Ming-3.0-tts-tiny ha la migliore voce clonata della famiglia e si classifica sesto in coreano

Il miglior punteggio di somiglianza del parlante nella nuova famiglia vocale di Ant Group appartiene al modello con il minor numero di parametri attivi. Ming-3.0-tts-tiny è un checkpoint mixture-of-experts da 7,9B che attiva circa 1,3B parametri per token, e sul set cinese Seed-TTS registra 0,781 di somiglianza del parlante — il valore più alto in assoluto nelle tabelle pubblicate di Ant, e superiore allo 0,758 del suo stesso fratello minore. Sul coreano, lo stesso modello si classifica sesto degli otto sistemi valutati da Ant, con un tasso di errore di caratteri del 6,000%, mentre quel fratello da 0,5B raggiunge l'1,728%. Entrambi i numeri provengono dallo stesso harness del fornitore, eseguito dallo stesso team, nello stesso giorno. La distanza tra loro è la cosa più utile del rilascio. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Niente di tutto ciò è stato annunciato. Il checkpoint è stato pubblicato su Hugging Face il 24 settembre 2026, due giorni dopo la creazione del repository stesso; il codice di inferenza, gli script di esempio e il cookbook dei task sono arrivati solo il 19 ottobre, quando è stato aperto il repository GitHub e il suo primo commit è stato effettuato alle 08:58 UTC. Al momento in cui scriviamo, il repository Hugging Face aveva 20 download e 3 like, mentre il repository GitHub aveva cinque stelle. Quindi considerate quanto segue come una lettura degli artefatti anziché un resoconto di un lancio: tutto ciò che è qui è verificabile nei repository, e le parti che non lo sono vengono segnalate come tali.

Il risultato coreano non è un errore di arrotondamento.

La tabella multilingue di Ant confronta il modello minuscolo con altri sette sistemi su sei lingue. Leggi l'intera riga invece del titolo.

• Tedesco — tasso di errore sui caratteri dello 0,325%, primo degli otto, davanti al secondo miglior risultato a 0,612%.

• Spagnolo — 0,971%, primo, con il secondo classificato a 1,184%.

• Giapponese — 3,427%, a pari merito al secondo posto.

• Francese — 3,470%, secondo, ma con una similarità del parlante di 0,733 che non lo colloca tra i primi tre; la tabella lo afferma nella propria sezione dedicata ai limiti.

• Coreano — 6,000%, sesto su otto, e l'unica lingua in cui il modello viene battuto da un sistema che altrimenti supera ovunque.

• Cinese e inglese — le due lingue su cui il modello è effettivamente costruito, e le due in cui la somiglianza del parlante è migliore.

Il dato coreano è circa tre volte e mezzo il tasso di errore di Ming-3.0-tts-0.5B sulla stessa lingua. Ant non spiega perché, e la scheda del modello non avanza ipotesi. Ciò che si può dire senza fare congetture è di natura strutturale: questo è un modello sparso, e i modelli sparsi instradano i token attraverso un sottoinsieme di esperti, quindi una lingua che ha ricevuto meno segnale di addestramento nella miscela può degradare più rapidamente di quanto farebbe in un modello denso di dimensioni totali comparabili. Questo è un meccanismo plausibile, non un risultato, e dovrebbe essere trattato come un’ipotesi da verificare anziché come una spiegazione. La lettura pratica è più ristretta e più difendibile: se il coreano è nel tuo prodotto, questo non è il checkpoint a cui ricorrere finché qualcuno non lo esegue su testo coreano reale.

Dove finiscono davvero 7,9 miliardi di parametri

Il nome dice minuscolo; le dimensioni dei file dicono il contrario, e il divario è l'architettura.

• Parametri totali — i metadati di Hugging Face riportano 8.980.964.372 in BF16 più 40.096 in F32, e il repository occupa circa 18 GB. La release descrive il modello come 7.9B-A1.3B, ovvero 7,9 miliardi totali e circa 1,3 miliardi attivi per token. Tale descrizione è stata corretta nella model card il 16 ottobre, sostituendo una formulazione precedente, quindi cita quella più recente.

• Backbone — Ling V3, la stessa famiglia che Ant utilizza per i suoi modelli di testo più grandi, eseguito come una miscela di esperti anziché come uno stack denso.

• Head — un diffusion transformer che trasforma gli stati nascosti del backbone in latenti audio, seguito da un tokenizer audio separato che li decodifica in forma d'onda.

• Bundle — il checkpoint include il backbone, la testa DiT, il tokenizer audio, un encoder speaker CAM++ e il tokenizer del testo in un'unica cartella. Stai scaricando una pipeline, non un modello linguistico con un adapter aggiunto a posteriori.

• Output e voci — la stessa ampia superficie di controllo del resto della famiglia: clonazione zero-shot da una breve clip di riferimento, progettazione della voce a partire da una descrizione in linguaggio naturale, controllo dello stile in forma libera, oltre 100 voci cinesi integrate e cinque voci inglesi, e 14 tag paralinguistici inline per risate, sospiri, respiro ed esitazione, oltre a impostazioni esplicite di emozione, velocità, tono e volume.

• Lingue — cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, con sichuanese e cantonese disponibili quando viene fornita una clip di riferimento nel dialetto.

Licenza — MIT per i pesi e il codice, con una nota d'uso che invita a non impersonare persone senza consenso e a etichettare l'audio sintetico. Tale nota è una richiesta, non una condizione della licenza.

La strana conseguenza è che "tiny" è un'affermazione sul calcolo per token, non sul disco o sulla VRAM. Si spende la memoria di un modello da 7,9B e si ottiene la velocità di uno da 1,3B, un compromesso ragionevole per la sintesi in batch e pessimo per un laptop. L'ambiente di Ant stesso indica una H800 come scheda consigliata, e nulla nel rilascio suggerisce il contrario.

Le cinque colonne che vince

Ogni valore in questa sezione è di Ant, misurato sull'harness di Ant con le impostazioni di inferenza consigliate da Ant, e la scheda del modello è l'unico posto in cui esiste. Qui le etichette contano più del solito, perché questi sono i numeri che verranno citati altrove senza di esse.

• Somiglianza con il parlante, cinese zero-shot — 0,781, il valore migliore dell'insieme di confronto, con un tasso di errore sulle parole dello 0,820%. L'inglese raggiunge una somiglianza di 0,728 con un tasso di errore dell'1,666%, anch'esso il valore di somiglianza migliore nella sua colonna.

• Paralinguistico a evento singolo, NVBench — il modello guida tutte e sei le categorie a tag singolo: cinese errore 2,80 / similarità 17,23 / punteggio 3,20, inglese 5,86 / 32,95 / 7,05. Sulle frasi multi-evento guida la colonna inglese con 5,12 / 46,13 / 7,68 e si colloca a metà classifica in cinese con 4,49 / 32,88 / 5,81.

• Dialetto — set facile WSC-Eval-TTS: 2,53% di errore sui caratteri, 0,721 di similarità, 86,09% di accuratezza; set difficile: 3,11%, 0,738, 88,94%. Entrambi rappresentano un primato nella tabella di Ant. Il cantonese raggiunge 7,40% / 0,605 / 92,90 sul set base e 8,67% / 0,653 / 95,16 sul set di copertura.

• Emozione — 74,00% di media sul set cinese CV3 e 30,67% su CV3N, primo su entrambi i sottoinsiemi Sad e non degno di nota altrove.

• Voice design — 75,37% di media su InstructTTSEval-ZH, secondo in classifica generale, con punteggi di 85,10 nei prompt di attributo, 79,90 nella descrizione e 61,10 nel role-play. Il role-play è il punto debole: quarto posto, e la model card lo dice.

La tabella degli attributi di base è la meno affascinante e probabilmente la più utile: 93% sull'età, 93% sul genere, 78,70% sul pitch, una media dell'88,23% con un tasso di errore sulle parole dello 0,274% e una similarità di 0,742. Il pitch è il più debole dei quattro controlli, il che corrisponde a quanto riportano tutti gli altri sistemi di questa classe.

Il numero del podcast è il vero motivo per cui vale la pena notarlo.

Il modello 0.5B non è in grado di generare podcast con più speaker. Quello tiny sì, e nella tabella dei podcast di Ant è il miglior risultato di accuratezza dei contenuti del confronto.

• Ming-3.0-tts-tiny — tasso di errore sui caratteri del 2,03%, similarità condizionale del parlante 0,561, 2,12 UTMOS.

• 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.

Primo sul tasso di errore per un margine ristretto, secondo sia sulla similarità sia sulla naturalezza, e il divario di naturalezza è quello interessante: ZipVoice-Dia è avanti di 0,12 UTMOS mentre è peggiore di 1,36 punti sull'accuratezza. Si tratta di un vero compromesso, non di una differenza di arrotondamento, e suggerisce che la prosodia dialogica del modello minuscolo sia la prossima cosa da migliorare, piuttosto che la sua trascrizione. Come per tutto il resto in questa sezione, nessuno al di fuori di Ant ha sottoposto un podcast al modello e pubblicato il risultato.

Ciò che i repository non stabiliscono

Ci sono quattro lacune che vale la pena nominare prima che qualcuno lo metta in un prodotto.

Non esiste un punteggio indipendente per questo checkpoint. Artificial Analysis elenca sì una voce Ming-3.0-tts nella sua speech arena — 1.188 Elo nella board Provider Voice e 1.069 in Controlled Voice al 19 ottobre — ma tale voce è collegata al modello 0.5B, non a questo. Il README su GitHub riproduce quelle cifre dell’arena nella sezione dei risultati senza questa distinzione, ed è il tipo di dettaglio che, due repost dopo, si trasforma in un’affermazione errata. Ming-3.0-tts-tiny non ha un risultato separato nell’arena, né un throughput misurato, né un word error rate di terze parti.

Non esiste alcun rapporto tecnico. La roadmap lo elenca come una casella non spuntata, e il 16 ottobre la model card è stata modificata proprio per rimuovere un riferimento a un rapporto del genere. Ciò lascia l'architettura al livello di un diagramma e di un paragrafo: sufficiente per eseguire il modello, non sufficiente per riprodurre le asserzioni sull'addestramento.

Non esiste un endpoint ospitato né un prezzo. L'unico modo per chiamarlo è allocare una GPU ed eseguire il codice, il che è tutt'altra cosa rispetto a confrontarlo con una tariffa per carattere.

E non c'è alcuna dichiarazione d'intenti. Venti download e tre like non sono un segnale di qualità — sono il segnale che nessuno è stato informato. Nessun annuncio significa nessun impegno di supporto, nessuna politica di deprecazione e nessuna indicazione se seguirà un servizio hosted.

Eseguirlo, se vuoi

Il repository Hugging Face è un rilascio di checkpoint, e la sua scheda afferma chiaramente che l'inferenza richiede il progetto GitHub. È per questo che il commit di ottobre conta più del caricamento di settembre. L'ambiente è fissato a Python 3.10.15, PyTorch e torchaudio 2.7.1 con CUDA 11.8, e transformers 4.46.3, con un H800 consigliato; il punto di ingresso è infer_tiny.py rispetto alla classe ming_tiny.MingTinyTTS, con un protocollo di prompt denominato thinking_v1. I valori predefiniti rilasciati sono una scala di classifier-free guidance di 2.0, temperatura zero, dieci passi di flow, un sigma di 0.25 e un seed di 1234 — 1235 per l'attività podcast — e il repository fornisce uno script separato per attività invece di un unico punto di ingresso pilotato da flag. Il supporto a vLLM-Omni è in roadmap e non ancora verificato, quindi oggi non esiste un percorso di serving ad alto throughput.

Se stai valutando questo per un prodotto, la strategia di staging sensata è quella che useresti per qualsiasi checkpoint open-weights non ancora collaudato: tienilo fuori dal percorso critico, provalo con il tuo audio nelle lingue in cui distribuisci effettivamente e solo allora decidi. OrcaRouter non instrada Ming-3.0-tts-tiny, e nulla di ciò che è scritto qui va letto come un'affermazione contraria — il catalogo non include alcun modello vocale Ming. Ciò che include è il resto di un sistema vocale: openai/tts-1, openai/tts-1-hd e openai/gpt-4o-mini-tts oltre alle anteprime Ge​mini TT​S al prezzo di listino del provider senza alcun ricarico aggiunto, e oltre 200 modelli testuali dietro la stessa chiave per la metà della pipeline che scrive lo script o guida l'agente. Il failover automatico tra provider è ciò che mantiene operativa la metà testuale ospitabile mentre decidi se la metà vocale self-hosted si è guadagnata il suo posto.

Il prossimo vero segnale non sarà un'altra tabella di fornitori. Sarà qualcuno esterno ad Ant che lo esegue in coreano, o su un podcast, e pubblica ciò che si è rotto. Finché non esisterà, il riassunto difendibile è ristretto: un modello vocale sparso, con licenza MIT, in nove lingue, con il miglior punteggio di voce clonata della sua famiglia, un autentico risultato podcast multi-parlante, una colonna coreana che necessita spiegazioni e un annuncio che non c'è stato.