Ming-3.0-tts-tinyはファミリー内で最高のクローン音声を備え、韓国語では6位となりました

Ant Groupの新しい音声ファミリーで最高の話者類似度スコアは、アクティブパラメータ数が最も少ないモデルのものだ。Ming-3.0-tts-tinyは、トークンあたり約13億パラメータを活性化する7.9Bの混合専門家（MoE）チェックポイントであり、中国語のSeed-TTSセットでは話者類似度0.781を記録する。これはAntが公表した表のどこよりも高い数値で、自社のより小さい兄弟モデルの0.758よりも高い。韓国語では、同じモデルがAntがベンチマークした8システム中6位で、文字誤り率は6.000%だが、その0.5Bの兄弟モデルは1.728%に達する。どちらの数値も、同じチームが同じ日に実行した同じベンダーのハーネスによるものだ。両者の差こそ、このリリースで最も有用なものだ。このようなリリースの背景にある、文書化されたAIの障害やエージェントのインシデントは、the OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いている。

これはいずれも告知されていない。チェックポイントは2026年9月24日、リポジトリ自体が作成されてから2日後にHugging Faceで公開された。推論コード、サンプルスクリプト、タスククックブックが登場したのは10月19日になってからで、その日にGitHubリポジトリが公開され、最初のコミットが08:58 UTCに記録された。執筆時点で、Hugging Faceリポジトリはダウンロード数20、いいね3、GitHubリポジトリはスター5つだった。したがって、以下はローンチに関する報告ではなく、成果物の読み解きとして扱ってほしい。ここにあるものはすべてリポジトリで確認でき、そうでない部分はその旨を明記している。

韓国の結果は丸め誤差ではない

Antの多言語表は、その小型モデルを6言語で他の7つのシステムと比較している。見出しではなく、行全体を読んでほしい。

• ドイツ語 — 文字エラー率0.325%、8つの中で1位、次に良い0.612%を上回る。

• スペイン語 — 0.971%で1位、2位は1.184%。

• 日本語 — 3.427%、同率2位。

• フランス語 — 3.470%、2位だが、話者類似度0.733はトップ3に入らない。表は自身の制限事項セクションでそのように述べている。

• 韓国語 — 6.000%、8言語中6位。そして、モデルが他のすべての言語では上回っているシステムに、唯一負けている言語。

• 中国語と英語 — モデルが実際に中心に据えて構築されている2言語であり、話者類似性で最も優れている2言語でもあります。

{{1}}韓国語{{/1}}の数値は、同じ言語における{{2}}Ming-3.0-tts-0.5B{{/2}}のエラー率のおよそ3.5倍です。{{3}}Ant{{/3}}はその理由を説明しておらず、{{4}}モデルカード{{/4}}も推測していません。推測せずに言えるのは構造的なことです。これはスパースモデルであり、スパースモデルはトークンを一部のエキスパートにルーティングするため、混合の中で学習シグナルをあまり受けなかった言語は、総サイズが同程度の密なモデルよりも速く劣化する可能性があります。それはもっともらしいメカニズムであって発見ではなく、説明としてではなく検証すべき仮説として扱うべきです。実用的な解釈はより狭く、より擁護しやすいものです。韓国語が製品に含まれるなら、誰かが実際の韓国語テキストで実行するまで、これは手に取るべきチェックポイントではありません。

79億のパラメータは実際どこへ行くのか

名前は「tiny」をうたっているが、ファイルサイズはそうではない。その差の原因はアーキテクチャにある。

• 総パラメータ数 — Hugging Face のメタデータでは、BF16 で 8,980,964,372、F32 で 40,096 と報告されており、リポジトリは約 18 GB を占めています。リリースではモデルを 7.9B-A1.3B と説明しており、合計 79 億、トークンあたり約 13 億がアクティブであることを意味します。この説明は 10 月 16 日にモデルカードで修正され、以前の文言を置き換える形で更新されたため、新しい方の表現を引用してください。

• バックボーン — Ling V3。Ant がより大規模なテキストモデルに使用しているのと同じファミリーであり、密なスタックではなく、エキスパート混合（MoE）として実行されます。

• Head — バックボーンの隠れ状態を音声潜在表現に変換する拡散トランスフォーマー。続いて、別個の音声トークナイザーがそれらを波形にデコードします。

• バンドル — チェックポイントには、バックボーン、DiT ヘッド、音声トークナイザー、CAM++ 話者エンコーダー、テキストトークナイザーが 1 つのフォルダーにまとめられています。ダウンロードしているのは、アダプターを後付けした言語モデルではなく、1 つのパイプラインです。

• 出力と音声 — ファミリーの他のモデルと同じ幅広い操作体系を備えています。短い参照クリップからのゼロショットクローニング、自然言語による記述からの音声設計、自由形式のスタイル制御、100 以上の内蔵中国語音声と 5 つの英語音声、笑い・ため息・息遣い・ためらいに対応する 14 のインライン準言語タグ、さらに感情・速度・ピッチ・音量の明示的な設定が可能です。

• 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。なお、四川語と広東語は、その方言の参照クリップを提供した場合に利用できます。

• ライセンス — 重みとコードはMIT。使用上の注意として、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を求める注記が添えられている。この注記は要請であり、ライセンス条件ではない。

奇妙な帰結は、「tiny」がディスクやVRAMではなく、トークンあたりの計算量についての記述だということです。7.9Bモデルのメモリを消費しながら1.3Bモデルの速度を得るわけで、バッチ合成には妥当なトレードオフですが、ラップトップには不向きです。Ant自身の環境では推奨カードとしてH800を指定しており、リリース内容にそうでないことを示唆するものは何もありません。

それが勝つ5つの柱

このセクションのすべての数値はAnt自身のもので、Antのハーネス上でAnt推奨の推論設定を用いて測定されており、モデルカードにしか存在しません。ここではラベルがいつも以上に重要です。なぜなら、これらの数値はラベルなしで他所で引用されるからです。

• 話者類似度、中国語ゼロショット — 0.781、比較セット内で最高、単語誤り率は0.820%。英語は類似度0.728、誤り率1.666%に達し、こちらも同列で最高の類似度です。

• パラ言語的単一イベント、NVBench — モデルは6つすべての単一タグカテゴリで首位：中国語はエラー2.80 / 類似度17.23 / スコア3.20、英語は5.86 / 32.95 / 7.05。複数イベント文では英語の列で5.12 / 46.13 / 7.68と首位に立ち、中国語では4.49 / 32.88 / 5.81で中位につけている。

• 方言 — WSC-Eval-TTSのeasyセットは文字誤り率2.53%、類似度0.721、精度86.09%、hardセットは3.11%、0.738、88.94%。どちらもAntの表で初の記録です。広東語はbaseセットで7.40% / 0.605 / 92.90、coverageセットで8.67% / 0.653 / 95.16に達します。

• 感情 — 中国語のCV3セットでは平均74.00%、CV3Nでは30.67%、Sadサブセットの両方で1位、それ以外では目立った結果なし。

• ボイスデザイン — InstructTTSEval-ZHで平均75.37%、総合2位。属性プロンプトのスコアは85.10、説明は79.90、ロールプレイは61.10。ロールプレイが弱点で4位、モデルカードにもそう記載されています。

基本属性の表は最も地味で、おそらく最も有用です。年齢で93%、性別で93%、ピッチで78.70%、平均88.23%、単語誤り率0.274%、類似度0.742でした。ピッチは4つの制御項目の中で最も弱く、これはこのクラスの他のすべてのシステムが報告している内容と一致します。

ポッドキャストの番号こそが、これに注目すべき本当の理由だ。

0.5Bモデルはマルチスピーカーのポッドキャスト生成はできません。小型モデルなら可能で、Antのポッドキャスト表では比較の中で最高の内容精度の結果です。

• Ming-3.0-tts-tiny — 文字誤り率2.03%、条件付き話者類似度0.561、UTMOS 2.12。

• 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。

誤り率ではわずかな差で1位、類似性と自然性ではともに2位、そして自然性の差が興味深い点だ。ZipVoice-DiaはUTMOSで0.12上回る一方、正確性では1.36ポイント劣る。これは丸め誤差ではなく実際のトレードオフであり、小型モデルで次に改善すべきは文字起こしではなく対話の韻律であることを示唆している。この節の他のすべてと同様、Antの外部でポッドキャストを実際に通して結果を公開した人はいない。

リポジトリが立証していないこと

これを製品に組み込む前に、明確にしておくべき4つのギャップがある。

このチェックポイントには独立したスコアはありません。Artificial Analysis は音声アリーナに Ming-3.0-tts のエントリを確かに掲載しており、10月19日時点で Provider Voice ボードでは 1,188 Elo、Controlled Voice では 1,069 ですが、そのエントリは 0.5B モデルに紐づいており、このモデルではありません。GitHub README は結果セクションでそのアリーナの数値をその区別なしに再掲しており、こうした細部は2回転載される頃には誤った主張に変わりがちです。Ming-3.0-tts-tiny には別個のアリーナ結果も、測定されたスループットも、第三者の単語誤り率もありません。

技術レポートは存在しない。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挙げられており、10月16日にはモデルカードが、技術レポートへの言及を削除するためにわざわざ編集された。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いる。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。

ホストされたエンドポイントも価格もありません。これを呼び出す唯一の方法は、GPUを割り当ててコードを実行することであり、それは文字あたりの料金と比較するのとは別の話です。

そして、意図の表明もありません。ダウンロード数20と3件のいいねは品質の証ではなく、誰にも知らされていないという証です。告知がなければ、サポートへのコミットメントも、非推奨ポリシーも、ホスト型サービスが後に続くかどうかの示唆もありません。

実行するよ、よければ

Hugging Face リポジトリはチェックポイントの公開場所であり、そのカードには推論には GitHub プロジェクトが必要だと明記されています。だからこそ、9月のアップロードよりも10月のコミットのほうが重要です。環境は Python 3.10.15、PyTorch と torchaudio 2.7.1（CUDA 11.8）、transformers 4.46.3 に固定されており、H800 が推奨されています。エントリポイントは infer_tiny.py で、ming_tiny.MingTinyTTS クラスに対して実行し、thinking_v1 というプロンプトプロトコルを用います。公開されているデフォルト値は、classifier-free guidance スケール 2.0、温度 0、フローステップ数 10、シグマ 0.25、シード 1234（ポッドキャストタスクでは 1235）です。また、リポジトリはフラグ駆動型の単一エントリポイントではなく、タスクごとに個別のスクリプトを提供しています。vLLM-Omni のサポートはロードマップ上にあり、まだ確認されていないため、現時点で高スループットのサービング経路はありません。

これを製品向けに評価しているなら、妥当な段階的導入は、実績のないオープンウェイトのチェックポイントに使うのと同じやり方です。クリティカルパスから外し、実際に提供している言語で自社の音声に対して実行し、それから初めて判断してください。OrcaRouter は Ming-3.0-tts-tiny をルーティングせず、ここでの記述はそう主張していると読むべきではありません。カタログに Ming の音声モデルは載っていません。載っているのは音声システムの残りの部分です。openai/tts-1、openai/tts-1-hd、openai/gpt-4o-mini-tts に加えて Ge​mini TT​S のプレビュー版がプロバイダー定価で、追加のマークアップなし、そして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パイプラインの半分向けにあります。プロバイダー間の自動フェイルオーバーにより、セルフホスト音声の半分がその枠を獲得する価値があるか判断している間も、ホスト可能なテキストの半分は稼働し続けます。

次の本当のシグナルは、もう一つのベンダー比較表ではない。それは、Antの外にいる誰かがこれを韓国語で、あるいはポッドキャストで実行し、何が壊れたかを公開することだ。それが存在するまでは、擁護できる要約は狭いものになる。すなわち、スパースで、MITライセンスの、9言語対応の音声モデルで、同ファミリー内で最高のクローン音声スコアを持ち、真にマルチスピーカー向けのポッドキャスト結果があり、説明を要する韓国語のコラムがあり、まだ起きていない発表がある、という要約だ。