Ming-3.0-tts vs Ming-3.0-tts-tiny：小さい方のチェックポイントの方がダウンロードに適しており、大きい方はこれまでに測定された唯一のものだ

Ant Group は2つの音声モデルを1つの名前でリリースしましたが、その命名こそが最初にあなたを誤解させるものです。Ming-3.0-tts-the-default は 0.5B の dense モデルです。ディスク上 2.96 GB、Qwen2.5-0.5B バックボーン、高速で安価、そしてこのペアで唯一独立したスコアを持つものです。Ming-3.0-tts-tiny は2つのうち桁違いに大きい方です — 7.9B パラメータの Mixture of Experts で、トークンあたり 1.3B がアクティブ、Ling V3 バックボーン上に構築され、重みはシャード化されて 18 GB — そして tiny と呼ばれているのは、ダウンロードにかかるコストではなく、実行にかかるコストのためです。ラベルで選ぶと、間違ったファイルを手に入れることになります。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、以下に集められています: OrcaRouter AI Incident Archive。そこでは各エントリが、独自の情報源、重大度、信頼度グレード、異議ありフラグを持っています。

あなたを誤解させる2つ目はリーダーボードです。Artificial AnalysisにはMing-3.0-ttsの行があり、Provider Voice Elo 1,188、発音ロバスト性93.2%とされ、その行は0.5Bチェックポイントにリンクしています。しかし、そのどれもtinyのものではありません。tinyの数値はAnt自身の表で、モデルカードとGitHub READMEに公開されており、第三者によって再現されたものは一つもありません。したがって、正直な比較には二つの側面があります。一方は独立した証拠がありポッドキャストモードを持たないモデル、もう一方はベンダーの証拠があり、相手には欠けている機能を持つモデルです。どちらの側面が必要かは、どちらのモデルが優れているかではなく、あなたのワークロードに関する問いです。

同じアーキテクチャファミリーでありながら、まったく異なる2台のマシン

両モデルは、AntがREADMEで説明している生成フレームワークを共有している。テキストとタスク固有の制御トークンが言語モデルを条件づけ、その言語モデルが音声トークンを出力する拡散トランスフォーマーのパッチヘッドを駆動する。違いは土台となる言語モデルにある。0.5Bは密なQwen2.5-0.5Bを使用し、tinyは疎なLing V3の混合エキスパート（合計7.9B、トークンあたり約1.3Bが活性化）を使用している。

• ダウンロードサイズ — Ming-3.0-tts 2.96 GB に対し、Ming-3.0-tts-tiny は30シャード全体で約18 GB

• パラメータ — 0.5B dense 対 7.9B 合計 / 1.3B アクティブ MoE

• バックボーン — Qwen2.5-0.5B 対 Ling V3

• ランタイム — Python 3.8 世代のスタック上の PyTorch 2.6 + CUDA 12.4 対 Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• ハードウェア — H800-80GB および H20-96G でテスト済み（H800 を推奨）。SGLang-Omni は 1 台の GPU で提供可能

• 複数話者ポッドキャスト生成 — 未対応 vs 対応

• ライセンス — MIT vs MIT

• 独立系アリーナスコア — あり、プロバイダー 1,188 / コントロール 1,068 / 発音 93.2% 対 なし

2つのチェックポイントはPython環境を共有していません。これはドキュメント上のちょっとした癖ではなく、同じマシン上で両方を評価したいチームは2つのvirtualenvを維持することになり、本番環境で両者をA/Bテストしたいチームは2つのデプロイイメージを維持することになる、という意味です。「小さい方から始めて後でアップグレードする」という計画なら、移行を設定変更ではなく実際の作業として予算に組み込んでください。

Ant自身の数字で見れば、tinyが本当に優れているのはどこか

話者類似度は最も明確で最も安定した強みであり、クローン音声がその人物のように聞こえるかどうかを左右する指標です。

• Seed-TTS 中国語話者類似度 — Ming-3.0-tts 0.758 対 tiny 0.781

• Seed-TTS 英語話者類似度 — 0.691 対 0.728

• ドイツ語の類似度 — 0.753 対 0.791

• スペイン語の類似度 — 0.763 対 0.797

• フランス語の類似度 — 0.675 対 0.733

• 日本語の類似度 — 0.765 対 0.780

• 韓国語類似度 — 0.793 対 0.797

Tinyは類似度で全言語に勝利し、通常3〜6ポイント差をつけます。その傾向はコントロールベンチマークでも維持されます。CV3感情では平均74.00%対72.33%、音声デザイン精度では75.37%対72.29%です。顧客が説明されなくても気づくのはこの2点、つまり自分の声に似ているか、自分が説明したとおりに動作したかです。どちらでも7.9B MoEが優位に立っています。

コンテンツの正確性は逆の形で分かれ、その分かれ方は対称ではない。

• Seed-TTS 中国語単語エラー率 — 0.800% 対 0.820%。実質的に互角で、denseモデルがわずかに優勢です。

• Seed-TTS 英語の単語誤り率 — 1.584% 対 1.666%。Dense が優勢。

• ドイツ語 — 0.365% 対 0.325%。わずかにリード。

• スペイン語 — 1.099% 対 0.971%。わずかにリード。

• フランス語 — 4.264% 対 3.470%。Tinyが大差でリードしています。

• 日本語の文字エラー — 3.765% 対 3.427%。わずかにリード。

• 韓国語の文字エラー — 1.728% 対 6.000%。Dense が 3.5 倍先行。

韓国語は外れ値であり、「tiny は多言語に強い」と安易に読み取ることを誰にも許してはならない。Ant 自身のカードもそれを指摘している。tiny モデルでは韓国語の多言語精度ギャップが最大で、6.000% という数値は5億パラメータモデルが達成する値の3倍超だ。韓国市場向けに構築するチームには明確な答えがあり、それはより大きなモデルではない。

ベンチマークではない能力

Ming-3.0-tts-tinyは、話者参照を含むスクリプトから複数話者のポッドキャスト対話を生成します。Ming-3.0-ttsは生成しません。これは製品の機能であり、スコアではなく、どのリーダーボードにも表示されません。だからこそ、「音声クローニング」と「音声デザイン」の両方を記載した仕様表を比較するときに見落としやすいのです。

Antのポッドキャスト評価では、独自のハーネス上で、tinyは文字誤り率2.03%、話者類似度0.561、UTMOS 2.12を記録し、ZipVoice-DiaはUTMOS 2.24、FireRedTTS2はCER 3.34%、MOSS-TTSDは8.62%でした。注目すべきはUTMOSの差です。tinyは内容の正確さでリードし、自然さでは最良の比較対象に劣ります。これは話者類似度の数値が逆方向から示唆しているのと同じトレードオフです。ポッドキャスト生成では、単一の完璧なクリップよりも、ターンテイキングと話者の一貫性が重視されます。それがtinyの優位性の形です。

二人の会話が必要なら、ここに比較はありません——一方のモデルはそれができ、もう一方はできません。この記事のそれ以外の内容は、どちらもその仕事をこなせる場合についてです。

独立性のギャップが実際にあなたに及ぼすコスト

0.5Bモデルのアリーナでの位置づけは、それにどれだけ重みを置くかを決める前に理解しておく価値がある。Provider Voice Eloでは1,188を記録して97台中18位、Controlled Voiceでは1,068でオープンウェイトモデル中1位、全体では12位だ。発音では93.2%で、実質的にFish Audio Drama 3 Previewと同率、Eleven v4を上回っている。これらは公開されたサンプル数と信頼区間を伴う独立した測定値だ。

それがもたらすのはキャリブレーションだ。denseモデルがElevenLabsやCartesiaに対して概ねどこに位置するかが分かる。同じラボが3つすべてを同じボードで測定しているからだ。tinyについては、Antが言うことだけが分かる。AntのハーネスでAntの設定で測定されたもので、しかもAntは結果に利害を持つ当事者だ。これは非難ではない。表は異例なほど率直で、韓国語の数値や、ピッチ制御とロールプレイ用音声設計を弱点として挙げる制限のリストも含まれている。これは、ある数値が何を裏付けられるかについての話だ。ベンダーの表は、ベンダーが測定対象に選んだ軸でモデルが競争力があることを教えてくれる。アリーナの行は、すでに使っているシステムに対してどこに位置するかを教えてくれる。

独立系の評価ボードがあなたにも伝えていない具体的な点がもう一つある。それは、音声を一つしか測定していないということだ。Artificial Analysisは、各モデルが発音評価ボード上で単一の音声によって評価されると指摘しており、Mingの行では3つのネイティブ音声が利用可能なAntのエンドポイントが使われている。93.2%という数値が、製品として実際に出荷されるクローン音声全体にも当てはまるかは不明であり、それは自分で最初に試す価値があることだ。

実践における選択

決定木は短い。

Ming-3.0-tts (0.5B) を選ぶのは、実用的な範囲で最小のダウンロードサイズが欲しい場合、韓国語向けにデプロイする場合、ハードウェアが他の用途にも使っている80 GBカード1枚だけの場合、または作者以外の第三者によって挙動が測定されたモデルが必要な場合です。独立したハーネスで2.96 GB、毎秒44.3文字であり、1枚のGPUでリアルタイム音声を上回る実用的なナレーターです。

Ming-3.0-tts-tinyを選ぶべきなのは話者類似度が製品の要である場合——クローン化されたブランドボイス、パーソナライズされた読み上げなど、聞き手が最初に下す判断が「その人の声に聞こえるか」であるもの——や、ポッドキャストの対話が必要な場合、あるいはフランス語、ドイツ語、スペイン語、日本語の精度が制約となる場合です。18 GBの重み、別個のPython 3.10環境、そしてH800クラスのカードを用意してください。

どちらも取るな、とはいえ tiny に本番キャパシティをコミットする前に独立した数値が必要なら。アリーナの行は存在せず、技術レポートはロードマップ上で未確認のままで、vLLM-Omni の高速化はレシピが公開されていないのに README で完了とマークされている。これら3つのギャップは、tiny を容易に推奨できるようにするまさにその3つだ。

両方に当てはまる運用上の注意が1つあります。どちらのチェックポイントもストリーミングしません。どちらのモデルにも初回音声までの時間は公開されておらず、アリーナのスループット値は完了したリクエスト全体での生成に基づいています。アプリケーションが会話型であるなら、どのサイズを選んでもこのファミリーは適切なツールではありません。

ここでは異なるルーティングに関する質問

このサイトのほとんどの比較記事は、アクセスの一元化についての段落で締めくくられています。しかし、この記事ではそれができません。OrcaRouter は Ming のどちらのチェックポイントもホストしていないからです。カタログには Ming の音声モデルが掲載されておらず、どちらも Ant の GitHub リポジトリをクローンして重みを自分で実行することで利用できます。そうでないと述べるのは、読者が30秒で確認できる嘘になります。

当てはまるのはより限定的だが、それでも有用だ。音声パイプラインは通常テキストが先だ。何かがスクリプトを書き、何かがそれを翻訳し、何かがハウススタイルに照らして確認する。そのテキスト段階は1つのキーの背後に置ける——プロバイダーの定価で、上乗せなしの200を超えるモデル、自動フェイルオーバー（プロバイダーが劣化したとき）や、リクエストの内容に基づいてタスクを別のモデルへ送るためのルーティングDSLを備えられる。この比較で扱う音声段階は、どちらの場合でもあなたのハードウェア上に留まり、セルフホスト経路があるからこそ、2つのチェックポイント間の選択は可逆になる。MITライセンスの重みは失効せず、すでにディスク上にあるモデルは、その代替を評価している間も提供し続けられる。

何がそれを決着させるのか

推薦をどれだけ左右するかの順に、3つの進展がある。アリーナ上の小さな1行があれば、類似性の優位がブラインド聴取比較でも生き残るかどうかが分かる。それはまだ行われていない唯一のテストだ。技術報告書は、1.3BアクティブのMoEがなぜ話者類似度を伸ばし韓国語の精度を落とすのか、そしてそれがデータ分割によるものかアーキテクチャ上の帰結なのかを説明するはずだ。また、公開されたvLLM-Omniのレシピがあれば、18 GBのチェックポイントは研究用デプロイではなくレンタルハードウェア上で実用的になる。

それまでは、Antが2つの仕事向けに2つのモデルを投入し、小さい方の仕事が小さいファイルのように聞こえる名前を付けた、という捉え方が有用だ。そうではない。0.5Bは、測定し、デプロイし、設計レビューで擁護できるモデルであり、7.9Bは、7言語中6言語で、クローンした人物により似て聞こえるモデルだ——それを信頼して受け入れられる余裕があるなら。