Ming-3.0-tts Memuncaki Arena Pelafalan, dan Bagian Lain dari Debutnya Lebih Menarik

Pada 93,2%, Ming-3.0-tts dan Fish Audio Drama 3 Preview terpaut seperseratus poin persentase — 1.677 span benar dari 1.800 untuk model Ant Group versus 1.785 dari 1.916 untuk Fish Audio — yang merupakan seri dalam segala hal kecuali pada desimalnya. Keduanya berada di atas Eleven v4 pada 91,7%, angka yang akan dikutip oleh sebagian besar orang. Seri ini nyata dan layak dilaporkan secara apa adanya, tetapi itu adalah hal yang paling tidak informatif di papan. Yang membuat Ming-3.0-tts layak menjadi artikel minggu ini bukanlah karena model ini mencapai peringkat pertama di papan peringkat English Pronunciation Robustness milik Artificial Analysis. Melainkan karena papan tersebut akhirnya benar-benar ada untuk model ini, dan karena empat sub-skor di bawah angka utama mengatakan sesuatu yang tidak dapat dikatakan oleh angka utama tersebut. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan di Arsip Insiden AI OrcaRouter di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Sub-skor tersebut tidak seimbang. Ming-3.0-tts memimpin seluruh 31 sistem yang diukur pada Preserving Exact Sequences, dengan 90,6%, dan pada Expanding Shorthand, dengan 96,5%. Ia juga menempati peringkat 21 dari 31 pada Standalone Terms, dengan 88,5%, yaitu kategori yang oleh sebagian besar pendengar disebut "salah mengucapkan nama." Satu skor agregat menyembunyikan model yang membaca .env.local dan "Chapter XVII" lebih baik daripada apa pun di daftar ini, namun lebih sering tersandung pada kata benda nama diri biasa dibandingkan sistem G​emini atau ElevenLabs. Apakah itu sebuah kemenangan sepenuhnya bergantung pada isi teks Anda.

Apa yang sebenarnya berubah, dan apa yang tidak

Ant Group tidak meluncurkan model ini minggu ini, dan tidak ada artikel yang seharusnya berpura-pura sebaliknya. Linimasa di repositori bersifat publik dan agak janggal:

• Repositori Hugging Face untuk Ming-3.0-tts-0.5B dan Ming-3.0-tts-tiny dibuat pada 22 September 2026, dengan kartu placeholder.

Checkpoint 0,5B — 2,96 GB safetensors, berlisensi MIT — dipublikasikan pada 24 September.

• Repositori GitHub yang berisi kode inferensi, cookbook tugas, dan skrip contoh muncul pada 19 Oktober, yang juga merupakan tanggal yang diberikan README Ant sebagai bulan rilis dan tanggal yang dicap Artificial Analysis pada baris modelnya.

Jadi, bobotnya sudah berumur empat minggu dan rilis yang dapat digunakan baru berumur satu hari. Yang berubah pada 19 Oktober bukanlah bahwa sebuah model telah dirilis. Yang berubah adalah bahwa kode inferensi telah dirilis, dan bahwa pengukuran independen datang bersamanya. Sebelum tanggal itu, ada sebuah checkpoint tanpa cara menjalankannya yang dipublikasikan dan tanpa angka pihak ketiga yang disertakan; siapa pun yang menulis tentangnya mengutip tabel milik Ant sendiri.

Perbedaan itu penting untuk cara Anda membaca 93,2%. Artificial Analysis menjalankan harness dan reviewer manusianya sendiri; ini bukan evaluasi Ant yang direproduksi. Tanggal evaluasi dan jumlah sampel tercantum di papan, interval kepercayaan dipublikasikan, dan pemeriksaan perhatian para reviewer dijelaskan dalam metodologi. Ini adalah pertama kalinya seseorang di luar Ant memberikan angka pada model ini, dan kebetulan angka itu bagus.

Tiga papan, tiga jawaban berbeda

Artificial Analysis menjalankan lebih dari satu papan text-to-speech, dan Ming-3.0-tts tidak mendominasi semuanya. Perbedaannya cukup besar sehingga mengutip papan mana pun yang membuat model tersebut tampak unggul merupakan salah satu bentuk penyajian yang menyesatkan.

• Controlled Voice, di mana setiap sistem mengkloning delapan suara referensi yang sama (empat AS, empat Inggris) dan hanya sintesisnya yang dibandingkan — Ming-3.0-tts memperoleh 1,068 Elo, peringkat pertama di antara model open-weights dan ke-12 secara keseluruhan. Fish Audio Drama 3 Preview berada di posisi kedua di antara open weights dengan 1,059.

• Provider Voice, di mana setiap sistem menggunakan suara native-nya sendiri — Ming-3.0-tts mencetak 1.188 Elo, peringkat ke-18 secara keseluruhan dan ketiga di antara model open-weight, di belakang Fish Audio Drama 3 Preview pada 1.247 dan Breeze T{{1}}T{{/1}}S 2 pada 1.221. Eleven v4 Turbo memimpin seluruh papan peringkat pada 1.330.

• Ketangguhan Pengucapan, Bahasa Inggris, dinilai oleh manusia — Ming-3.0-tts pada 93,2%, peringkat pertama secara keseluruhan tipis di atas Fish Audio Drama 3 Preview pada 93,2% dan di depan Eleven v4 pada 91,7%.

Polanya konsisten: begitu suara-suara tidak lagi dijaga konstan, Ming-3.0-tts kehilangan posisi. Itu adalah ciri khas model yang kemampuan kloningnya lebih kuat daripada set suara bawaannya—yang persis seperti tampilan checkpoint tanpa katalog suara yang dihosting. Ant menyediakan lebih dari 100 suara bawaan berbahasa Tionghoa dan lima suara bahasa Inggris; tiga dari suara Inggris itu adalah yang benar-benar didengar oleh papan Provider Voice, dibandingkan dengan katalog yang disiapkan dengan cermat oleh ElevenLabs dan Cartesia. Pada suara hasil kloning, persaingan menjadi setara dan model itu naik lima peringkat.

Perhatikan juga bahwa angkanya sudah menyimpang dari README milik Ant sendiri. Tabel repositori menyebutkan 1.069 Controlled dan peringkat 13 keseluruhan, serta 1.188 Provider dan peringkat 17 keseluruhan. Papan hari ini menunjukkan 1.068 dan peringkat 12, serta 1.187,8 dan peringkat 18. Suara terus berdatangan; garisnya bergerak. Siapa pun yang mengutip angka-angka ini sebaiknya mencantumkan tanggalnya.

93,2 adalah dua kemenangan dan dua kekalahan

Pronunciation Robustness bukanlah satu tes tunggal. Artificial Analysis membaginya ke dalam empat kategori, masing-masing dengan penyebutnya sendiri, dan dari pembagian itulah model ini menjadi terbaca.

• Mempertahankan Urutan Persis — kode, jalur file, alamat email, pengenal. Ming-3.0-tts memperoleh skor 90,6%, peringkat pertama dari 31, dengan pesaing terbaik berikutnya Fish Audio Drama 3 Preview pada 86,3% dan Eleven v4 pada 78,8%. Ini adalah kategori yang menentukan apakah bot dukungan membaca nomor pesanan dengan benar, dan selisihnya tidak tipis.

• Memperluas Singkatan — angka, tanggal, satuan, dan notasi. Ming-3.0-tts meraih 96,5%, peringkat pertama dari 31, mengungguli Eleven v4 dengan 94,1% dan Fish Audio Drama 3 Preview dengan 93,6%.

• Sesuai Konteks — heteronim seperti "a wound that is bandaged" versus "a bandage that is wound." Ming-3.0-tts mencapai skor 91,0%, peringkat ke-13 dari 31. Gemini 3.8 Flash T​TS memimpin dengan 98,0%.

• Istilah Mandiri — nama merek, tempat, dan teknis. Ming-3.0-tts mencetak 88,5%, peringkat ke-21 dari 31. Fish Audio Drama 3 Preview memimpin dengan 95,9%.

Agregat yang seri di posisi pertama sekaligus berada di peringkat 21 pada salah satu dari empat komponennya bukanlah paradoks; dua kategori yang dimenangkannya membawa penyebut terbesar (1.084 dari 1.800 span yang dinilai adalah kasus singkatan dan urutan). README milik Ant sendiri justru bersandar pada dua kemenangan ini, menyebut Expanding Shorthand pada 96,5% dan Preserving Exact Sequences pada 90,6%, dan uji independen mengonfirmasi keduanya. Hanya saja, dokumen itu tidak menyebut peringkat 21, yaitu baris yang harus dilihat tim agen suara sebelum merilis model yang harus mengucapkan nama belakang pelanggan.

Tempat ke-21 juga merupakan penjelasan paling masuk akal untuk sebuah detail dalam kartu model Ant: set suara bahasa Inggris berjumlah lima suara berbanding lebih dari 100 dalam bahasa Mandarin. Cakupan nama diri bahasa Inggris adalah masalah data sebelum menjadi masalah pemodelan, dan angka pelafalan istilah adalah seperti apa kesenjangan itu terlihat ketika seseorang mengukurnya.

Separuh keluarga yang tidak ada di papan

Ming-3.0-tts-tiny, varian mixture-of-experts dengan total 7,9B dan 1,3B aktif yang dibangun di atas backbone Ling V3, tidak memiliki baris di salah satu papan peringkat ini. Entri arena berlabel Ming-3.0-tts tertaut ke checkpoint 0,5B, dan setiap angka di atas milik checkpoint tersebut. Hasil terbit Tiny adalah milik Ant sendiri — word error bahasa Mandarin 0,820% dengan kemiripan pembicara 0,781, bahasa Jerman 0,325%, bahasa Spanyol 0,971%, bahasa Korea 6,000% — dan belum ada pihak independen yang mereproduksinya. Anggap saja itu klaim vendor; angka Korea yang memalukan setidaknya menjadi bukti bahwa Ant menerbitkan tabelnya, bukan hanya sorotan yang menguntungkan.

Ada satu area di mana tiny benar-benar tampak unggul dibandingkan saudaranya pada harness Ant: pembuatan podcast multi-pembicara, yang sama sekali tidak dilakukan oleh model 0.5B. Itu adalah kapabilitas produk, bukan keunggulan benchmark, dan itu tidak ada di arena.

Menjalankannya, dan berapa biayanya

Checkpoint 0.5B adalah unduhan sebesar 2.96 GB — backbone, kepala patch DiT, tokenizer audio, encoder speaker, dan tokenizer teks — di bawah lisensi MIT, yang menghasilkan audio 44.1 kHz. Ant mengujinya pada H800-80GB dan H20-96G dengan PyTorch 2.6, CUDA 12.4, dan transformers 4.46.3, serta repositori ini menyertakan Dockerfile. Inferensi dilakukan melalui infer.py atau MingTTS kelas Python; repositori Hugging Face hanya untuk distribusi checkpoint dan tidak akan berjalan sendiri.

Artificial Analysis mengukur endpoint Ant yang dihosting pada 44,3 karakter per detik waktu generasi, dengan waktu generasi median 2,56 detik. Sebagai gambaran skala: satu juta karakter narasi jadi kira-kira setara 6,3 jam generasi murni pada konfigurasi tersebut, sebelum pemuatan model atau antrean. Tidak ada harga yang dicantumkan karena tidak ada endpoint komersial yang dihosting; Anda membeli jam GPU, bukan karakter.

Di sinilah lapisan routing benar-benar berguna tanpa berpura-pura menghosting model. OrcaRouter tidak membawa Ming-3.0-tts — katalognya tidak memiliki model suara Ming sama sekali — dan model tersebut diakses dengan mengkloning repositori dan menjalankannya sendiri. Yang kami bawa adalah separuh teks dari pipeline yang sama: lebih dari 200 model di balik satu kunci pada harga daftar penyedia tanpa tambahan markup, failover otomatis antarpenyedia, dan DSL routing untuk menyusunnya. Jika Anda membangun pipeline narasi atau agen, model yang menulis skrip adalah bagian yang dapat Anda konsolidasikan hari ini; model suara adalah bagian yang Anda host sendiri.

Apa yang perlu diperhatikan dari sini

Tiga hal akan mengubah gambaran ini, dan belum satu pun dari ketiganya terjadi.

Peta jalan Ant masih mencantumkan laporan teknis sebagai belum dicentang. Sampai laporan itu terbit, deskripsi arsitektur hanyalah satu paragraf dan satu diagram, dan tabel evaluasi menjadi satu-satunya bukti terperinci tentang perilaku model. Laporan tersebut juga akan menjelaskan kesenjangan pelafalan istilah, yang saat ini masih merupakan hipotesis.

Provider Voice telah mendengar tiga suara penutur asli. Itu sampel yang tipis untuk model yang menyertakan seratus suara dalam bahasa Mandarin dan lima dalam bahasa Inggris, dan peringkat ke-18 akan bergeser seiring lebih banyak suara dinilai — ke arah mana, tidak dapat diketahui dari sini.

Dan checkpoint tiny itu tetap belum diukur oleh siapa pun yang independen. Jika ia memang mendapat satu baris, pertanyaan yang menarik adalah apakah Ling V3 mixture-of-experts dengan 1.3B aktif per token mempertahankan keunggulan kesetiaan urutan yang membuat model 0.5B khas, atau menukarnya dengan kemiripan pembicara yang diberikan tabel Ant sendiri padanya. Berdasarkan angka vendor, tiny adalah suara hasil kloning yang lebih baik. Berdasarkan satu-satunya angka independen yang ada, 0.5B-lah yang telah diuji, dan ia lulus bagian tes yang tidak terpikirkan oleh kebanyakan orang untuk dijalankan.