Ming-3.0-tts vs Ming-3.0-tts-tiny: il checkpoint più piccolo è il download migliore, e quello più grande è l'unico che qualcuno abbia mai misurato

Ant Group ha rilasciato due modelli vocali con lo stesso nome, e la denominazione è la prima cosa che ti trarrà in inganno. Ming-3.0-tts-the-default è il modello denso da 0.5B: 2.96 GB su disco, un backbone Qwen2.5-0.5B, veloce, economico e l'unico dei due con un punteggio indipendente. Ming-3.0-tts-tiny è il più grande dei due, di un ordine di grandezza — un modello a miscela di esperti da 7,9 miliardi di parametri con 1,3 miliardi attivi per token, basato sul backbone Ling V3, 18 GB di pesi suddivisi in shard — ed è chiamato tiny per quanto costa eseguirlo, non per quanto costa scaricarlo. Se scegli in base all'etichetta, otterrai il file sbagliato. I fallimenti dell'IA e gli incidenti degli agenti documentati alla base di rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

La seconda cosa che ti trarrà in inganno è la classifica. Artificial Analysis riporta una riga Ming-3.0-tts con 1.188 Provider Voice Elo e il 93,2% di robustezza della pronuncia, e quella riga rimanda al checkpoint 0.5B. Niente di tutto ciò appartiene a tiny. I numeri di tiny sono le tabelle di Ant, pubblicate nella model card e nel README di GitHub, e nessuna terza parte ne ha riprodotto alcuno. Quindi il confronto onesto ha due metà: un modello con prove indipendenti e senza modalità podcast, un modello con prove del fornitore e una capacità che all'altro manca. Quale metà ti serve è una questione che riguarda il tuo carico di lavoro, non quale modello sia migliore.

Stessa famiglia architetturale, due macchine molto diverse

Entrambi i modelli condividono il framework di generazione che Ant descrive nel README: testo e token di controllo specifici per l'attività condizionano un modello linguistico, che guida una testa patch diffusion-transformer che emette token audio. La differenza sta nel modello linguistico sottostante. Il 0.5B usa un Qwen2.5-0.5B denso; tiny usa un mixture of experts sparso Ling V3 con 7,9B complessivi e circa 1,3B attivati per token.

• Dimensione del download — Ming-3.0-tts 2,96 GB rispetto a Ming-3.0-tts-tiny circa 18 GB distribuiti su 30 shard

• Parametri — 0,5B dense vs 7,9B totali / 1,3B attivi MoE

• Backbone — Qwen2.5-0.5B vs Ling V3

• Runtime — PyTorch 2.6 + CUDA 12.4 su stack dell'era Python 3.8 rispetto a Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Hardware — testato su H800-80GB e H20-96G rispetto all'H800 consigliato, SGLang-Omni può essere eseguito su una singola GPU

• Generazione di podcast multi-relatore — non supportata vs supportata

• Licenza — MIT vs MIT

• Punteggio indipendente dell'arena — sì, 1.188 Provider / 1.068 Controllati / 93,2% di pronuncia rispetto a nessuno

I due checkpoint non condividono un ambiente Python. Non è una stranezza della documentazione; significa che un team che vuole valutarli entrambi sulla stessa macchina deve mantenere due virtualenv, e un team che vuole confrontarli in A/B in produzione deve mantenere due immagini di deployment. Se il vostro piano è "partire con quello piccolo e aggiornare più avanti", mettete in budget la migrazione come un vero e proprio lavoro, non come un cambio di configurazione.

Dove il piccolo è davvero migliore, sui numeri dello stesso Ant

La somiglianza con il parlante è il vantaggio più chiaro e più costante, ed è il numero che decide se una voce clonata suona come la persona.

• Similarità del parlante cinese di Seed-TTS — Ming-3.0-tts 0.758 vs tiny 0.781

• Similarità del parlante inglese di Seed-TTS — 0,691 vs 0,728

• Somiglianza con il tedesco — 0.753 vs 0.791

• Somiglianza con lo spagnolo — 0.763 vs 0.797

• Somiglianza con il francese — 0.675 vs 0.733

• Somiglianza con il giapponese — 0.765 vs 0.780

• Somiglianza coreana — 0.793 vs 0.797

Tiny vince in ogni lingua sulla similarità, di solito di tre-sei punti, e il pattern si conferma anche nei benchmark di controllo: 74,00% di media su CV3 emotion contro 72,33%, e 75,37% sull'accuratezza del voice-design contro 72,29%. Sono le due cose che un cliente nota senza che gli vengano dette — sembro io? e ha fatto quello che avevo descritto? Su entrambe, il MoE da 7,9B è in vantaggio.

L'accuratezza dei contenuti si divide nel senso opposto, e la divisione non è simmetrica.

• Errore di parola in cinese di Seed-TTS — 0,800% vs 0,820%. Di fatto un pareggio; il modello dense è marginalmente avanti.

• Errore sulle parole inglesi di Seed-TTS — 1,584% vs 1,666%. Dense in vantaggio.

• Tedesco — 0.365% vs 0.325%. Leggermente avanti.

• Spagnolo — 1,099% vs 0,971%. Leggermente in vantaggio.

• Francese — 4.264% vs 3.470%. Tiny è in vantaggio con un ampio margine.

• Errore sui caratteri giapponesi — 3,765% vs 3,427%. Leggermente in vantaggio.

• Errore sui caratteri coreani — 1,728% vs 6,000%. Dense è avanti di un fattore di tre volte e mezzo.

Il coreano è l'eccezione che dovrebbe impedire a chiunque di considerare chiusa la questione «tiny è migliore nel multilingue». La scheda di Ant stessa lo segnala: il coreano presenta il maggiore divario di accuratezza multilingue nel modello tiny, e il valore del 6.000% è più del triplo di quanto riesca a fare il modello da mezzo miliardo. Un team che sviluppa per il mercato coreano ha una risposta chiara, e non è il modello più grande.

La capacità che non è un benchmark

Ming-3.0-tts-tiny genera dialoghi podcast multi-parlante a partire da una sceneggiatura con riferimenti ai parlanti. Ming-3.0-tts no. Si tratta di una capacità del prodotto, non di un punteggio, e non compare in alcuna classifica — ed è proprio per questo che è facile trascurarla quando si confrontano schede tecniche che elencano entrambe «clonazione vocale» e «voice design».

La valutazione del podcast di Ant, sul suo harness, colloca tiny a un tasso di errore sui caratteri del 2.03% con similarità del parlante 0.561 e UTMOS 2.12, contro ZipVoice-Dia a 2.24 UTMOS, FireRedTTS2 a 3.34% CER e MOSS-TTSD a 8.62%. Il divario UTMOS è quello da notare: tiny è in vantaggio sull'accuratezza dei contenuti e in svantaggio rispetto al miglior confronto sulla naturalezza, che è lo stesso compromesso suggerito dai numeri di similarità del parlante dalla direzione opposta. La generazione di podcast premia l'alternanza dei turni e la coerenza del parlante più di quanto premi un singolo clip perfetto, e questa è la forma del vantaggio di tiny.

Se ti servono due persone che conversano, qui non c’è confronto: un modello è in grado di farlo e l’altro no. Tutto il resto di questo articolo riguarda il caso in cui entrambi possono svolgere il lavoro.

Quanto ti costa davvero il divario di indipendenza

Vale la pena capire la posizione nell'arena del modello 0.5B prima di decidere quanto peso darle. Ottiene 1.188 Provider Voice Elo, 18º su 97, e 1.068 Controlled Voice, primo tra i modelli open-weight e 12º in classifica generale. Sulla pronuncia è al 93,2%, di fatto alla pari con Fish Audio Drama 3 Preview e davanti a Eleven v4. Sono misurazioni indipendenti con numero di campioni e intervalli di confidenza pubblicati.

Quello che ti dà è calibrazione. Sai all’incirca dove si colloca il modello denso rispetto a ElevenLabs e Cartesia, perché lo stesso laboratorio ha misurato tutti e tre sulla stessa classifica. Per tiny, sai solo ciò che dice Ant, misurato con l’harness di Ant e le impostazioni di Ant, e Ant è la parte interessata al risultato. Non è un’accusa — le tabelle sono insolitamente franche, incluso il dato coreano e un elenco di limitazioni che indica il controllo del pitch e il voice design per il role-play come punti deboli. È un’affermazione su ciò che un numero può supportare. Una tabella del fornitore ti dice che il modello è competitivo sugli assi che il fornitore ha scelto di misurare; una riga dell’arena ti dice dove si colloca rispetto ai sistemi che già usi.

C'è anche un dettaglio specifico che la classifica indipendente non ti dice: ha misurato una sola voce. Artificial Analysis osserva che ogni modello viene valutato nella classifica di pronuncia con una singola voce, e la riga di Ming usa l'endpoint di Ant con tre voci native disponibili. Non è noto se il 93,2% resti valido anche con le voci clonate che un prodotto metterebbe effettivamente sul mercato, ed è la prima cosa che vale la pena testare di persona.

Scegliere, in pratica

L'albero decisionale è breve.

Scegli Ming-3.0-tts (0.5B) se vuoi il download più piccolo ma utilizzabile, se stai facendo il deployment per il coreano, se il tuo hardware è una singola scheda da 80 GB che usi anche per altre cose, oppure se ti serve un modello il cui comportamento sia stato misurato da qualcun altro che non sia il suo autore. Con 2,96 GB e 44,3 caratteri al secondo sul banco di prova indipendente, è un narratore utilizzabile che supera la velocità del parlato in tempo reale su una singola GPU.

Scegli Ming-3.0-tts-tiny se la similarità del parlante è il prodotto — una voce di brand clonata, una lettura ad alta voce personalizzata, qualunque cosa in cui il primo giudizio dell'ascoltatore sia "sembra proprio quella persona" — oppure se hai bisogno di dialoghi da podcast, o se il vincolo è l'accuratezza in francese, tedesco, spagnolo o giapponese. Metti in conto 18 GB di pesi, un ambiente Python 3.10 separato e una scheda di classe H800.

Non prendere nessuno dei due, ma se ti serve un numero indipendente prima di impegnare capacità produttiva su tiny. La riga dell'arena non esiste, il rapporto tecnico non è ancora spuntato nella roadmap, e l'accelerazione vLLM-Omni è contrassegnata come completata nel README senza alcuna ricetta pubblicata. Queste tre lacune sono esattamente le tre cose che renderebbero tiny facile da consigliare.

Una nota operativa valida per entrambi: nessuno dei due checkpoint esegue streaming. Non è pubblicato alcun tempo al primo audio per nessuno dei due modelli, e il valore di throughput dell'arena si riferisce alla generazione su una richiesta completata. Se la tua applicazione è conversazionale, questa famiglia non è lo strumento adatto, indipendentemente dalla dimensione che scegli.

La questione del routing, che qui è diversa

La maggior parte dei confronti su questo sito si conclude con un paragrafo sul consolidamento dell'accesso. Questo non può farlo, perché OrcaRouter non ospita nessuno dei due checkpoint Ming — il catalogo non contiene alcun modello vocale Ming, ed entrambi si ottengono clonando il repository GitHub di Ant ed eseguendo i pesi autonomamente. Dire il contrario sarebbe una bugia che un lettore potrebbe verificare in trenta secondi.

Ciò che è vero è più ristretto e comunque utile. Una pipeline vocale di solito è testo prima di tutto: qualcosa scrive il copione, qualcosa lo traduce, qualcosa lo verifica rispetto a uno stile aziendale. Quella fase testuale può stare dietro un'unica chiave — più di 200 modelli al prezzo di listino del fornitore senza alcun ricarico aggiunto, failover automatico quando le prestazioni di un fornitore peggiorano, e un DSL di routing per inviare un'attività a un modello diverso in base a ciò che contiene la richiesta. La fase vocale in questo confronto resta comunque sul tuo hardware, e il percorso self-hosted è ciò che rende reversibile la scelta tra i due checkpoint: i pesi MIT non scadono, e un modello che hai già su disco è uno che puoi continuare a servire mentre valuti il suo sostituto.

Cosa lo risolverebbe

Tre sviluppi, in ordine di quanto sposterebbero la raccomandazione. {{1}}Una minuscola riga sull'arena ti direbbe se il vantaggio di similarità sopravvive a un confronto all'ascolto in cieco, che è l'unico test che non è stato ancora eseguito.{{/1}} {{2}}Il rapporto tecnico spiegherebbe perché un MoE con 1,3B attivi guadagna in similarità del parlante e perde in accuratezza sul coreano, e se ciò sia dovuto a una suddivisione dei dati o a una conseguenza architetturale.{{/2}} E {{3}}una ricetta vLLM-Omni pubblicata renderebbe il checkpoint da 18 GB praticabile su hardware a noleggio anziché un deployment di ricerca.{{/3}}

Fino ad allora, il modo utile di inquadrare la questione è che Ant ha rilasciato due modelli per due compiti e ha dato loro nomi che fanno sembrare il compito più piccolo il file più piccolo. Non è così. Il 0.5B è quello che puoi misurare, distribuire e difendere in una revisione di progettazione; il 7.9B è quello che suona più simile alla persona che hai clonato, in sei lingue su sette, se puoi permetterti di darlo per buono.