Ming-3.0-tts vs Ming-3.0-tts-tiny: 더 작은 체크포인트가 다운로드하기엔 더 나은 선택이며, 더 큰 쪽은 사람들이 측정해 본 유일한 모델이다

Ant Group은 두 개의 음성 모델을 하나의 이름으로 출시했는데, 그 명명 방식이 가장 먼저 혼란을 일으키는 부분이다. Ming-3.0-tts-the-default는 0.5B dense 모델이다. 디스크상 2.96 GB, Qwen2.5-0.5B 백본을 사용하며 빠르고 저렴하고, 두 모델 중 독립적인 점수를 가진 유일한 모델이다. Ming-3.0-tts-tiny는 두 모델 중 약 10배 더 큰 모델이다. 토큰당 1.3B가 활성화되는 7.9B 매개변수 전문가 혼합(MoE) 모델로, Ling V3 백본을 기반으로 하고 18 GB의 샤드 가중치를 갖는다. 그리고 tiny라고 불리는 이유는 다운로드 비용이 아니라 실행 비용 때문이다. 레이블만 보고 고르면 잘못된 파일을 받게 된다. 이와 같은 릴리스 뒤에 있는, 문서화된 AI 실패와 에이전트 사건은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 플래그가 포함되어 있다.

당신을 오도할 두 번째 것은 리더보드입니다. Artificial Analysis에는 Ming-3.0-tts 행이 있으며 Provider Voice Elo 1,188, 발음 견고성 93.2%를 기록하고, 그 행은 0.5B 체크포인트로 연결됩니다. 그중 어느 것도 tiny의 것이 아닙니다. tiny의 수치는 Ant 자체 표에서 나온 것으로, 모델 카드와 GitHub README에 공개되어 있으며, 어떤 제3자도 그중 어느 것도 재현하지 못했습니다. 따라서 정직한 비교는 두 부분으로 나뉩니다. 하나는 독립적 증거가 있고 팟캐스트 모드가 없는 모델, 다른 하나는 벤더 증거가 있고 상대 모델에는 없는 기능을 갖춘 모델입니다. 어느 쪽이 필요한지는 어떤 모델이 더 나은지의 문제가 아니라, 당신의 워크로드에 관한 문제입니다.

같은 아키텍처 계열이지만 전혀 다른 두 기계

두 모델은 Ant가 README에서 설명하는 생성 프레임워크를 공유합니다. 텍스트와 작업별 제어 토큰이 언어 모델의 조건을 이루고, 이 언어 모델이 오디오 토큰을 출력하는 diffusion-transformer 패치 헤드를 구동합니다. 차이는 그 아래에 있는 언어 모델입니다. 0.5B는 dense Qwen2.5-0.5B를 사용하고, tiny는 총 7.9B 규모에 토큰당 약 1.3B가 활성화되는 sparse Ling V3 mixture of experts를 사용합니다.

• 다운로드 크기 — Ming-3.0-tts 2.96 GB vs Ming-3.0-tts-tiny 약 18 GB(30개 샤드)

• 파라미터 — 0.5B dense 대비 총 7.9B / 활성 1.3B MoE

• 백본 — Qwen2.5-0.5B vs Ling V3

• 런타임 — Python 3.8 기반 스택의 PyTorch 2.6 + CUDA 12.4 vs Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• 하드웨어 — H800-80GB 및 H20-96G에서 테스트되었으며 H800 권장, SGLang-Omni는 GPU 1개에서 서빙할 수 있습니다

• 다중 화자 팟캐스트 생성 — 지원되지 않음 vs 지원됨

• 라이선스 — MIT vs MIT

• 독립 아레나 점수 — 예, 1,188 Provider / 1,068 Controlled / 93.2% 발음 vs 없음

두 체크포인트는 Python 환경을 공유하지 않습니다. 이는 문서상의 사소한 특이사항이 아닙니다. 즉, 같은 머신에서 둘 다 평가하려는 팀은 virtualenv 두 개를 유지해야 하고, 프로덕션에서 둘을 A/B 테스트하려는 팀은 배포 이미지 두 개를 유지해야 합니다. 계획이 "작은 것부터 시작하고 나중에 업그레이드한다"라면, 마이그레이션을 설정 변경이 아닌 실제 작업으로 예산에 잡아야 합니다.

Ant 자체 수치로 볼 때 작은 것이 진정으로 더 나은 경우

화자 유사도는 가장 명확하고 일관된 강점이며, 복제된 음성이 그 사람처럼 들리는지를 결정하는 수치입니다.

• Seed-TTS 중국어 화자 유사도 — Ming-3.0-tts 0.758 vs tiny 0.781

• Seed-TTS 영어 화자 유사도 — 0.691 vs 0.728

• 독일어 유사도 — 0.753 대 0.791

• 스페인어 유사도 — 0.763 vs 0.797

• 프랑스어 유사도 — 0.675 대 0.733

• 일본어 유사도 — 0.765 vs 0.780

• 한국어 유사도 — 0.793 vs 0.797

Tiny는 유사도에서 모든 언어에서 근소하게 앞서며, 보통 3~6점 차이이고, 통제 벤치마크에서도 이 패턴이 유지됩니다. CV3 감정에서는 평균 74.00% 대 72.33%, 음성 디자인 정확도에서는 75.37% 대 72.29%입니다. 고객이 따로 설명받지 않아도 알아차리는 두 가지는 바로 내 목소리처럼 들리는지, 그리고 내가 설명한 대로 했는지입니다. 두 가지 모두에서 7.9B MoE가 앞서 있습니다.

콘텐츠 정확성은 다른 방향으로 갈리며, 그 분할은 대칭적이지 않다.

• Seed-TTS 중국어 단어 오류 — 0.800% vs 0.820%. 사실상 동점이며, dense 모델이 근소하게 앞선다.

• Seed-TTS 영어 단어 오류율 — 1.584% 대 1.666%. Dense가 앞섭니다.

• 독일어 — 0.365% 대 0.325%. 근소하게 앞섬.

• 스페인어 — 1.099% vs 0.971%. 근소하게 앞섬.

• 프랑스어 — 4.264% 대 3.470%. Tiny가 큰 차이로 앞서 있습니다.

• 일본어 문자 오류 — 3.765% 대 3.427%. 근소하게 앞섬.

• 한국어 문자 오류 — 1.728% vs 6.000%. Dense가 3.5배 앞섭니다.

한국어는 "타이가 다국어에 더 강하다"는 결론을 내리려는 사람을 멈춰 세워야 할 예외 사례다. Ant 자체의 카드도 이를 지적한다. 한국어는 타이 모델에서 다국어 정확도 격차가 가장 크며, 6.000%라는 수치는 5억 개 모델이 기록한 것의 세 배가 넘는다. 한국 시장을 겨냥해 개발하는 팀에게는 명확한 답이 있으며, 그것은 더 큰 모델이 아니다.

벤치마크가 아닌 역량

Ming-3.0-tts-tiny는 화자 참조가 포함된 대본으로 다중 화자 팟캐스트 대화를 생성합니다. Ming-3.0-tts는 그렇지 않습니다. 이는 점수가 아니라 제품 기능이며 어떤 리더보드에도 나타나지 않습니다. 바로 그렇기 때문에 둘 다 "voice cloning"과 "voice design"을 나열하는 사양서를 비교할 때 놓치기 쉽습니다.

Ant의 팟캐스트 평가는 자체 하네스에서 tiny를 문자 오류율 2.03%, 화자 유사도 0.561, UTMOS 2.12로 측정했으며, 이는 ZipVoice-Dia의 UTMOS 2.24, FireRedTTS2의 CER 3.34%, MOSS-TTSD의 8.62%와 대비됩니다. 주목할 것은 UTMOS 격차입니다. tiny는 콘텐츠 정확도에서는 앞서지만 자연스러움에서는 가장 우수한 비교 대상에 뒤처지는데, 이는 화자 유사도 수치가 반대 방향에서 암시하는 것과 같은 트레이드오프입니다. 팟캐스트 생성은 단일의 완벽한 클립보다 턴테이킹과 화자 일관성에 더 큰 가치를 두며, 그것이 바로 tiny의 우위가 지닌 형태입니다.

두 사람이 대화하는 상황이 필요하다면, 여기서는 비교 자체가 성립하지 않습니다 — 한 모델은 해내고, 다른 한 모델은 하지 못합니다. 이 글의 나머지 내용은 두 모델 모두 그 작업을 수행할 수 있는 경우에 관한 것입니다.

독립성 격차가 실제로 당신에게 초래하는 비용

0.5B 모델의 아레나 위치는 이 모델에 얼마나 비중을 둘지 결정하기 전에 이해할 가치가 있습니다. 이 모델은 Provider Voice Elo 1,188점으로 97개 중 18위, Controlled Voice 1,068점으로 오픈웨이트 모델 중 1위이자 전체 12위입니다. 발음에서는 93.2%로, 실질적으로 Fish Audio Drama 3 Preview와 동률이며 Eleven v4보다 앞섭니다. 이는 공개된 표본 수와 신뢰구간을 갖춘 독립적인 측정치입니다.

그것이 여러분에게 주는 것은 캘리브레이션입니다. 동일한 연구소가 세 시스템을 모두 같은 보드에서 측정했기 때문에, 여러분은 dense 모델이 ElevenLabs와 Cartesia에 맞서 대략 어디에 위치하는지 압니다. tiny의 경우에는 Ant가 말한 것만 알 수 있으며, 그것도 Ant의 하네스와 Ant의 설정으로 측정된 것입니다. 그리고 Ant는 결과에 이해관계가 있는 당사자입니다. 이는 비난이 아닙니다. 표들은 한국어 수치와 피치 제어 및 역할극 음성 디자인을 약점으로 명시한 한계 목록까지 포함해 이례적으로 솔직합니다. 이는 하나의 수치가 무엇을 뒷받침할 수 있는지에 대한 진술입니다. 벤더 표는 벤더가 측정하기로 선택한 축에서 모델이 경쟁력이 있다고 알려주고, 아레나 행은 이미 사용 중인 시스템들과 견줘 어디에 위치하는지 알려줍니다.

독립 평가 위원회가 여러분에게 말해주지 않는 특정한 사실이 하나 더 있습니다: 그것은 단 하나의 음성으로 측정했다는 점입니다. Artificial Analysis에 따르면 각 모델은 발음 평가 보드에서 단일 음성으로 평가되며, Ming의 행은 세 가지 원어민 음성을 사용할 수 있는 Ant의 엔드포인트를 사용합니다. 93.2%가 실제 제품이 출시할 클론 음성 전반에서도 유지되는지는 알 수 없으며, 이것이 여러분이 직접 테스트해볼 가치가 있는 첫 번째 항목입니다.

실제로 선택하기

의사 결정 트리는 짧습니다.

Ming-3.0-tts (0.5B)를 선택하세요 가장 작은 실용적 다운로드를 원하거나, 한국어용으로 배포하거나, 다른 작업에도 사용하는 80GB 카드 한 장을 하드웨어로 쓰거나, 작성자 외의 누군가가 동작을 측정한 모델이 필요할 때. 독립 하네스에서 2.96GB, 초당 44.3자로, GPU 한 장에서 실시간 음성보다 빠른 쓸 만한 내레이터입니다.

Ming-3.0-tts-tiny를 선택하세요 — 화자 유사성이 곧 제품인 경우, 즉 클론 브랜드 보이스, 개인화된 낭독, 청취자의 첫 판단이 "저 목소리가 그 사람처럼 들리는가"인 모든 경우 — 또는 팟캐스트 대화가 필요하거나 프랑스어, 독일어, 스페인어, 일본어 정확도가 제약 조건인 경우라면. 18GB의 가중치, 별도의 Python 3.10 환경, H800급 카드를 예산에 잡으세요.

둘 다 선택하지 마세요. 다만 tiny에 프로덕션 용량을 투입하기 전에 독립적인 수치가 필요하다면 말이죠. 아레나 행은 존재하지 않고, 기술 보고서는 여전히 로드맵에서 미확인 상태이며, vLLM-Omni 가속은 공개된 레시피도 없이 README에서 완료로 표시되어 있습니다. 이 세 가지 공백은 곧 tiny를 손쉽게 추천할 수 있게 해줄 바로 그 세 가지입니다.

두 모델 모두에 적용되는 운영상 참고 사항이 하나 있습니다. 두 체크포인트 모두 스트리밍하지 않습니다. 두 모델 모두 첫 오디오까지의 시간(time-to-first-audio)이 공개되어 있지 않으며, arena의 처리량 수치는 완료된 요청에 대한 생성 기준입니다. 애플리케이션이 대화형이라면, 어떤 크기를 선택하든 이 모델군은 적합한 도구가 아닙니다.

라우팅 질문은, 여기서는 다릅니다

이 사이트의 대부분 비교 글은 접근 통합에 관한 문단으로 끝난다. 이 글은 그렇게 끝낼 수 없다. OrcaRouter가 Ming 체크포인트 중 어느 것도 호스팅하지 않기 때문이다. 카탈로그에는 Ming 음성 모델이 없고, 둘 다 Ant의 GitHub 저장소를 복제한 뒤 가중치를 직접 실행해야 접근할 수 있다. 다르게 말한다면 독자가 30초 만에 확인할 수 있는 거짓말이 될 것이다.

사실인 부분은 더 좁지만 여전히 유용합니다. 음성 파이프라인은 보통 텍스트가 먼저입니다. 무언가가 대본을 쓰고, 무언가가 그것을 번역하고, 무언가가 그것이 사내 문체에 맞는지 검사합니다. 그 텍스트 단계는 하나의 키 뒤에 둘 수 있습니다 — 마크업이 추가되지 않은 제공업체 정가로 200개 이상의 모델, 자동 페일오버 제공업체가 성능 저하를 보일 때 작동하며, 요청에 포함된 내용에 따라 작업을 다른 모델로 보내는 라우팅 DSL도 제공합니다. 이 비교에서 음성 단계는 어느 쪽이든 사용자의 하드웨어에 남아 있으며, 셀프 호스팅 경로가 두 체크포인트 사이의 선택을 되돌릴 수 있게 해줍니다. MIT 가중치는 만료되지 않고, 이미 디스크에 있는 모델은 그 대체 모델을 평가하는 동안 계속 서비스할 수 있는 모델입니다.

무엇이 그것을 해결할까요?

세 가지 개발 상황을 추천에 영향을 줄 수 있는 정도 순서로 정리했습니다. 아레나의 작은 행 하나만으로도 유사성 우위가 블라인드 청취자 비교에서 살아남는지 알 수 있을 것입니다. 이 비교는 아직 실행되지 않은 유일한 테스트입니다. 기술 보고서는 1.3B 활성 MoE가 왜 화자 유사성을 얻고 한국어 정확도를 잃는지, 그리고 그것이 데이터 분할 때문인지 아키텍처적 결과인지 설명할 것입니다. 그리고 공개된 vLLM-Omni 레시피가 있다면 18 GB 체크포인트를 연구용 배포가 아니라 임대 하드웨어에서 실용적으로 만들 수 있을 것입니다.

그때까지는 Ant가 두 가지 작업을 위해 두 모델을 내놓고, 더 작은 작업이 더 작은 파일처럼 들리게 하는 이름을 붙였다는 관점이 유용합니다. 그렇지 않죠. 0.5B는 측정하고 배포하고 디자인 리뷰에서 방어할 수 있는 모델이고, 7.9B는 7개 언어 중 6개에서 복제한 사람과 더 비슷하게 들리는 모델입니다. 물론 그걸 믿고 받아들일 여유가 있다면요.