Ming-3.0-tts가 발음 아레나에서 정상에 올랐고, 그 데뷔의 나머지 부분은 더 흥미롭다

93.2%에서 Ming-3.0-tts와 Fish Audio Drama 3 Preview는 0.01%포인트 차이로 갈립니다. Ant Group의 모델은 1,800개 중 1,677개, Fish Audio의 모델은 1,916개 중 1,785개의 정확한 스팬을 기록했으니, 소수점만 빼면 동점입니다. 둘 다 91.7%인 Eleven v4보다 위에 있으며, 그 91.7%가 대부분의 사람이 인용할 숫자입니다. 이 동점은 사실이고 곧이곧대로 보도할 가치가 있지만, 리더보드에서 가장 정보가 적은 항목입니다. 이번 주에 Ming-3.0-tts를 다룰 가치가 있는 이유는 이 모델이 Artificial Analysis의 English Pronunciation Robustness 리더보드에서 1위에 올랐기 때문이 아닙니다. 이 모델에 대해 그 리더보드가 마침내 존재한다는 점, 그리고 헤드라인 아래의 네 가지 하위 점수가 헤드라인이 말할 수 없는 무언가를 말해 준다는 점입니다. 이 같은 릴리스의 이면에 있는 문서화된 AI 실패와 에이전트 사건은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 고유한 출처, 심각도, 신뢰도 등급, 이의 제기 플래그가 함께 있습니다.

이 세부 점수들은 한쪽으로 치우쳐 있습니다. Ming-3.0-tts는 측정된 31개 시스템 중 정확한 시퀀스 보존에서 90.6%, 축약형 확장에서 96.5%로 1위입니다. 또한 단독 용어에서는 88.5%로 31개 중 21위인데, 이는 대부분의 청취자가 "이름을 잘못 발음하는 것"이라고 부를 범주입니다. 종합 점수 하나는 .env.local과 "Chapter XVII"를 리더보드의 그 어떤 것보다도 잘 읽으면서, 일반 고유 명사에서는 Gemini나 ElevenLabs 시스템보다 더 자주 실수하는 모델을 가리고 있습니다. 그것이 승리인지는 전적으로 여러분의 텍스트가 무엇으로 구성되어 있느냐에 달려 있습니다.

실제로 무엇이 바뀌었고, 무엇이 바뀌지 않았는가

Ant Group은 이번 주에 이 모델을 출시하지 않았으며, 어떤 기사도 그렇지 않은 것처럼 써서는 안 됩니다. 저장소의 타임라인은 공개되어 있고 약간 어색합니다:

• Ming-3.0-tts-0.5B 및 Ming-3.0-tts-tiny용 Hugging Face 리포지토리는 2026년 9월 22일에 플레이스홀더 카드와 함께 생성되었습니다.

• 0.5B 체크포인트 — 2.96GB의 safetensors, MIT 라이선스 — 가 9월 24일에 공개되었습니다.

• 추론 코드, 작업 쿡북, 예제 스크립트가 포함된 GitHub 저장소는 10월 19일에 공개되었으며, 이 날짜는 Ant의 README가 출시 월로 제시하는 날짜이자 Artificial Analysis가 해당 모델 행에 표시하는 날짜이기도 하다.

즉, 가중치는 네 주 전 것이고 사용 가능한 릴리스는 하루 전 것이다. 10월 19일에 바뀐 것은 모델이 출시되었다는 점이 아니다. 추론 코드가 출시되었고, 그와 함께 독립적인 측정치가 도착했다는 점이다. 그날 이전에는 실행할 공개된 방법도, 제3자 수치도 붙어 있지 않은 체크포인트가 있었으며, 그것에 대해 글을 쓰는 사람은 누구나 Ant 자체 표를 인용하고 있었다.

그 구분은 93.2%를 어떻게 읽어야 하는지에 중요합니다. Artificial Analysis는 자체 하네스와 자체 인간 검토자를 운영하며, 이는 Ant의 평가를 재현한 것이 아닙니다. 평가 날짜와 표본 수는 보드에 기재되어 있고, 신뢰구간은 공개되어 있으며, 검토자의 주의력 점검은 방법론에 설명되어 있습니다. Ant 외부의 누군가가 이 모델에 수치를 매긴 것은 이번이 처음이며, 그것도 좋은 수치입니다.

세 개의 보드, 세 가지 다른 답변

Artificial Analysis는 여러 개의 text-to-speech 리더보드를 운영하며, Ming-3.0-tts가 그 모두를 압도하지는 않습니다. 차이가 충분히 커서, 모델에 유리하게 보이는 리더보드만 골라 인용하는 것은 일종의 왜곡입니다.

• Controlled Voice에서는 모든 시스템이 동일한 8개의 참조 음성(미국 4개, 영국 4개)을 복제하고 합성만 비교합니다 — Ming-3.0-tts는 1,068 Elo를 기록해 오픈 웨이트 모델 중 1위, 전체 12위입니다. Fish Audio Drama 3 Preview는 1,059로 오픈 웨이트 중 2위입니다.

• Provider Voice: 각 시스템이 자체 네이티브 음성을 사용하는 방식으로 — Ming-3.0-tts는 1,188 Elo로 전체 18위, 오픈웨이트 모델 중 3위이며, Fish Audio Drama 3 Preview(1,247)와 Breeze TTS 2(1,221)에 뒤졌습니다. Eleven v4 Turbo가 1,330으로 전체 1위입니다.

• 발음 견고성, 영어, 인간 평가 — Ming-3.0-tts가 93.2%로, 93.2%의 Fish Audio Drama 3 Preview를 간발의 차이로 제치고 종합 1위를 차지했으며 91.7%의 Eleven v4보다 앞섰습니다.

패턴은 일관됩니다. 음성이 고정되지 않는 순간 Ming-3.0-tts는 우위를 잃습니다. 이는 복제 능력이 기본 제공 음성 세트보다 강한 모델의 특징이며, 호스팅된 음성 카탈로그가 없는 체크포인트가 마땅히 보여야 할 모습과 정확히 일치합니다. Ant는 100개가 넘는 중국어 내장 음성과 영어 음성 5개를 제공합니다. 그 영어 음성 중 3개가 실제로 Provider Voice 보드가 들은 것이며, 이는 ElevenLabs와 Cartesia가 공들여 제작한 카탈로그와 비교됩니다. 복제된 음성에서는 경쟁 조건이 평준화되고 모델은 다섯 계단 상승합니다.

또한 숫자는 이미 Ant 자체 README에서 벗어났다는 점에 유의해야 합니다. 저장소 표에는 Controlled 1,069, 전체 13위, Provider 1,188, 전체 17위라고 나와 있습니다. 오늘 보드에는 1,068, 12위, 1,187.8, 18위로 표시됩니다. 투표는 계속 들어오고 순위는 움직입니다. 이 수치를 인용하는 사람은 기준 날짜를 밝혀야 합니다.

93.2는 2승 2패입니다.

발음 견고성은 하나의 테스트가 아닙니다. Artificial Analysis는 이를 네 가지 범주로 나누는데, 각 범주에는 고유한 분모가 있으며, 바로 이 분할에서 이 모델이 비로소 또렷해집니다.

• 정확한 시퀀스 보존 — 코드, 파일 경로, 이메일 주소, 식별자. Ming-3.0-tts는 90.6%를 기록해 31개 중 1위이며, 다음으로 높은 Fish Audio Drama 3 Preview는 86.3%, Eleven v4는 78.8%입니다. 이는 지원 봇이 주문 번호를 올바르게 읽는지를 결정하는 범주이며, 격차는 작지 않습니다.

• 약어 확장 — 숫자, 날짜, 단위 및 표기법. Ming-3.0-tts는 96.5%를 기록해 31개 중 1위를 차지했으며, 94.1%의 Eleven v4와 93.6%의 Fish Audio Drama 3 Preview를 앞섰습니다.

• 문맥상 적절성 — {{1}}붕대로 감은 상처(a wound that is bandaged){{/1}}와 {{2}}감긴 붕대(a bandage that is wound){{/2}} 같은 동형이의어. Ming-3.0-tts는 91.0%를 기록해 31개 중 13위입니다. Gemini 3.8 Flash TTS가 98.0%로 선두입니다.

• 독립형 용어 — 브랜드, 장소 및 기술 명칭. Ming-3.0-tts는 88.5%를 기록해 31개 중 21위입니다. Fish Audio Drama 3 Preview가 95.9%로 선두입니다.

네 가지 구성 요소 중 하나에서 21위인데도 종합 점수에서 공동 1위를 하는 것은 역설이 아니다. 그것이 이기는 두 범주는 가장 큰 분모를 가진다(판정된 1,800개 스팬 중 1,084개가 축약 및 시퀀스 사례다). Ant 자체 README는 바로 이 두 승리에 기대며 Expanding Shorthand 96.5%와 Preserving Exact Sequences 90.6%를 짚고, 독립 실행도 둘 다 확인한다. 다만 21위는 언급하지 않는데, 이는 고객 성씨를 말해야 하는 모델을 출시하기 전에 음성 에이전트 팀이 살펴봐야 할 행이다.

21위라는 점은 Ant의 모델 카드에 담긴 한 세부 사항을 설명해 주는 가장 그럴듯한 근거이기도 하다. 영어 음성 세트는 5개인데 중국어는 100개가 넘는다. 영어 고유명사 커버리지는 모델링 문제이기 전에 데이터 문제이며, 용어 발음 수치는 누군가 그것을 측정했을 때 그 격차가 드러나는 모습이다.

보드에 없는 가족의 절반

Ming-3.0-tts-tiny는 Ling V3 백본 위에 구축된 총 7.9B, 활성 1.3B 규모의 전문가 혼합(MoE) 변형이며, 이들 리더보드 어디에도 해당 행이 없습니다. Ming-3.0-tts로 표시된 아레나 항목은 0.5B 체크포인트로 연결되고, 위의 모든 수치는 그 체크포인트에 속합니다. Tiny의 공개 결과는 Ant 자체 결과입니다 — 중국어 단어 오류율 0.820%, 화자 유사도 0.781, 독일어 0.325%, 스페인어 0.971%, 한국어 6.000% — 그리고 이를 독립적으로 재현한 사람은 아무도 없습니다. 이를 공급업체 주장으로 취급하세요; 창피한 한국어 수치는 적어도 Ant가 하이라이트 모음이 아니라 표를 공개하고 있다는 증거입니다.

Ant의 하네스에서 tiny가 형제 모델보다 실질적으로 앞서 보이는 곳이 한 군데 있습니다: 바로 다중 화자 팟캐스트 생성인데, 0.5B 모델은 이걸 전혀 하지 못합니다. 그것은 벤치마크 우위라기보다 제품 기능이며, 아레나에는 올라 있지 않습니다.

그것을 운영하는 것, 그리고 그에 드는 비용

0.5B 체크포인트는 백본, DiT 패치 헤드, 오디오 토크나이저, 스피커 인코더, 텍스트 토크나이저를 포함한 2.96GB 다운로드이며 MIT 라이선스이고 44.1 kHz 오디오를 출력합니다. Ant는 PyTorch 2.6, CUDA 12.4, transformers 4.46.3 환경에서 H800-80GB와 H20-96G로 테스트했으며, 리포지토리에는 Dockerfile이 포함되어 있습니다. 추론은 infer.py 또는 MingTTS Python 클래스를 통해 이루어집니다. Hugging Face 리포지토리는 체크포인트 배포 전용이며 단독으로 실행되지 않습니다.

Artificial Analysis는 호스팅된 Ant 엔드포인트를 측정한 결과, 생성 시간 기준 초당 44.3자였고 생성 시간 중앙값은 2.56초였습니다. 규모를 가늠하자면, 완성된 내레이션 100만 자는 해당 구성에서 모델 로딩이나 대기열을 제외하고 순수 생성만으로 약 6.3시간입니다. 호스팅된 상용 엔드포인트가 없기 때문에 공시된 가격도 없습니다. 즉, 문자 수가 아니라 GPU 시간을 구매하는 것입니다.

바로 이 지점에서 라우팅 레이어는 모델을 호스팅하는 척하지 않으면서도 진정으로 유용합니다. OrcaRouter는 Ming-3.0-tts를 제공하지 않습니다. 카탈로그에 Ming 음성 모델이 전혀 없으며, 해당 모델은 저장소를 복제해 직접 실행해야 사용할 수 있습니다. 우리가 제공하는 것은 동일한 파이프라인의 텍스트 절반입니다: 하나의 키로 200개 이상의 모델을 공급자 정가 그대로, 추가 마크업 없이, 공급자 간 자동 장애 조치, 그리고 이들을 조합하기 위한 라우팅 DSL입니다. 내레이션이나 에이전트 파이프라인을 구축하고 있다면, 대본을 작성하는 모델이 바로 오늘 통합할 수 있는 부분이고, 음성 모델은 직접 호스팅해야 하는 부분입니다.

앞으로 지켜봐야 할 것

세 가지 일이 이 상황을 바꿀 텐데, 그중 어느 것도 아직 일어나지 않았다.

Ant의 로드맵에는 여전히 기술 보고서가 미완료로 표시되어 있습니다. 보고서가 공개되기 전까지 아키텍처 설명은 한 문단과 다이어그램뿐이며, 평가 표가 모델이 어떻게 동작하는지에 관한 유일한 상세 근거입니다. 보고서는 또한 현재 가설에 불과한 용어 발음 격차를 설명해 줄 것입니다.

Provider Voice는 세 개의 네이티브 음성을 들어봤습니다. 이는 중국어로 100개, 영어로 5개를 제공하는 모델에게는 빈약한 표본이며, 더 많은 음성이 평가되면서 18위는 달라질 것입니다 — 어느 방향으로 움직일지는 지금으로서는 알 수 없습니다.

그리고 tiny 체크포인트는 어떤 독립적인 주체에 의해서도 여전히 측정되지 않고 있다. 만약 tiny가 실제로 한 행을 얻게 된다면, 흥미로운 질문은 토큰당 1.3B가 활성화되는 Ling V3 전문가 혼합(mixture-of-experts) 모델이 0.5B 모델을 독특하게 만드는 시퀀스 충실성 이점을 유지하는지, 아니면 Ant 자체 표가 부여하는 화자 유사성과 그것을 맞바꾸는지이다. 공급업체 수치만 보면 tiny가 더 나은 복제 음성이다. 존재하는 유일한 독립 수치에서는 0.5B가 테스트된 모델이며, 대부분의 사람이 실행할 생각을 하지 못하는 테스트 부분을 통과했다.