ming_tiny.MingTinyTTS, dengan protokol prompt bernama thinking_v1. Default yang dirilis adalah skala classifier-free guidance 2.0, suhu nol, sepuluh langkah flow, sigma 0.25, dan seed 1234 — 1235 untuk tugas podcast — dan repositori menyertakan skrip terpisah per tugas alih-alih satu titik masuk yang digerakkan flag. Dukungan vLLM-Omni ada di roadmap dan belum diperiksa, jadi saat ini tidak ada jalur penyajian throughput tinggi.

Jika Anda mengevaluasi ini untuk sebuah produk, tahapan yang wajar adalah tahapan yang akan Anda gunakan untuk checkpoint open-weights apa pun yang belum terbukti: jauhkan dari jalur kritis, jalankan terhadap audio Anda sendiri dalam bahasa yang benar-benar Anda gunakan untuk pengiriman, dan baru setelah itu putuskan. OrcaRouter tidak merutekan Ming-3.0-tts-tiny, dan tidak ada yang di sini boleh dibaca sebagai klaim sebaliknya — katalog tidak memuat model suara Ming. Yang dimuatnya adalah bagian lain dari sistem suara: openai/tts-1, openai/tts-1-hd dan openai/gpt-4o-mini-tts plus pratinjau Ge​mini TT​S dengan harga daftar penyedia tanpa markup tambahan, dan lebih dari 200 model teks di balik kunci yang sama untuk separuh pipeline yang menulis skrip atau menjalankan agen. Failover otomatis antar penyedia adalah yang menjaga separuh teks yang dapat dihosting tetap berjalan selagi Anda memutuskan apakah separuh suara yang dihosting sendiri sudah layak mendapatkan slotnya.

Sinyal nyata berikutnya bukanlah tabel vendor lain. Sinyal itu adalah seseorang di luar Ant yang menjalankan ini dalam bahasa Korea, atau di sebuah podcast, dan memublikasikan apa yang gagal. Sampai itu ada, ringkasan yang bisa dipertahankan tetap sempit: model suara sembilan bahasa yang sparse dan berlisensi MIT dengan skor suara kloning terbaik di keluarganya sendiri, hasil podcast multi-pembicara yang nyata, kolom bahasa Korea yang perlu dijelaskan, dan pengumuman yang belum terjadi.