Ming-3.0-ttsがPronunciation Arenaで首位に、そしてそのデビューの残りはさらに興味深い

93.2%という数字において、Ming-3.0-ttsとFish Audio Drama 3 Previewの差はわずか0.01パーセントポイント——Ant Groupのモデルは1,800スパン中1,677スパンが正解、Fish Audioのモデルは1,916スパン中1,785スパンが正解——であり、小数点以下を除けば完全な同点だ。両者はいずれもEleven v4の91.7%を上回っており、多くの人が引用するのはこちらの数字だろう。この同点は紛れもない事実であり、ありのまま報じる価値はあるが、ボード上でもっとも情報量の少ない項目でもある。今週Ming-3.0-ttsを記事にする価値があるのは、Artificial Analysisの英語発音ロバストネス・リーダーボードで首位に立ったからではない。このモデルについてようやくボードが存在するようになったこと、そして見出しの数字の下にある4つのサブスコアが、見出しでは語りえないことを物語っているからだ。 このようなリリースの背景にある、記録されたAIの障害やエージェントのインシデントは、次にまとめられている：OrcaRouter AI Incident Archive 各エントリには独自の出典、深刻度、信頼度グレード、異議ありフラグが付されている。

サブスコアは大きく偏っている。Ming-3.0-ttsは「正確なシーケンスの保持」で計測対象31システム中トップの90.6%、「略語の展開」で96.5%を記録した。一方、「単独用語」では88.5%で31システム中21位につけており、これは多くの聴取者が「固有名詞の誤読」と呼ぶカテゴリーだ。単一の総合スコアの陰には、.env.localや「第XVII章」をボード上のどのシステムよりも上手く読み上げながら、ありふれた固有名詞ではGeminiやElevenLabsのシステムよりも頻繁につまずくモデルの実態が隠れている。それが勝ちと言えるかどうかは、あなたのテキストが何で構成されているか次第だ。

実際に変わったこと、そして変わらなかったこと

Ant Groupは今週このモデルを発表していないし、どの記事もそうでないかのように装うべきではない。リポジトリ内のタイムラインは公開されており、やや気まずいものだ：

• Ming-3.0-tts-0.5B と Ming-3.0-tts-tiny の Hugging Face リポジトリは、2026年9月22日にプレースホルダーのカードとともに作成されました。

• 0.5Bチェックポイント（2.96 GBのsafetensors、MITライセンス）は9月24日に公開されました。

• 推論コード、タスククックブック、サンプルスクリプトを収めたGitHubリポジトリは10月19日に公開された。これは、AntのREADMEがリリース月として示している日付でもあり、Artificial Analysisがそのモデル行に付記する日付でもある。

つまり、重みは4週間前のもので、実際に使えるリリースは1日前のものだ。10月19日に変わったのは、モデルが出荷されたことではない。推論コードが出荷され、それと同時に独立した測定結果が届いたことだ。それ以前は、公開された実行方法も第三者の数値も付いていないチェックポイントがあり、それについて書く人は誰もがAnt自身の表を引用していた。

その区別は、93.2%をどう読むかに関わってきます。Artificial Analysisは独自の評価ハーネスと独自の人間レビュアーを運用しており、これはAntの評価を再現したものではありません。評価日とサンプル数はボードに記載され、信頼区間は公開され、レビュアーの注意力チェックは方法論で説明されています。Antの外部の誰かがこのモデルに数値を付けたのはこれが初めてであり、しかもそれが良い数値だったのです。

3つのボード、3つの異なる答え

Artificial Analysis はテキスト読み上げのランキングボードを複数運営しており、Ming-3.0-tts がそのすべてを席巻しているわけではない。差は十分に大きいため、モデルをよく見せるものを都合よく引用するのは、一種の誤った伝え方である。

• すべてのシステムが同じ8つの参照音声（米国4、英国4）をクローンし、合成のみを比較するControlled Voiceでは、Ming-3.0-ttsが1,068 Eloを記録し、オープンウェイトモデル中1位、総合12位です。Fish Audio Drama 3 Previewは1,059でオープンウェイト中2位です。

• Provider Voiceでは、各システムが独自のネイティブ音声を使用します——Ming-3.0-ttsは1,188 Eloを記録し、総合18位、オープンウェイトモデルの中では3位で、1,247のFish Audio Drama 3 Previewと1,221のBreeze T​TS 2に続きます。Eleven v4 Turboが1,330で全体の首位に立っています。

• 発音の堅牢性、英語、人間による評価 — Ming-3.0-ttsは93.2%で、Fish Audio Drama 3 Previewの93.2%を僅差で上回って総合1位となり、Eleven v4の91.7%をリードしています。

パターンは一貫している。声を固定しなくなった途端、Ming-3.0-ttsは劣勢になる。これは、標準搭載の音声セットよりもクローニングの方が強いモデルの特徴であり、ホスト型音声カタログを持たないチェックポイントがまさにそう見えるべき姿である。Antは100以上の中国語内蔵音声と5つの英語音声を提供しており、その英語音声のうち3つが、ElevenLabsやCartesiaの丁寧に制作されたカタログと比較して、Provider Voiceボードが実際に聴いたものである。クローン音声では競争条件が対等になり、モデルは5位上昇する。

また、数値はすでに Ant 自身の README からずれている点にも注意してください。リポジトリの表には、Controlled が 1,069 で全体 13 位、Provider が 1,188 で全体 17 位とあります。本日のボードでは 1,068 と 12 位、1,187.8 と 18 位となっています。投票は届き続けており、数値は動きます。これらの数値を引用する人は、日付を添えるべきです。

93.2は2勝2敗です。

Pronunciation Robustnessは単一のテストではない。Artificial Analysisはそれを4つのカテゴリに分割しており、それぞれに独自の分母がある。そして、この分割によってこそ、このモデルの姿が読み解けるようになる。

• 正確なシーケンスの保持 — コード、ファイルパス、メールアドレス、識別子。Ming-3.0-ttsは90.6%を記録して31モデル中首位、次点はFish Audio Drama 3 Previewの86.3%、Eleven v4は78.8%です。これはサポートボットが注文番号を正しく読み上げられるかどうかを決めるカテゴリであり、その差は僅かではありません。

• 省略形の展開 — 数値、日付、単位、表記。Ming-3.0-ttsは96.5%を記録し、31件中1位で、94.1%のEleven v4と93.6%のFish Audio Drama 3 Previewを上回っています。

・文脈に即した適切さ — 「a wound that is bandaged（包帯を巻かれた傷）」と「a bandage that is wound（巻かれた包帯）」のような同形異音語。Ming-3.0-ttsは91.0%で31台中13位。Gemini 3.8 Flash T​TSが98.0%で首位。

• 単独用語 — ブランド名、地名、技術名。Ming-3.0-ttsは88.5%で31件中21位。Fish Audio Drama 3 Previewが95.9%で首位。

4つの構成要素のうち1つで21位でありながら総合では首位に並ぶのはパラドックスではない。それが勝ち取る2つのカテゴリーは最大の分母を持つ（判定対象の1,800スパンのうち1,084件が短縮表記とシーケンスのケースである）。Ant自身のREADMEもまさにこの2つの勝利に依拠しており、Expanding Shorthandの96.5%とPreserving Exact Sequencesの90.6%を挙げており、独立実行でも両方が確認されている。ただ21位については言及しておらず、それが顧客の姓を言う必要があるモデルを出荷する前に音声エージェントチームが見るべき行である。

21位というのは、Antのモデルカードにある詳細についても最ももっともらしい説明だ。英語の音声セットは5種類なのに対し、中国語では100種類以上ある。英語の固有名詞カバレッジは、モデリングの問題である前にデータの問題であり、用語発音の数値は、そのギャップを誰かが測定したときにどのように見えるかを示している。

ボードに載っていない家族の半分

Ming-3.0-tts-tiny は、Ling V3 バックボーン上に構築された、総パラメータ 7.9B・アクティブ 1.3B の mixture-of-experts 変種だが、これらのリーダーボードのどれにも行がない。Ming-3.0-tts とラベル付けされたアリーナのエントリーは 0.5B チェックポイントにリンクしており、上記の数値はすべてそのチェックポイントのものだ。Tiny の公表結果は Ant 自身によるもので、中国語は単語誤り率 0.820%、話者類似度 0.781、ドイツ語 0.325%、スペイン語 0.971%、韓国語 6.000% だが、独立した第三者による再現は誰も成功していない。これらはベンダーによる主張として扱うべきだ。恥ずかしい韓国語の数値は、少なくとも Ant がハイライト集ではなく表を公開している証拠ではある。

Antのハーネス上で、tinyがその兄弟モデルよりも本当に一歩先んじていると思われる点が1つある。マルチスピーカーのポッドキャスト生成だ。これは0.5Bモデルではまったく行われない。これはベンチマーク上の優位性ではなく製品機能であり、arenaには載っていない。

それを運用すること、そしてそれにかかるコスト

0.5Bチェックポイントは2.96 GBのダウンロードで、バックボーン、DiTパッチヘッド、オーディオトークナイザー、スピーカーエンコーダー、テキストトークナイザーを含み、MITライセンスの下で44.1 kHz音声を出力します。AntはH800-80GBとH20-96G上で、PyTorch 2.6、CUDA 12.4、transformers 4.46.3を用いてテストし、リポジトリにはDockerfileが含まれています。推論はinfer.py、またはMingTTSPythonクラスを介して実行します。Hugging Faceリポジトリはチェックポイントの配布専用であり、単独では動作しません。

Artificial Analysisは、ホスト型Antエンドポイントを測定し、生成時間あたり毎秒44.3文字、生成時間の中央値は2.56秒でした。規模感としては、完成したナレーション100万文字は、その構成でモデルの読み込みやキュー待ちを除いても、純粋な生成だけでおよそ6.3時間に相当します。ホスト型の商用エンドポイントが存在しないため、掲載価格はありません。購入するのは文字数ではなくGPU時間です。

ここが、モデルをホストするふりをせずにルーティング層が真に役立つ場面です。OrcaRouter は Ming-3.0-tts を扱っていません——カタログには Ming の音声モデルが一切ありません——そしてそのモデルにはリポジトリをクローンして自分で実行することで到達します。私たちが扱っているのは、同じパイプラインのテキスト側の半分です：プロバイダー定価で追加マークアップなしの1つのキーの背後に200以上のモデル、プロバイダー間の自動フェイルオーバー、そしてそれらを組み合わせるためのルーティング DSL。ナレーションやエージェントのパイプラインを構築しているなら、スクリプトを書くモデルが今日統合できる部分であり、音声モデルは自分でホストする部分です。

ここから何に注目すべきか

この状況を変える三つの要素があるが、そのいずれもまだ起こっていない。

Antのロードマップでは、技術レポートは依然として未チェックのままです。それが公開されるまで、アーキテクチャの説明は1段落と1枚の図にすぎず、モデルがどのように振る舞うかについての唯一の詳細な証拠は評価表です。レポートがあれば、現在は仮説にすぎない用語の発音に関するギャップについても説明できるでしょう。

Provider Voice は3つのネイティブ音声を聴取している。中国語で100、英語で5の音声を提供するモデルにとっては薄いサンプルであり、より多くの音声が採点されるにつれて18位は変動する——どちらの方向に動くかはここからは知りようがない。

そして、tinyチェックポイントは依然として独立した誰によっても測定されていない。仮にそれが表に1行追加されるとしても、興味深いのは、トークンあたり1.3BアクティブのLing V3 mixture-of-expertsが、0.5Bモデルを際立たせている系列忠実性の優位性を維持するのか、それともそれを、Ant自身の表が示す話者類似性と引き換えにするのか、という点だ。ベンダーの数値上は、tinyの方が優れたクローン音声だ。現存する唯一の独立系の数値では、実際にテストされているのは0.5Bの方であり、しかもそれは、ほとんどの人がわざわざ実施しようとは思わないテストの部分に合格した。