Ming-3.0-tts-0.5Bは2度出荷されたが、Ant Groupはどちらも発表しなかった

3つの日付がMing-3.0-tts-0.5Bに結び付けられており、それぞれが異なる出来事を示しています。Hugging Faceリポジトリは2026年9月22日に作成され、重みは2日後にアップロードされました。GitHubリポジトリは2026年10月19日まで存在せず、その日に「Initial release of Ming-3.0-tts」というタイトルの最初のコミットが現れました。Artificial Analysisは同日にモデルページを開設し、スコアを付けました。inclusionAIによるブログ投稿もプレスリリースもなく、どちらの日付についても、当方が見つけられたローンチスレッドはありませんでした。これを執筆している時点で、チェックポイントのダウンロード数は6回、いいねは0でした。GitHubリポジトリのスターは2つでした。このようなリリースの背景にある、文書化されたAI障害やエージェントインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の出典、重大度、信頼度グレード、異議ありフラグが付いています。

そのことは、この記事の残りをどう読むべきかに影響する。Ant Groupのオープンウェイト部門は、14タグのパラ言語システム、テキストから音声を設計する機能、2つの中国方言、そしてベンチマーク結果の完全な表を備えた、MITライセンスの完全な音声モデルを公開した。しかしこれまでのところ、それについて誰にも知らせていない。以下では、リポジトリが証明していることと、Antだけが確認できることを分ける。

3つの日付と、それぞれが実際にカバーする内容

混乱は作為的に生み出されたものではない。Ant自身の2つのリポジトリは公の場で互いに食い違っており、どちらも間違っていない。

• 2026年9月22日 12:46 UTC — Hugging Faceリポジトリが、プレースホルダーのREADMEのみで構成された最初のコミットによって作成されます。重みはまだありません。

• 2026年9月24日 04:21 UTC — チェックポイントは upload-large-folder コミットによって配置され、その20分後にモデル固有の README が続きました。この時点でモデルはダウンロード可能になりますが、ダウンロードする人はほとんどいません。

• 2026年10月19日 07:03 UTC — GitHubリポジトリが作成される。08:58 UTC、最初のコミット「Initial release of Ming-3.0-tts」によって、推論コード、Dockerfile、ワンクリックのサンプルスクリプト、タスククックブックが追加される。ドキュメント関連のコミットは午後いっぱい続く。

GitHub README の News セクションには、0.5b モデルと tiny モデルが「2026.10」にリリースされたと書かれています。Hugging Face のカードには日付についてまったく記載がありません。どちらも同じ成果物を説明しています。チェックポイントは9月に存在し、使用可能なリリース——コード、環境の固定、サンプル——は10月に登場しました。調達文書用にモデルの日付を記すなら、公開されたのは9月22日です。実行できるものとして日付を記すなら、10月19日が正直な答えです。

私たちがお伝えできないのは、その理由です。静かな公開は、モデルカードに説明を任せることを前提とする研究組織にとっては普通のことです。また、より大きな発表が計画されているときの段階的リリースにも見えます。どちらのリポジトリにもどちらなのかは書かれておらず、私たちは推測するつもりはありません。

0.5Bチェックポイントの中には何が入っていますか

このモデルは、Qwen2.5-0.5B をバックボーンとする密な音声生成器で、拡散トランスフォーマーのパッチヘッドと別個の音声トークナイザーを備えています。リリースバンドルは単なる言語モデルではありません。リポジトリには、バックボーン、DiT ヘッド、音声 VAE、ONNX 形式の CAM++ 話者エンコーダー、テキストトークナイザーがすべて 1 つのフォルダーに含まれています。このパッケージング上の決定が、すぐに直面する不一致を説明しています。

• パラメータ — モデルカードとモデル名には0.5Bと記載されていますが、Hugging Face自身のメタデータではリポジトリが1Bとされており、単一のmodel.safetensorsファイルは2.96 GBです。0.5Bという数値は言語バックボーンのものです。実際にダウンロードするバンドルは、bf16でその約3倍になります。

• 出力 — 44.1 kHz オーディオ。これはほとんどのオープンソース TTS リリースより高く、ファイルインスペクターを使えば10秒で確認できる、ここでの数少ない検証可能な主張の一つです。

• 言語 — 中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語。さらに、その方言の参照クリップが提供された場合は四川語と広東語。

• ボイス — 短い参照クリップからのゼロショットクローニング、自然言語の説明による音声デザイン、そして100種類以上の中国語音声と5種類の英語音声を備えた内蔵キャスト。

• コントロール — 笑い、ため息、咳、息遣い、ためらいのための14個のインラインタグに加え、感情、速度、ピッチ、音量の明示的な設定。このカードは、ピッチが4つの中で最も精度が低いことを率直に認めています。

• タスク — T​TS、自由形式の指示、ボイスデザイン、多言語、基本属性、感情、方言、および内蔵音声モード。各コントロールは設計上相互排他的です。自由形式はボイスデザインや内蔵音声と組み合わせることはできません。

• ライセンス — MIT。モデルの重みにもコードにも同じく適用されます。Ant の利用に関する免責事項では、同意なく他者になりすまさないこと、合成音声にはラベルを付けることが求められていますが、これはライセンス条件ではなく要請です。

同じリリースには2つ目のモデルがあります。Ming-3.0-tts-tinyはLing V3バックボーン上のmixture-of-experts設計で、総パラメータ7.9B、アクティブ1.3Bであり、0.5Bモデルにはない複数話者ポッドキャスト生成を追加しています。特に小さいモデルに関心があるなら、有用な捉え方は、0.5Bが軽量デプロイでtinyが能力の上限だということであり、一方が他方を置き換えるということではありません。

ベンチマークの表と、それを誰が作成したのか

モデルカード内のすべての数値は、Ant独自の評価ハーネスに由来しています。これは批判ではありません。リリース表とはそういうものだからです。しかし、その表はその注記なしで他所で引用されているため、ここに明記しておきます。

• ゼロショット Seed-TTS、中国語 — 単語誤り率 0.800%、話者類似度 0.758。

• ゼロショット Seed-TTS、英語 — 単語誤り率 1.584%、話者類似度 0.691。

• NVBench 準言語的、単一イベント — 中国語の文字誤り率 2.70、英語 7.60。

• 方言、WSC-Eval-TTS-easy — 文字エラー率2.27%、精度80.68%。

• 音声デザイン、InstructTTSEval-ZH — 平均72.29%。

• 基本属性制御 — 平均93.30%、単語誤り率0.317%。

興味深いのは、同じ表がモデル自身の選んだ競合他社に対して何を示しているかだ。中国語のゼロショット誤り率では、CosyVoice3-1.5Bが0.710%、Qwen3-TTS-12Hz-1.7B-Baseが0.770%を記録し、いずれもMingの0.800%を上回る。話者類似度では、CosyVoice3-0.5Bの0.780がMingの0.758を上回る。英語の誤り率では、Qwen3-TTS-12Hz-1.7B-BaseがMingの1.584%に対して1.240%に達する。

つまりMing-3.0-tts-0.5Bは、自身の比較対象の中ですら精度の王座を主張しておらず、その必要もありません。その強みは、他のモデルが埋めていない項目にあります。方言制御、音声設計、そしてほとんどの単一イベントカテゴリで先頭に立つパラ言語スイートです。このカードは「最高の誤り率」ではなく「5億のバックボーンパラメータでの広範な制御」として読むべきであり、そう読めば十分に通用します。

このカードは、自身の弱点を異例なほど率直に挙げている点も、繰り返す価値があります。ほとんどのカードはそうしていないからです。話者類似度は内容の正確さに劣り、フランス語の類似度は多言語における最も明確なギャップであり、複数イベントを含むパラ言語文は依然として不安定で、言葉自体に感情的な信号がない場合には感情制御が低下し、オープンエンドの音声設計は、比較対象とした最強のシステムにはまだ及んでいません。

最初の独立した数値は、発表が行われる前に届いた

Artificial Analysisは10月19日にMing-3.0-ttsを自社のスピーチアリーナに追加し、そのエントリーをまさにこの0.5Bチェックポイントにリンクした。これにより、カードが未解決のままにしていた一つの疑問が決着する。すなわち、スコア評価の対象となったモデルは小さい方だ。二つのボード、二つの結果、そしてそれらは異なる方向を指している。

• Provider Voice（各モデルが独自のネイティブ音声を使用）— Elo 1,188、95%区間 1,173～1,203、ボード上の98モデル中19位、オープンウェイトモデルの中では3位で、Fish Audio Drama 3 Preview（1,245）とBreeze T​TS 2（1,220）に次ぐ。

• Controlled Voiceでは、すべてのモデルが同じ8つの参照音声をクローンする——Elo 1,069、区間1,053～1,085、総合14位でオープンウェイトモデル中1位、Fish Audio Drama 3 Preview（1,059）とBreeze T​TS 2（1,019）を上回る。

• 速度 — Artificial Analysisのハードウェア上での生成時間の中央値は1秒あたり42.1文字で、1リクエストあたりの生成時間の中央値は2.46秒でした。参考までに、同じ環境でSimba 3.2は77.8文字/秒、Qwen-Audio-3.0-TTS-Plusは25.6文字/秒を記録しています。

その切り分けは、このモデルについて公開されたものの中で最も有用だ。同モデルのクローン音声は、ボード上の最高のオープンウェイト系システムと互角だが、自前の声の顔ぶれはそうではない。Antのネイティブ音声録音がどのようなものであれ、プロバイダー音声ランクを押し下げているのはその部分であり、それはアーキテクチャ上の問題ではなく、修正可能なエンジニアリング上の問題だ。

検証できなかったベンダー主張が1つあります。プロジェクトページには、Ming-3.0-ttsがArtificial Analysisの発音堅牢性指標で93.2%を記録して総合1位、さらにそのサブカテゴリのうち2つで1位だと記載されています。この指標は実在し、Artificial Analysisも公開していますが、私たちが読めたページデータにはモデルごとの値が公開されていません。そのため、自分で棒グラフを確認するまでは、93.2%はベンダーが主張している数値として扱ってください。

実行には約20分と3回の修正が必要です

Hugging Face のリポジトリは、チェックポイントを配布しているだけです。冒頭付近の注意書きにもそう書かれています。推論には GitHub プロジェクトが必要で、カードで言及されている Python API と CLI はそこから提供されています。これが最初の障壁であり、10月のリポジトリが9月のアップロードよりも重要な理由です。

2つ目はテキスト正規化です。数値、日付、単位、記号は pynini を必要とする FST 文法で処理されますが、pynini にはユニバーサルホイールがありません。Ant 自身の手順では、バージョン 2.1.6 について conda-forge を使うよう案内しています。そうしたくなければ、--no_text_normalization でこれをスキップでき、テキストがすでに持っている見た目のまま引き継がれます。本番のナレーションパイプラインでは、これは脚注ではなく現実的な判断です。

3つ目はハードウェアです。環境は PyTorch 2.6、CUDA 12.4、transformers 4.46.3 に固定されており、Dockerfile が提供され、H800-80GB と H20-96G でテスト済みです。flash-attn はオプションで、推論は PyTorch SDPA にフォールバックします。このリリースには、コンシューマー向けカードで快適に動作することを示唆するものは何もなく、Ant 以外で小型ハードウェア上のスループット数値を公開した人はまだいません。

環境が立ち上がった後、最小実行可能な呼び出しは、参照クリップとその書き起こしを指定した1回のCLI呼び出しです。クローンはその両方を条件とし、--use_spk_emb を指定すると話者埋め込みによる条件付けが有効になります。また、重みをロードせずにチェックポイントとトークナイザーを確認するプリフライトスクリプトもあり、不良ダウンロードにGPU割り当てを費やす前に実行する価値があります。

まだ何が知り得ないのか

このモデルをどう評価すべきかを変える4つのことがあるが、それらはまだどれも存在しない。

ホスト型エンドポイントはなく、価格もありません。Artificial Analysis が価格フィールドを空として掲載しているのは、価格を付ける対象が何もないからです。これを呼び出す唯一の方法は、自分で実行することです。GPU を持つチームには問題ありませんが、それ以外のすべての人にとっては問題であり、このリリースと比較対象となるホスト型音声との間の唯一最大の実用的違いです。

技術レポートは存在しない。GitHubのロードマップでは未チェックのチェックボックスとして記載されており、Antはモデルカードから未確認の報告への以前の言及を削除した。その結果、アーキテクチャの説明は図と1段落のレベルにとどまっており、モデルを実行するには十分だが、学習に関する主張を再現するには不十分である。

独立した誤り率の再現結果は存在しない。Seed-TTSとNVBenchの数値はAntのものであり、AntのプロトコルとAnt推奨の推論設定で測定されている。アリーナスコアは独立しているが、測っているのは選好であり正確度ではない。このチェックポイントについて、研究室の外で単語誤り率を公表した者はいない。

そして、意図についての声明はありません。アナウンスがないということは、サポートへのコミットメントも非推奨ポリシーもなく、ホステッドサービスが登場するかどうかの示唆もないということです。MIT の下での研究リリースとしては、それはまったく意図的なものかもしれません。製品に組み込もうと考えている人にとっては、それはリスクとして織り込まなければならないものです。

OrcaRouterはMing-3.0-tts-0.5Bをルーティングしておらず、本記事もそうした示唆として読まれるべきではありません。カタログにMingの音声モデルは掲載されていません。カタログに掲載されているのは音声パイプラインの残りの部分です。openai/tts-1とtts-1-hd、gpt-4o-mini-tts、そしてGemini TTSのプレビュー版を、プロバイダーの定価のまま追加マークアップなしで提供しており、同じキーの背後にある200以上のテキストモデルが、スクリプトを書いたりエージェントを動かしたりするシステムの半分を担います。実績のないオープンウェイトの音声モデルを評価しているなら、その役割を果たすまでクリティカルパスから外しておくのが賢明なデプロイです。プロバイダー間の自動フェイルオーバーは、判断を下す間、そのパイプラインのテキスト側を稼働させ続ける方法です。

次の真のシグナルは、別のベンチマーク表ではない。それは、Antの外で初めて自分の音声に対して0.5Bチェックポイントを実行し、何が壊れたかを公開する人だ。それが存在するまでは、擁護できる要約は狭い。真に高性能で、MITライセンスの、44.1 kHz多言語音声であり、独立系ボードでオープンウェイトのクローンボイススコア最高を記録し、ネイティブ音声の顔ぶれは弱く、リリースは未発表で、ホスティング先もない。それは有望な研究用成果物であり、まだ製品判断ではない。