Ming-3.0-tts-tiny는 제품군에서 가장 뛰어난 복제 음성을 갖추고 있으며 한국어 부문에서 6위를 차지했습니다.

Ant Group의 새 음성 모델군에서 가장 높은 화자 유사도 점수는 활성 파라미터 수가 가장 적은 모델의 몫입니다. Ming-3.0-tts-tiny는 토큰당 약 1.3B개의 파라미터를 활성화하는 7.9B 규모의 전문가 혼합(mixture-of-experts) 체크포인트이며, 중국어 Seed-TTS 세트에서 0.781의 화자 유사도를 기록했습니다. 이는 Ant가 공개한 표 전체에서 가장 높은 수치이자, 자사의 더 작은 형제 모델이 기록한 0.758보다도 높은 값입니다. 한국어에서는 같은 모델이 Ant가 벤치마크한 8개 시스템 중 6위를 차지했습니다. 문자 오류율은 6.000%였습니다. 반면 0.5B 형제 모델은 1.728%에 도달했습니다. 두 수치는 모두 같은 업체의 테스트 하네스에서, 같은 팀이, 같은 날 실행한 결과입니다. 두 수치 사이의 격차가 이번 공개에서 가장 유용한 정보입니다. 이번과 같은 공개를 뒷받침하는 문서화된 AI 실패 및 에이전트 사고는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 여부 플래그가 함께 제공됩니다.

이 중 어느 것도 공지되지 않았다. 체크포인트는 저장소 자체가 생성된 지 이틀 뒤인 2026년 9월 24일 Hugging Face에 올라갔다. 추론 코드, 예제 스크립트, 작업 쿡북은 GitHub 저장소가 열리고 첫 커밋이 UTC 08:58에 올라온 10월 19일에야 등장했다. 이 글을 쓰는 시점에 Hugging Face 저장소는 다운로드 20회, 좋아요 3개를 기록했고 GitHub 저장소는 별 5개를 받았다. 그러니 다음 내용은 출시에 관한 보고서라기보다 아티팩트를 읽은 결과로 봐야 한다. 여기 있는 모든 것은 저장소에서 확인할 수 있으며, 그렇지 않은 부분은 그렇게 표시해 두었다.

한국어 결과는 반올림 오류가 아닙니다.

Ant의 다국어 표는 6개 언어에서 tiny 모델을 다른 일곱 시스템과 비교합니다. 헤드라인보다 행 전체를 읽으세요.

• 독일어 — 문자 오류율 0.325%, 8개 중 1위로, 차점인 0.612%보다 앞선다.

• 스페인어 — 0.971%로 1위, 2위는 1.184%입니다.

• 일본어 — 3.427%, 공동 2위.

{{1}}프랑스어{{/1}} — 3.470%, 2위이지만 화자 유사도가 0.733으로 상위 3위 안에 들지 못한다. 표는 자체 한계 섹션에서 그렇게 밝히고 있다.

• 한국어 — 6.000%, 8개 중 6위이며, 모델이 다른 모든 영역에서는 앞서는 시스템에 유일하게 뒤지는 언어입니다.

• 중국어와 영어 — 이 모델이 실제로 중심으로 구축된 두 언어이자, 화자 유사성에서 가장 앞서는 두 언어입니다.

한국어 오류율은 같은 언어에서 Ming-3.0-tts-0.5B의 오류율보다 대략 3.5배다. Ant는 그 이유를 설명하지 않으며, 모델 카드도 추측하지 않는다. 추측 없이 말할 수 있는 것은 구조에 관한 것이다. 이것은 희소 모델이고, 희소 모델은 토큰을 일부 전문가 집합을 통해 라우팅하므로, 학습 데이터 혼합에서 더 적은 학습 신호를 받은 언어는 비슷한 총 크기의 밀집 모델에서보다 더 빠르게 성능이 저하될 수 있다. 그것은 발견이 아니라 그럴듯한 메커니즘이며, 설명이 아니라 검증해야 할 가설로 다뤄야 한다. 실용적인 해석은 더 좁고 더 방어 가능하다. 제품에 한국어가 포함되어 있다면, 누군가 실제 한국어 텍스트로 이 체크포인트를 실행해 보기 전까지는 이것을 선택할 체크포인트가 아니다.

79억 개의 파라미터는 실제로 어디에 쓰이는가

이름은 'tiny'라고 말하지만, 파일 크기는 사뭇 다르게 말한다. 그리고 그 간극은 아키텍처에서 비롯된다.

• 총 파라미터 — Hugging Face 메타데이터에는 BF16 기준 8,980,964,372개와 F32 기준 40,096개가 보고되며, 리포지토리는 약 18GB를 차지합니다. 이 릴리스는 모델을 7.9B-A1.3B로 설명하는데, 이는 총 79억 개, 토큰당 약 13억 개가 활성이라는 의미입니다. 해당 설명은 10월 16일 모델 카드에서 수정되어 이전 표현을 대체했으므로, 더 새로운 표현을 인용하세요.

• 백본 — Ant가 자사의 더 큰 텍스트 모델에 사용하는 것과 동일한 계열인 Ling V3를, 덴스 스택이 아닌 전문가 혼합 방식으로 구동합니다.

• Head — 백본의 은닉 상태를 오디오 잠재 표현으로 변환하는 확산 트랜스포머이며, 이어서 이를 파형으로 디코딩하는 별도의 오디오 토크나이저가 뒤따릅니다.

• 번들 — 체크포인트는 백본, DiT 헤드, 오디오 토크나이저, CAM++ 화자 인코더, 텍스트 토크나이저를 하나의 폴더에 담아 제공합니다. 여러분이 내려받는 것은 어댑터를 덧붙인 언어 모델이 아니라 하나의 파이프라인입니다.

• 출력 및 음성 — 제품군의 나머지 모델과 동일한 폭넓은 제어 범위를 갖춥니다. 짧은 참조 클립으로부터의 제로샷 클로닝, 자연어 설명을 통한 음성 설계, 자유로운 스타일 제어, 100개 이상의 내장 중국어 음성과 5개의 영어 음성, 웃음·한숨·숨소리·머뭇거림을 위한 14개의 인라인 준언어 태그, 그리고 감정·속도·음높이·음량을 명시적으로 설정하는 기능까지 제공합니다.

• 언어 — 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어이며, 해당 방언으로 된 참조 클립을 제공하면 쓰촨어와 광둥어도 사용할 수 있습니다.

• 라이선스 — 가중치와 코드에는 MIT가 적용되며, 동의 없이 타인을 사칭하지 말고 합성 오디오임을 표시해 달라는 사용 안내가 함께 제공됩니다. 이 안내는 요청 사항일 뿐 라이선스 조건은 아닙니다.

기묘한 결과는 "tiny"가 디스크나 VRAM이 아니라 토큰당 연산량에 관한 진술이라는 점이다. 7.9B 모델의 메모리를 쓰면서 1.3B 모델의 속도를 얻는 셈인데, 이는 배치 합성에는 합리적인 trade이고 노트북에는 좋지 않은 trade다. Ant 자체 환경은 H800을 권장 카드로 고정하고 있으며, 릴리스에서 그와 다르다고 시사하는 내용은 없다.

그것이 이기는 다섯 개의 열

이 섹션의 모든 수치는 Ant가 Ant의 하네스에서 Ant의 권장 추론 설정으로 측정한 Ant 자체 수치이며, 이 수치가 존재하는 곳은 모델 카드뿐입니다. 여기서는 레이블이 평소보다 더 중요합니다. 이 수치들은 다른 곳에서 레이블 없이 인용될 것이기 때문입니다.

• 화자 유사도, 중국어 제로샷 — 0.781, 비교 세트에서 최고이며 단어 오류율은 0.820%입니다. 영어는 1.666% 오류율에서 0.728 유사도에 도달하며, 해당 열에서도 최고 유사도입니다.

• 준언어적 단일 이벤트, NVBench — 이 모델은 6개 단일 태그 범주 모두에서 선두를 차지합니다: 중국어 오류 2.80 / 유사도 17.23 / 점수 3.20, 영어 5.86 / 32.95 / 7.05. 다중 이벤트 문장에서는 영어 열에서 5.12 / 46.13 / 7.68로 선두를 차지하고, 중국어에서는 4.49 / 32.88 / 5.81로 중위권에 위치합니다.

• 방언 — WSC-Eval-TTS 이지 세트 2.53% 문자 오류율, 0.721 유사도, 86.09% 정확도; 하드 세트 3.11%, 0.738, 88.94%. 둘 다 Ant의 표에서 최초 기록입니다. 광둥어는 기본 세트에서 7.40% / 0.605 / 92.90, 커버리지 세트에서 8.67% / 0.653 / 95.16에 도달합니다.

• 감정 — 중국어 CV3 세트에서 평균 74.00%, CV3N에서 30.67%를 기록했으며, Sad 하위 집합 두 곳 모두에서 1위를 차지했고 그 외에서는 두드러지지 않았다.

• 보이스 디자인 — InstructTTSEval-ZH에서 평균 75.37%로 전체 2위이며, 속성 프롬프트 점수는 85.10, 설명 79.90, 역할극 61.10입니다. 역할극이 약점입니다: 4위이며, 모델 카드에도 그렇게 나와 있습니다.

기본 속성 표는 가장 눈에 띄지 않지만 아마도 가장 유용합니다. 나이 93%, 성별 93%, 피치 78.70%, 평균 88.23%에 단어 오류율 0.274%, 유사도 0.742입니다. 피치는 네 가지 제어 항목 중 가장 약한데, 이는 이 부류의 다른 모든 시스템이 보고하는 내용과 일치합니다.

팟캐스트 번호가 바로 이것을 주목해야 하는 진짜 이유입니다.

0.5B 모델은 다중 화자 팟캐스트 생성을 할 수 없습니다. 아주 작은 모델은 가능하며, Ant의 팟캐스트 표에서는 비교 대상 중 콘텐츠 정확도 결과가 가장 좋습니다.

• Ming-3.0-tts-tiny — 문자 오류율 2.03%, 조건부 화자 유사도 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.

오류율에서는 근소한 차이로 1위, 유사도와 자연스러움에서는 2위이며, 흥미로운 점은 자연스러움 격차입니다. ZipVoice-Dia는 UTMOS가 0.12 앞서지만 정확도는 1.36점 더 나쁩니다. 이는 반올림 차이가 아닌 실제 트레이드오프이며, 소형 모델의 다음 개선 대상이 전사가 아니라 대화 운율임을 시사합니다. 이 섹션의 다른 모든 내용과 마찬가지로, Ant 외부에서는 누구도 팟캐스트에 이를 적용해 결과를 발표하지 않았습니다.

리포지토리가 입증하지 않는 것

누구든 이걸 제품에 적용하기 전에 짚고 넘어가야 할 네 가지 공백이 있다.

이 체크포인트에 대한 독립적인 점수는 없습니다. Artificial Analysis는 10월 19일 기준 speech arena에 Ming-3.0-tts 항목을 올려 두고 있으며, Provider Voice 보드에서 Elo 1,188, Controlled Voice에서 1,069를 기록했지만, 그 항목은 이 모델이 아니라 0.5B 모델에 연결되어 있습니다. GitHub README는 결과 섹션에서 그 아레나 수치를 그러한 구분 없이 그대로 재현하는데, 이는 두 번의 리포스트 뒤에 잘못된 주장으로 바뀌기 쉬운 종류의 세부 사항입니다. Ming-3.0-tts-tiny에는 별도의 아레나 결과도, 측정된 처리량도, 제3자 단어 오류율도 없습니다.

기술 보고서는 없습니다. 로드맵에는 체크되지 않은 항목으로 표시되어 있으며, 10월 16일에는 모델 카드가 기술 보고서에 대한 언급을 삭제하기 위해 특별히 수정되었습니다. 그 결과 아키텍처는 다이어그램 하나와 단락 하나 수준에 머물게 됩니다. 이는 모델을 실행하기에는 충분하지만, 학습 관련 주장을 재현하기에는 충분하지 않습니다.

호스팅된 엔드포인트도 없고 가격도 없습니다. 이를 호출하는 유일한 방법은 GPU를 할당하고 코드를 실행하는 것인데, 이는 문자당 요금과 비교하는 것과는 다른 문제입니다.

그리고 의도에 대한 어떤 언급도 없습니다. 다운로드 20회와 좋아요 3개는 품질의 신호가 아니라, 아무에게도 알리지 않았다는 신호입니다. 공지가 없다는 것은 지원 약속도, 지원 중단 정책도, 호스팅 서비스가 뒤따를지에 대한 표시도 없다는 뜻입니다.

원한다면 실행할게

Hugging Face 저장소는 체크포인트 배포이며, 모델 카드에는 추론에 GitHub 프로젝트가 필요하다고 분명히 적혀 있습니다. 그렇기 때문에 10월 커밋이 9월 업로드보다 더 중요합니다. 환경은 Python 3.10.15, PyTorch 및 torchaudio 2.7.1(CUDA 11.8), transformers 4.46.3으로 고정되어 있고 H800이 권장됩니다. 진입점은 ming_tiny.MingTinyTTS 클래스를 대상으로 하는 infer_tiny.py이며, thinking_v1이라는 프롬프트 프로토콜을 사용합니다. 공개된 기본값은 classifier-free guidance scale 2.0, temperature 0, flow step 10, sigma 0.25, seed 1234(팟캐스트 작업은 1235)이며, 저장소는 하나의 플래그 기반 진입점 대신 작업별 별도 스크립트를 제공합니다. vLLM-Omni 지원은 로드맵에 있을 뿐 아직 검증되지 않았으므로 현재로서는 고처리량 서빙 경로가 없습니다.

이것을 제품에 적용할지 평가하고 있다면, 합리적인 단계적 도입 방식은 검증되지 않은 모든 오픈 웨이트 체크포인트에 사용할 방식과 같습니다. 핵심 경로에서 빼두고, 실제로 출시하는 언어로 자체 오디오에 대해 실행한 뒤에만 결정하세요. OrcaRouter는 Ming-3.0-tts-tiny를 라우팅하지 않으며, 여기 어떤 내용도 그와 반대로 주장하는 것으로 읽혀서는 안 됩니다. 카탈로그에는 Ming 음성 모델이 없습니다. OrcaRouter가 실제로 제공하는 것은 음성 시스템의 나머지 부분입니다. openai/tts-1, openai/tts-1-hd, openai/gpt-4o-mini-tts와 Ge​mini TT​S 프리뷰마크업이 추가되지 않은 공급자 정가로, 그리고 같은 키로 이용할 수 있는 200개 이상의 텍스트 모델스크립트를 작성하거나 에이전트를 구동하는 파이프라인의 절반에 제공합니다. 공급자 간 자동 장애 조치는 자체 호스팅 음성 절반이 그 자리를 차지할 가치가 있는지 결정하는 동안 호스팅 가능한 텍스트 절반을 계속 작동하도록 유지합니다.

다음 진짜 신호는 또 다른 벤더 비교표가 아닐 것이다. 그것은 Ant 외부의 누군가가 이것을 한국어로, 또는 팟캐스트에서 실행해 보고 무엇이 깨졌는지 공개하는 것이 될 것이다. 그것이 존재하기 전까지 방어 가능한 요약은 좁다. 자사 계열에서 가장 좋은 복제 음성 점수를 가진, 희소하고 MIT 라이선스인 9개 언어 음성 모델, 진짜 다화자 팟캐스트 결과, 설명이 필요한 한국어 열, 그리고 아직 일어나지 않은 발표다.