Ming-3.0-tts-0.5B는 두 차례 출시되었지만, Ant Group은 어느 쪽도 발표하지 않았다.

세 개의 날짜가 Ming-3.0-tts-0.5B에 붙어 있으며, 각각은 서로 다른 사건을 나타냅니다. Hugging Face 리포지토리는 2026년 9월 22일에 생성되었고, 가중치는 이틀 뒤에 업로드되었습니다. GitHub 리포지토리는 2026년 10월 19일 "Initial release of Ming-3.0-tts"라는 제목의 첫 커밋이 도착할 때까지 존재하지 않았습니다. Artificial Analysis는 같은 날 모델 페이지를 개설하고 점수를 부여했습니다. inclusionAI의 블로그 게시물도, 보도자료도, 두 날짜 중 어느 쪽에서든 우리가 찾을 수 있는 출시 스레드도 없었습니다. 이 글을 작성하는 시점에 해당 체크포인트는 다운로드 6회, 좋아요 0회였고, GitHub 리포지토리는 스타 2개였습니다. 이와 같은 릴리스 뒤에 있는 문서화된 AI 실패 및 에이전트 사건들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰 등급 및 이의 제기 플래그가 함께 제공됩니다.

그 점은 이 글의 나머지 부분을 어떻게 읽어야 하는지에 중요하다. 앤트 그룹의 오픈 웨이트 부문은 14개 태그의 준언어적 시스템, 텍스트-투-보이스 설계, 두 개의 중국어 방언, 전체 벤치마크 결과 표를 갖춘 완전한 MIT 라이선스 음성 모델을 공개했다. 하지만 지금까지 그 누구에게도 이에 대해 알리기를 거부해 왔다. 다음 내용은 저장소가 입증하는 것과 앤트만이 확인할 수 있는 것을 구분한다.

세 가지 날짜와 각 날짜가 실제로 포함하는 내용

혼란은 인위적으로 만들어진 것이 아니다. Ant의 두 저장소는 공개적으로 서로 다른 내용을 말하고 있으며, 어느 쪽도 틀리지 않았다.

• 2026년 9월 22일 12:46 UTC — 자리 표시자 README로 구성된 초기 커밋과 함께 Hugging Face 저장소가 생성됩니다. 아직 가중치는 없습니다.

2026년 9월 24일 04:21 UTC — 체크포인트는 upload-large-folder 커밋을 통해 반영되고, 20분 뒤에는 모델별 README가 뒤따릅니다. 이 시점부터 모델은 다운로드할 수 있게 되지만, 거의 아무도 다운로드하지 않습니다.

• 2026년 10월 19일 07:03 UTC — GitHub 저장소가 생성됩니다. 08:58 UTC에 첫 커밋인 "Initial release of Ming-3.0-tts"가 추론 코드, Dockerfile, 원클릭 예제 스크립트 및 작업 쿡북을 포함합니다. 문서 커밋은 오후 내내 이어집니다.

GitHub README의 News 섹션에는 0.5b와 tiny 모델이 "2026.10"에 출시되었다고 나와 있습니다. Hugging Face 카드에는 날짜에 대한 언급이 전혀 없습니다. 둘 다 같은 아티팩트를 설명하고 있습니다. 체크포인트는 9월에 존재했고, 실제 사용 가능한 릴리스—코드, 환경 고정 버전, 예시—는 10월에 도착했습니다. 조달 문서용으로 모델의 날짜를 산정한다면 공개된 시점은 9월 22일이고, 실행 가능한 것으로서 날짜를 산정한다면 정직한 답은 10월 19일입니다.

우리가 말씀드릴 수 없는 것은 그 이유입니다. 조용한 공개는 모델 카드가 설명을 담당하기를 기대하는 연구 조직에게는 흔한 일입니다. 또한 더 큰 발표가 계획되어 있을 때 단계적 릴리스가 보이는 모습이기도 합니다. 두 저장소 어디에도 어느 쪽인지는 나와 있지 않으며, 우리는 추측하지 않겠습니다.

0.5B 체크포인트 안에는 무엇이 있나요?

이 모델은 Qwen2.5-0.5B 백본 위에 구축된 덴스 음성 생성기이며, 디퓨전 트랜스포머 패치 헤드와 별도의 오디오 토크나이저를 갖추고 있습니다. 릴리스 번들은 단순한 언어 모델 그 이상입니다. 저장소에는 백본, DiT 헤드, 오디오 VAE, ONNX 형식의 CAM++ 화자 인코더, 텍스트 토크나이저가 모두 한 폴더에 들어 있습니다. 이러한 패키징 결정은 곧바로 마주하게 될 불일치를 설명해 줍니다.

• 파라미터 — 카드와 모델 이름에는 0.5B라고 적혀 있지만, Hugging Face 자체 메타데이터에는 리포지토리가 1B로 표시되어 있고, 단일 model.safetensors 파일은 2.96 GB입니다. 0.5B라는 수치는 언어 백본을 가리킵니다. 실제로 다운로드하는 번들은 bf16 기준으로 그 대략 세 배입니다.

• 출력 — 44.1 kHz 오디오로, 대부분의 오픈 TTS 릴리스보다 높은 수치이며, 여기서 파일 검사기로 10초 만에 확인할 수 있는 몇 안 되는 주장 중 하나입니다.

• 언어 — 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어, 그리고 해당 방언의 참조 클립이 제공될 경우 쓰촨어와 광둥어.

• Voices — 짧은 참조 클립에서의 제로샷 클로닝, 자연어 설명으로부터의 음성 디자인, 그리고 100개 이상의 중국어 보이스와 5개의 영어 보이스로 구성된 내장 캐스트.

• 제어 — 웃음, 한숨, 기침, 숨소리, 머뭇거림을 위한 인라인 태그 14개와 감정, 속도, 피치, 음량에 대한 명시적 설정을 제공합니다. 이 카드는 피치가 네 가지 중 가장 정확도가 떨어진다는 점을 솔직히 밝힙니다.

• 작업 — TTS, 자유 형식 지시, 음성 디자인, 다국어, 기본 속성, 감정, 방언 및 내장 음성 모드. 이 컨트롤은 설계상 상호 배타적입니다: 자유 형식은 음성 디자인이나 내장 음성과 결합할 수 없습니다.

• 라이선스 — MIT, 가중치와 코드 모두에 적용됩니다. Ant의 사용 면책 조항은 동의 없이 사람을 사칭하지 말고 합성 음성임을 표시하도록 요청하는데, 이는 라이선스 조건이라기보다 요청입니다.

같은 릴리스에 두 번째 모델이 있습니다. Ming-3.0-tts-tiny는 Ling V3 백본을 기반으로 한 mixture-of-experts 설계이며, 총 7.9B에 활성 1.3B이고, 0.5B 모델에는 없는 다중 화자 팟캐스트 생성을 추가합니다. 특히 소형 모델 자체에 관심이 있다면, 유용한 관점은 0.5B가 경량 배포용이고 tiny가 성능 상한이라는 것이지, 하나가 다른 하나를 대체한다는 것이 아닙니다.

벤치마크 표와 이를 제작한 주체

모델 카드의 모든 수치는 Ant 자체 평가 하네스에서 나온 것입니다. 이는 비판이 아닙니다 — 릴리스 표란 원래 그런 것이니까요 — 다만 그 표들이 다른 곳에서 이런 설명 없이 인용되고 있어서, 여기서 밝혀 둡니다.

• 제로샷 Seed-TTS, 중국어 — 0.800% 단어 오류율, 0.758 화자 유사도.

• 제로샷 Seed-TTS, 영어 — 단어 오류율 1.584%, 화자 유사도 0.691.

• NVBench 준언어적, 단일 이벤트 — 중국어 문자 오류율 2.70, 영어 7.60.

• 방언, WSC-Eval-TTS-easy — 문자 오류율 2.27%, 정확도 80.68%.

• 보이스 디자인, InstructTTSEval-ZH — 평균 72.29%.

• 기본 속성 제어 — 평균 93.30%, 단어 오류율 0.317%.

흥미로운 부분은 같은 표들이 모델이 직접 고른 경쟁자들을 상대로 무엇을 보여주는가이다. 중국어 제로샷 오류율에서 CosyVoice3-1.5B는 0.710%, Qwen3-TTS-12Hz-1.7B-Base는 0.770%를 기록해 둘 다 Ming의 0.800%보다 좋다. 화자 유사도에서는 CosyVoice3-0.5B의 0.780이 Ming의 0.758을 능가한다. 영어 오류율에서는 Qwen3-TTS-12Hz-1.7B-Base가 1.240%에 도달해 Ming의 1.584%와 대비된다.

따라서 Ming-3.0-tts-0.5B는 자체 비교 세트 안에서조차 정확도 1위를 내세우지 않으며, 그럴 필요도 없습니다. 이 모델의 강점은 다른 모델들이 채우지 못한 항목들입니다: 방언 제어, 음성 설계, 그리고 대부분의 단일 이벤트 범주에서 앞서는 준언어적 스위트입니다. 이 카드는 "5억 개 백본 파라미터에서의 폭넓은 제어"로 읽어야 하며, "최고의 오류율"로 읽어서는 안 됩니다. 그렇게 읽으면 그 해석은 충분히 견고합니다.

이 카드는 또한 이례적으로 자신의 약점을 직접 밝히려 하는데, 대부분은 그렇게 하지 않으므로 다시 언급할 가치가 있다. 화자 유사성은 콘텐츠 정확도에 뒤처지고, 프랑스어 유사성은 가장 명확한 다국어 격차이며, 다중 이벤트 준언어적 문장은 여전히 불안정하고, 단어 자체에 감정적 신호가 없을 때 감정 제어 성능이 저하되며, 개방형 음성 설계는 아직 가장 강력한 비교 대상 시스템에 미치지 못한다.

첫 번째 독립 수치는 발표보다 먼저 나왔다

Artificial Analysis는 10월 19일 Ming-3.0-tts를 자사의 스피치 아레나에 추가하고 해당 항목을 바로 이 0.5B 체크포인트에 연결했는데, 이는 카드가 남겨 둔 한 가지 의문을 해소한다: 점수가 매겨진 모델은 작은 쪽이다. 두 개의 보드, 두 가지 결과, 그리고 그것들은 서로 다른 방향을 가리킨다.

각 모델이 자체 고유 음성을 사용하는 Provider Voice는 Elo 1,188, 95% 구간 1,173~1,203으로, 리더보드의 98개 모델 중 19위이자 오픈 웨이트 모델 중 3위이며, 1,245점의 Fish Audio Drama 3 Preview와 1,220점의 Breeze TTS 2의 뒤를 잇습니다.

• Controlled Voice: 모든 모델이 동일한 8개의 참조 음성을 복제하는 항목으로, Elo 1,069, 구간 1,053~1,085, 전체 14위이자 오픈 웨이트 모델 중 1위이며, 1,059의 Fish Audio Drama 3 Preview와 1,019의 Breeze T​TS 2보다 앞섭니다.

• 속도 — Artificial Analysis의 하드웨어에서 생성 시간 기준 초당 42.1자(중앙값)이며, 요청당 중앙 생성 시간은 2.46초입니다. 규모를 가늠하자면, 같은 장비에서 Simba 3.2는 초당 77.8자, Qwen-Audio-3.0-TTS-Plus는 25.6자를 기록합니다.

그 구분은 이 모델에 관해 누구든 공개한 것 중 가장 유용하다. 이 모델의 복제된 음성은 보드에 있는 최고의 오픈 웨이트 시스템들과 경쟁력이 있지만, 자체 보유한 음성군은 그렇지 않다. Ant의 네이티브 음성 녹음이 무엇이든, 그것이 프로바이더 음성 순위를 끌어내리는 부분이며, 이는 아키텍처 문제라기보다 해결 가능한 엔지니어링 문제다.

확인하지 못한 공급업체 주장이 하나 있습니다. 프로젝트 페이지에는 Ming-3.0-tts가 Artificial Analysis의 발음 견고성 지표에서 93.2%로 전체 1위이며, 하위 범주 두 개에서도 1위라고 명시되어 있습니다. 해당 지표는 존재하고 Artificial Analysis가 이를 공개하지만, 우리가 읽을 수 있었던 페이지 데이터에는 모델별 값이 노출되지 않습니다. 따라서 직접 막대 차트를 확인할 때까지 93.2%를 공급업체가 제시한 수치로 간주하세요.

실행하는 데 약 20분과 세 번의 수정이 걸린다

Hugging Face 저장소는 체크포인트만 올려둔 곳입니다. 상단 근처의 안내 문구에서도 그렇게 밝히고 있습니다. 추론에는 GitHub 프로젝트가 필요하며, 카드에서 언급된 Python API와 CLI도 그곳에서 제공됩니다. 이것이 첫 번째 걸림돌이며, 10월 저장소가 9월 업로드보다 더 중요한 이유입니다.

두 번째는 텍스트 정규화입니다. 숫자, 날짜, 단위, 기호는 pynini가 필요한 FST 문법으로 처리되며, pynini에는 범용 wheel이 없습니다. Ant 자체 지침은 버전 2.1.6에 대해 conda-forge로 안내합니다. 원하지 않으면 --no_text_normalization으로 건너뛸 수 있고, 텍스트가 이미 보이는 그대로를 이어받게 됩니다. 프로덕션 내레이션 파이프라인에서 이는 각주가 아니라 실제적인 결정입니다.

세 번째는 하드웨어입니다. 환경은 PyTorch 2.6, CUDA 12.4, transformers 4.46.3으로 고정되어 있고 Dockerfile이 제공되며, H800-80GB와 H20-96G에서 테스트되었습니다. flash-attn은 선택 사항이며 추론은 PyTorch SDPA로 폴백됩니다. 릴리스 내용 중 소비자용 카드에서 편안하게 실행된다고 시사하는 것은 없으며, Ant 외부에서는 아직 더 작은 하드웨어에서의 처리량 수치를 공개한 사람이 없습니다.

환경이 준비되면 최소한으로 실행 가능한 호출은 참조 클립과 해당 전사(transcript)를 사용하는 단일 CLI 호출입니다. 복제(clone)는 이 둘을 모두 조건으로 하며, --use_spk_emb는 화자 임베딩 조건화를 활성화합니다. 또한 가중치를 로드하지 않고 체크포인트와 토크나이저를 확인하는 사전 점검 스크립트가 있는데, 잘못된 다운로드에 GPU 할당을 낭비하기 전에 실행할 가치가 있습니다.

아직 알 수 없는 것은 무엇인가

이 모델을 어떻게 평가해야 하는지를 바꿀 네 가지 요소가 있지만, 그중 어느 것도 아직 존재하지 않는다.

호스팅된 엔드포인트도 없고 가격도 없습니다. Artificial Analysis가 가격 필드를 비워 둔 것은 가격을 매길 대상이 없기 때문입니다. 이것을 호출하는 유일한 방법은 직접 실행하는 것입니다. GPU를 갖춘 팀에는 괜찮지만 그 밖의 모든 사람에게는 문제이며, 이번 릴리스와 비교 대상이 될 호스팅 음성들 사이의 가장 큰 실질적 차이입니다.

기술 보고서는 없습니다. GitHub 로드맵에는 체크되지 않은 항목으로 올라와 있고, Ant는 모델 카드에서 확인되지 않은 보고서에 대한 이전 언급을 삭제했습니다. 그 결과 아키텍처 설명은 다이어그램 하나와 단락 하나 수준에 머물며, 이는 모델을 실행하기에는 충분하지만 학습 관련 주장을 재현하기에는 충분하지 않습니다.

독립적인 오류율 재현은 없습니다. Seed-TTS와 NVBench 수치는 Ant의 것이며, Ant의 프로토콜과 Ant가 권장한 추론 설정으로 측정한 것입니다. 아레나 점수는 독립적이지만 정확도가 아니라 선호도를 측정합니다. 이 체크포인트에 대해 연구소 외부에서 단어 오류율을 공표한 곳은 없습니다.

그리고 의도에 대한 언급이 없습니다. 어떤 발표도 없다는 것은 지원 약속도, 지원 중단(deprecation) 정책도, 호스팅 서비스가 나올지에 대한 어떤 표시도 없다는 뜻입니다. MIT 라이선스로 공개된 연구용 릴리스라면 이는 전적으로 의도된 것일 수 있습니다. 하지만 이를 제품에 넣을 계획인 사람에게는 반드시 감수 비용을 따져봐야 하는 위험입니다.

OrcaRouter는 Ming-3.0-tts-0.5B를 라우팅하지 않으며, 이 글도 그와 반대되는 의미로 읽혀서는 안 됩니다 — 카탈로그에는 Ming 음성 모델이 없습니다. 카탈로그에 실제로 있는 것은 음성 파이프라인의 나머지 구성요소입니다: openai/tts-1과 tts-1-hd, gpt-4o-mini-tts, 그리고 G​emini T​TS 프리뷰가 모두 공급자 정가에 마크업 추가 없이 제공되며, 동일한 키 하나로 200개가 넘는 텍스트 모델을 이용할 수 있습니다. 이는 스크립트를 작성하거나 에이전트를 구동하는 시스템의 절반을 위한 것입니다. 검증되지 않은 오픈 웨이트 음성을 평가 중이라면, 합리적인 배포 방식은 해당 모델이 그 자리를 얻을 때까지 핵심 경로에서 빼두는 것입니다. 공급자 간 자동 장애 조치는 결정을 내리는 동안 그 파이프라인의 텍스트 절반이 계속 가동되게 하는 방법입니다.

다음의 진짜 신호는 또 다른 벤치마크 표가 아닐 것이다. 그것은 Ant 외부에서 처음으로 0.5B 체크포인트를 자신의 오디오로 실행해 보고 무엇이 깨졌는지 공개하는 사람일 것이다. 그런 사례가 나오기 전까지 방어 가능한 요약은 좁다. 실질적으로 유능하고 MIT 라이선스의 44.1 kHz 다국어 음성으로, 독립 보드에서 최고의 오픈 웨이트 복제 음성 점수를 기록했지만, 네이티브 음성 캐스트는 더 약하고, 사전 예고 없는 릴리스이며, 호스팅된 홈도 없다. 그것은 유망한 연구 산출물이지 아직 제품 결정은 아니다.