Ming-3.0-tts domina l'arena della pronuncia, e il resto del suo debutto è ancora più interessante

Al 93,2%, Ming-3.0-tts e Fish Audio Drama 3 Preview sono separati da un centesimo di punto percentuale — 1.677 span corretti su 1.800 per il modello di Ant Group contro 1.785 su 1.916 per quello di Fish Audio — il che è un pareggio in tutto tranne che nel decimale. Entrambi si collocano sopra Eleven v4 al 91,7%, che è il numero che la maggior parte delle persone citerà. Il pareggio è reale e vale la pena riportarlo senza giri di parole, ma è la cosa meno informativa della tavola. Ciò che rende Ming-3.0-tts meritevole di un articolo questa settimana non è che abbia raggiunto il primo posto nella classifica English Pronunciation Robustness di Artificial Analysis. È che la classifica esista finalmente per questo modello, e che i quattro punteggi parziali sotto il dato principale dicano qualcosa che il dato principale non può dire. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in l'Archivio degli incidenti IA di OrcaRouter dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e il flag di contesa.

Quei sottopunteggi sono sbilanciati. Ming-3.0-tts è in testa a tutti i 31 sistemi misurati nella Conservazione delle sequenze esatte, con il 90,6%, e nell'Espansione delle abbreviazioni, con il 96,5%. Si colloca anche al 21º posto su 31 in Termini isolati, con l'88,5%, che è la categoria che la maggior parte degli ascoltatori definirebbe "pronunciare male i nomi". Un unico punteggio aggregato nasconde un modello che legge .env.local e "Capitolo XVII" meglio di qualsiasi altra cosa nella classifica e inciampa nei nomi propri comuni più spesso di quanto faccia un sistema Gemini o ElevenLabs.

Cosa è effettivamente cambiato e cosa no

Ant Group non ha lanciato questo modello questa settimana, e nessun articolo dovrebbe far credere il contrario. La cronologia nei repository è pubblica e leggermente imbarazzante:

• I repository Hugging Face per Ming-3.0-tts-0.5B e Ming-3.0-tts-tiny sono stati creati il 22 settembre 2026, con una scheda segnaposto.

• Il checkpoint da 0,5B — 2,96 GB di safetensors, con licenza MIT — è stato pubblicato il 24 settembre.

• Il repository GitHub con il codice di inferenza, il cookbook delle attività e gli script di esempio è apparso il 19 ottobre, che è anche la data che il README di Ant indica come mese di rilascio e la data che Artificial Analysis appone sulla riga del suo modello.

Quindi i pesi hanno quattro settimane e la versione utilizzabile è stata rilasciata da un giorno. Ciò che è cambiato il 19 ottobre non è che sia stato rilasciato un modello, ma che è stato rilasciato il codice di inferenza e che le misurazioni indipendenti sono arrivate insieme a esso. Prima di quella data c'era un checkpoint senza alcun modo pubblicato per eseguirlo e senza alcun dato di terze parti allegato; chiunque ne scrivesse citava le tabelle di Ant stesso.

Questa distinzione è importante per come interpreti il 93.2%. Artificial Analysis gestisce un proprio harness e propri revisori umani; non si tratta di valutazioni di Ant riprodotte. Le date delle valutazioni e i conteggi dei campioni sono elencati nella board, gli intervalli di confidenza sono pubblicati e i controlli di attenzione dei revisori sono descritti nella metodologia. È la prima volta che qualcuno al di fuori di Ant assegna un numero a questo modello, e per di più è un buon numero.

Tre commissioni, tre risposte diverse

Artificial Analysis gestisce più di una classifica text-to-speech, e Ming-3.0-tts non le domina tutte. Le differenze sono abbastanza grandi che citare quella che lusinga il modello costituisce una forma di rappresentazione fuorviante.

• Controlled Voice, in cui ogni sistema clona le stesse otto voci di riferimento (quattro statunitensi, quattro britanniche) e viene confrontata solo la sintesi — Ming-3.0-tts ottiene 1.068 punti Elo, primo tra i modelli open-weight e 12º nella classifica generale. Fish Audio Drama 3 Preview è secondo tra i modelli open-weight con 1.059.

• Provider Voice, in cui ogni sistema utilizza le proprie voci native — Ming-3.0-tts ottiene 1.188 Elo, 18º in classifica generale e terzo tra i modelli open-weights, dietro Fish Audio Drama 3 Preview a 1.247 e Breeze TTS 2 a 1.221. Eleven v4 Turbo guida l'intera classifica a 1.330.

• Robustezza della pronuncia, inglese, valutata da giudici umani — Ming-3.0-tts al 93,2%, primo in classifica per un soffio su Fish Audio Drama 3 Preview al 93,2% e davanti a Eleven v4 al 91,7%.

Lo schema è coerente: non appena le voci smettono di essere mantenute costanti, Ming-3.0-tts perde terreno. È il segno distintivo di un modello la cui clonazione è più forte del suo set di voci predefinite, ed è esattamente l'aspetto che dovrebbe avere un checkpoint senza catalogo di voci ospitato. Ant offre più di 100 voci cinesi integrate e cinque voci inglesi; tre di quelle voci inglesi sono quelle che la commissione di Provider Voice ha effettivamente ascoltato, rispetto ai cataloghi accuratamente realizzati di ElevenLabs e Cartesia. Sulle voci clonate il campo si livella e il modello guadagna cinque posizioni.

Nota inoltre che i numeri si sono già discostati dal README di Ant stesso. La tabella del repository indica 1.069 Controllati e 13º in classifica generale, e 1.188 Provider e 17º in classifica generale. La classifica oggi riporta 1.068 e 12º, e 1.187,8 e 18º. I voti continuano ad arrivare; la linea si sposta. Chiunque citi queste cifre dovrebbe indicarne la data.

Il 93.2 è due vittorie e due sconfitte

La Robustezza della Pronuncia non è un unico test. Artificial Analysis la suddivide in quattro categorie, ciascuna con il proprio denominatore, ed è nella suddivisione che questo modello diventa leggibile.

• Conservazione di sequenze esatte — codici, percorsi di file, indirizzi email, identificatori. Ming-3.0-tts ottiene il 90,6%, primo su 31, con il secondo migliore, Fish Audio Drama 3 Preview, all'86,3% ed Eleven v4 al 78,8%. Questa è la categoria che decide se un bot di assistenza legge correttamente un numero d'ordine, e il margine non è affatto stretto.

• Espansione delle abbreviazioni — numeri, date, unità e notazione. Ming-3.0-tts ottiene il 96,5%, primo su 31, davanti a Eleven v4 al 94,1% e Fish Audio Drama 3 Preview al 93,6%.

• Contestualmente appropriato — eteronimi come "una ferita che viene fasciata" rispetto a "una fasciatura che viene avvolta". Ming-3.0-tts ottiene il 91,0%, 13º su 31. Gemini 3.8 Flash T​TS è in testa con il 98,0%.

{{1}}Termini autonomi{{/1}} — nomi di marchi, luoghi e termini tecnici. {{2}}Ming-3.0-tts{{/2}} ottiene 88,5%, 21º su 31. {{3}}Fish Audio Drama 3 Preview{{/3}} è in testa con 95,9%.

Un punteggio aggregato che si classifica a pari merito al primo posto pur posizionandosi 21º in una delle sue quattro componenti non è un paradosso; le due categorie in cui vince hanno i denominatori più ampi (1.084 degli 1.800 span giudicati sono casi di shorthand e sequence). Il README di Ant si fonda proprio su queste due vittorie, menzionando esplicitamente Expanding Shorthand al 96,5% e Preserving Exact Sequences al 90,6%, e l'esecuzione indipendente conferma entrambe. Semplicemente non menziona il 21º posto, che è la riga che un team di agenti vocali dovrebbe guardare prima di mettere in produzione un modello che deve pronunciare i cognomi dei clienti.

Il ventunesimo posto è anche la spiegazione più plausibile per un dettaglio nella scheda del modello di Ant: il set vocale inglese conta cinque voci contro oltre 100 in cinese. La copertura dei nomi propri in inglese è un problema di dati prima ancora che un problema di modellazione, e il dato sulla pronuncia dei termini è l'aspetto che quel divario assume quando qualcuno lo misura.

La metà della famiglia che non è sul tabellone

Ming-3.0-tts-tiny, la variante mixture-of-experts da 7,9B totali e 1,3B attivi costruita sul backbone Ling V3, non ha una riga in nessuna di queste classifiche. La voce dell'arena etichettata Ming-3.0-tts rimanda al checkpoint da 0,5B, e ogni numero sopra appartiene a quel checkpoint. I risultati pubblicati di Tiny sono quelli di Ant stessi — errore di parola in cinese 0,820% con similarità del parlante 0,781, tedesco 0,325%, spagnolo 0,971%, coreano 6,000% — e nessun soggetto indipendente li ha riprodotti. Trattali come dichiarazioni del fornitore; l'imbarazzante cifra coreana è almeno la prova che Ant pubblica la tabella invece di una selezione dei momenti migliori.

C'è un ambito in cui tiny sembra davvero in vantaggio rispetto al suo modello fratello nell'harness di Ant: la generazione di podcast multi-relatore, che il modello 0.5B non fa affatto. Si tratta di una capacità di prodotto più che di un vantaggio da benchmark, e non è presente nell'arena.

Eseguirlo, e quanto costa

Il checkpoint da 0,5B è un download da 2,96 GB — backbone, testa patch DiT, tokenizer audio, encoder dello speaker e tokenizer del testo — con licenza MIT, con output audio a 44,1 kHz. Ant lo ha testato su un H800-80GB e un H20-96G con PyTorch 2.6, CUDA 12.4 e transformers 4.46.3, e il repository include un Dockerfile. L'inferenza passa attraverso infer.py oppure la MingTTS classe Python; il repository Hugging Face è solo distribuzione del checkpoint e non funzionerà da solo.

Artificial Analysis ha misurato l'endpoint Ant ospitato a {{1}}44,3 caratteri al secondo{{/1}} di tempo di generazione, con un tempo mediano di generazione di {{2}}2,56 secondi{{/2}}. Per dare un'idea: un milione di caratteri di narrazione finita corrisponde a circa 6,3 ore di pura generazione su quella configurazione, prima del caricamento del modello o dell'accodamento. Non c'è un prezzo indicato perché non esiste un endpoint commerciale ospitato; si acquistano ore di GPU, non caratteri.

È qui che uno strato di routing è davvero utile senza pretendere di ospitare il modello. OrcaRouter non include Ming-3.0-tts — il catalogo non contiene alcun modello vocale Ming — e al modello si accede clonando il repository ed eseguendolo autonomamente. Ciò che invece offriamo è la metà testuale della stessa pipeline: oltre 200 modelli dietro un'unica chiave al prezzo di listino dei provider, senza alcun ricarico aggiunto, failover automatico tra provider, e un DSL di routing per comporli. Se stai costruendo una pipeline di narrazione o per agenti, il modello che scrive il copione è la parte che puoi consolidare oggi; il modello vocale è la parte che ospiti autonomamente.

Cosa guardare da qui

Tre cose cambierebbero questo quadro, e nessuna di esse si è ancora verificata.

La tabella di marcia di Ant riporta ancora il rapporto tecnico come non spuntato. Finché non sarà disponibile, la descrizione dell'architettura si riduce a un paragrafo e a un diagramma, e le tabelle di valutazione sono l'unica prova dettagliata sul comportamento del modello. Un rapporto spiegherebbe anche la lacuna nella pronuncia dei termini, che al momento è solo un'ipotesi.

Provider Voice ha ascoltato tre voci native. Si tratta di un campione esiguo per un modello che ne distribuisce cento in cinese e cinque in inglese, e il diciottesimo posto si sposterà man mano che verranno valutate più voci — in quale direzione non è possibile saperlo da qui.

E il checkpoint tiny resta non misurato da alcun soggetto indipendente. Se dovesse ottenere una riga, la domanda interessante è se un {{1}}mixture-of-experts Ling V3 a 1,3B attivi per token{{/1}} mantenga il vantaggio di fedeltà alla sequenza che rende distintivo il {{2}}modello 0.5B{{/2}}, oppure lo scambi con la somiglianza del parlante che le tabelle di Ant gli attribuiscono. Sui numeri del fornitore, tiny è la voce clonata migliore. Sugli unici numeri indipendenti che esistono, il 0.5B è quello che è stato testato, e ha superato la parte del test che la maggior parte delle persone non pensa di eseguire.