Ming-3.0-tts bereikt een TTS-podium met 0,5 miljard parameters, en MIT laat je het werk controleren

Een half miljard parameters is ongeveer de omvang van een klein embeddingmodel, of van een telefoonklasse-taalmodel van een paar jaar geleden. Het is niet de omvang waarin iemand een gedeelde eerste plaats op een onafhankelijk text-to-speech-leaderboard zou verwachten. Toch Ming-3.0-tts, de spraaksyntheselijn binnen de Ming-3.0-familie van Ant Group van het inclusionAI-team, doet precies dat: het dense checkpoint van 0,5 miljard parameters deelt de eerste plaats op het leaderboard voor Engelse uitspraak van Artificial Analysis met 93,2%, en het is het enige model onder 1 miljard parameters in de top drie van een van de TTS-leaderboards die wij volgen. De familie werd op 20 oktober 2026 openbaar gemaakt onder de MIT-licentie, met gewichten op Hugging Face en ModelScope en inferentiecode in een aparte GitHub-repository.

Het direct interessante is niet dat een klein model goed is. Kleine modellen zijn nu goed; dat was ergens rond de eerste golf gedistilleerde spraakmodellen geen nieuws meer. Het interessante is wat een goed 0.5B-model verandert aan hoe je spraak inkoopt: het verschuift de beslissing van "van welke leverancier huur ik een meter per karakter" naar "welke GPU heb ik al over." Dat is een andere bedrijfsvraag, en het is precies de vraag die deze release feitelijk beantwoordt.

Wat er is uitgebracht, en wat al was uitgelekt

De Ming-3.0-spraakfamilie bestaat uit vijf modellen verdeeld over drie lijnen: tekst-naar-spraak, audiobegrip en dialoog, en spraakherkenning. Twee van die vijf zijn TTS-checkpoints, en het zijn niet hetzelfde product in verschillende groottes.

• Ming-3.0-tts-0.5B — een dense model op een Qwen2.5-0.5B-backbone, met een DiT-patchhead, een audiotokenizer, een sprekerencoder en een teksttokenizer. Ongeveer 2,96 GB aan safetensors. Dit is het checkpoint met onafhankelijke metingen.

• Ming-3.0-tts-tiny — een mixture-of-experts-model op Ants Ling V3-backbone, 7,9 miljard totale parameters maar ongeveer 1,3 miljard actief per token. Ongeveer 18 GB verdeeld over 30 shards. Het voegt podcastgeneratie met meerdere sprekers toe. De naam verwijst naar de runtimekosten, niet naar de downloadgrootte, een naamgevingsbeslissing die al veel mensen in verwarring heeft gebracht.

Eén detail dat je goed in gedachten moet houden, omdat het verandert hoe je de berichtgeving over de lancering leest: de 0.5B-checkpoint stond al op Hugging Face vóór de aankondiging. Wat rond 19–20 oktober kwam, was de GitHub-repository met daadwerkelijke inferencecode, een gecoördineerde aankondiging van open-sourcing en de onafhankelijke benchmarkruns. De weights waren op de dag van de aankondiging niet nieuw; het vermogen om ze te draaien zonder een checkpoint te reverse-engineeren, was dat wel.

Er is nog steeds geen technisch rapport. Voor een model waarvan de voornaamste claim architecturale efficiëntie is, is dat het ontbrekende document. Alles hieronder over waarom 0.5B genoeg is, is afgeleid uit de modelkaart, de code en de leaderboards, niet uit een paper die het trainingsrecept uitlegt.

De rekenkunde die 0.5B belangrijk maakt

Het aantal parameters van een TTS-model is geen abstracte score. Het bepaalt op welke hardware het model past, en dus wat het kost om het te serveren.

• Form factor — Ming-3.0-tts-0.5B past in ongeveer 3 GB aan gewichten. In BF16 valt dat ruim binnen één consumentenkaart van 24 GB, met ruimte voor de audiotokenizer en een batch gelijktijdige verzoeken. Het project is getest op H800-80GB en H20-96G, wat een lab nu eenmaal heeft staan, niet wat het model vereist.

• Backbone — de tekstkant is een Qwen2.5-0.5B, een breed ondersteunde architectuur. Dat is minder van belang voor de kwaliteit dan voor de tooling: er bestaan al kwantisatie-, serving- en profileringspaden voor.

• Uitvoer — 44,1 kHz-audio, dat boven de 24 kHz ligt die de meeste open spraakmodellen nog steeds produceren en onder de 48 kHz waar Alibaba's Qwen-Audio-3.0-TTS naar is overgestapt. Voor narratie, podcasts en de meeste productvoice-overs maakt 44,1 kHz de resamplingstap overbodig.

Vergelijk dat met de twee modellen waar dit model meestal naast wordt genoemd. Qwen-Audio-3.0-TTS is alleen via API beschikbaar, met niet bekendgemaakte parameteraantallen; je kunt het in geen enkele omvang op je eigen GPU draaien. De demostem van Sesame Preview draait op een productiemodel dat Sesame nooit heeft uitgebracht; het downloadbare CSM-1B is een ander, zwakker model. Vergeleken met beide is Ming-3.0-tts het enige in het gesprek waarvan de omvang een getal is waar je iets mee kunt doen, in plaats van een feit dat je op een prijspagina leest.

De praktische consequentie is de kostencurve. Een API die per teken factureert, rekent je hetzelfde voor het eerste uur audio als voor het tienduizendste uur. Een self-hosted 0,5B-model rekent je een vaste GPU-rekening en nadert daarna nul marginale kosten. Onder een bepaald volume is de API duidelijk goedkoper, omdat de GPU-rekening echt is en onbenut. Daarboven keert de curve hard om. Het exacte omslagpunt hangt af van je benutting en je GPU-prijs, maar de vorm staat niet ter discussie.

Waar de half miljard parameters terechtkomen

Artificial Analysis heeft het 0.5B-checkpoint in oktober 2026 gemeten. Dit zijn onafhankelijke, door mensen beoordeelde runs, niet de eigen tabellen van Ant, en daarom wegen ze hier zwaar.

• Robuustheid van uitspraak — 93,2%, gedeeld eerste overall onder de modellen op het bord. Dit is het bord waar de sub-1B-bewering het sterkst is: de modellen eromheen zijn vele malen groter.

• Controlled Voice — 1.069 Elo, eerste onder open-weight modellen en ongeveer 13e overall. Deze ranglijst gebruikt acht gekloonde stemmen verdeeld over vier Amerikaanse en vier Britse accenten, dus in de openbare cijfers komt het het dichtst in de buurt van een kloontest.

• Provider Voice — 1.188 Elo, derde onder open-weight modellen en ongeveer 18e overall. Deze ranglijst gebruikt de eigen standaardstemmen van elk model, en hier ziet het kleine model er het minst indrukwekkend uit.

Dat laatste paar vertelt in twee cijfers het hele verhaal van het model. Ming-3.0-tts is veel sterker wanneer het een stem kloont dan wanneer het een van zijn eigen stemmen gebruikt. De modelkaart zegt dat ook in de sectie met beperkingen, en de oorzaak is zichtbaar in het specificatieblad: de meegeleverde catalogus bestaat uit ruim 100 Chinese stemmen en slechts vijf Engelse. Als jouw taak is "lees dit script voor in onze merkstem", dan zijn vijf Engelse referentiestemmen geen catalogus, maar een beperking. Als jouw taak is "kloon deze specifieke spreker", dan is het model competitief met veel grotere systemen.

De totaalscore verbergt ook een specifieke zwakte die het kopcijfer verdoezelt: bij losstaande termen — merknamen, plaatsnamen, geïsoleerde eigennamen — staat het model op de 21e plaats van de 31. Het is uitstekend in het werk op sequentieniveau dat het uitspraakpanel beloont, en zwak in de eenmalige woordenschat waar echte scripts vol van staan. Als je product "Kubernetes", "Xavi" of de achternaam van een klant bevat, test dat dan voordat je 93,2% vertrouwt.

MIT is het onderdeel dat mensen zullen onderschatten.

Licenties zijn meestal de minst interessante regel in een modelaankondiging en de meest ingrijpende regel in een inkoopbeoordeling. Ming-3.0-tts is MIT, beide checkpoints, geen poort, geen doorklikprocedure voor acceptabel gebruik, geen uitzondering voor commercieel gebruik.

• Fine-tuning — toegestaan, ook op eigen propriëtaire stemdata, zonder verplichting om het resultaat te publiceren.

• Herverdeling — toegestaan, ook binnen een product dat u verkoopt.

• Audit — de code staat op GitHub, dus je kunt lezen wat het model doet met een referentieclip voordat je de stem van een klant uploadt.

Dat is een wezenlijk andere positie dan de twee voor de hand liggende alternatieven. Sesame's CSM-1B is Apache-2.0, maar alleen toegankelijk na acceptatie van voorwaarden, en het is niet de stem in de demo. Qwen-Audio-3.0-TTS publiceert helemaal geen gewichten. Voor een team waarvan de juridische review vraagt "waar gaat de audio van de spreker naartoe?", is MIT plus lokale inferentie het enige antwoord in deze vergelijking dat niet vereist dat je het databeleid van een leverancier vertrouwt.

Wat MIT je niet oplevert, is productiegereedheid. De Hugging Face-repositories zijn uitsluitend checkpointdistributie; voor inferentie moet je de GitHub-repository clonen, en de code is van onderzoekskwaliteit. Het is al dagen openbaar. Dat is een reëel risico, en geen enkele licentie neemt dat weg.

Wat het kost om het daadwerkelijk te runnen

Er is geen prijs per karakter, omdat er geen gehost endpoint is. Op het moment van schrijven meldt Hugging Face dat het model "door geen enkele Inference Provider wordt aangeboden", wat de duidelijkst mogelijke uitspraak is dat de open gewichten buiten China het volledige product zijn.

• Rekenkracht — één moderne GPU kan het 0.5B-checkpoint aan; de kleine MoE heeft meer geheugen nodig en, volgens de repository, een aparte omgeving.

• Afhankelijkheden — CUDA 12.4, PyTorch, een optioneel flash-attn-pad dat terugvalt op PyTorch SDPA, en pynini voor FST-gebaseerde tekstnormalisatie, tenzij je normalisatie uitschakelt. Dat laatste is een klassieke bron van installatieproblemen op recente Python-versies.

• Toegang binnen China — Ant biedt een API aan via Ling Studio, en de familie is intern ingezet in Alipay-zoekopdrachten, de gezondheidsapp Afu en interne kantoortools. Dat is een echt productiesignaal, maar het is geen internationaal beschikbaar beheerd endpoint.

De eerlijke kostenrekening luidt dus: gratis gewichten, plus een operationele rekening. Als je al GPU's draait, zijn de marginale kosten klein en bestaat de marginale inspanning uit een dag worstelen met dependencies. Als dat niet zo is, zit je nu in de GPU-business, en de API die je probeerde te vermijden, is misschien nog lang de goedkopere optie.

Waar een router past wanneer het spraakmodel op je eigen hardware draait

OrcaRouter host geen Ming-3.0-tts. Er is geen Ming-spraakeindpunt op ons platform, en we zullen niet suggereren dat dat wel zo is. Wat we wel hosten, is de andere helft van een spraakpijplijn: het taalmodel dat het script schrijft of herschrijft, en de tekst-naar-spraakmodellen die je kunt aanroepen wanneer je een beheerde stem wilt in plaats van een zelfgehoste, waaronder Gemini 3.1 Flash TTS Preview en OpenAI's GPT-4o mini TTS.

Die splitsing is nuttiger dan ze op het eerste gehoor klinkt. Een zelf-gehoste Ming-node geeft je de stem en geen van de beschikbaarheidsgaranties; de routeringslaag eromheen geeft je de rest. Eén API-sleutel dekt meer dan 200 modellen tegen 0% opslag op de lijstprijs van de provider, dus een prijsverlaging van een leverancier is dezelfde dag live aan onze kant in plaats van pas wanneer een reseller een spreadsheet bijwerkt. Automatische failover betekent dat wanneer je enige Ming-GPU bezet of down is, het verzoek kan landen op een gehost TTS-model in plaats van te falen, en de routerings-DSL laat je die fallback in de aanroep verwerken in plaats van er iets aan vast te schroeven in applicatiecode. Niets daarvan maakt Ming betrouwbaarder. Het zorgt ervoor dat de pipeline rond Ming het overleeft wanneer Ming niet beschikbaar is, wat het werkelijke productieprobleem is bij elk zelf-gehost model van onderzoekskwaliteit.

Wat zou deze beoordeling veranderen?

Drie dingen zijn het volgen waard, en elk ervan zou het oordeel een andere kant op sturen.

Het eerste is het technische rapport. Ant heeft er een beloofd. Totdat het er is, is de efficiëntieclaim wel gemeten maar niet verklaard, en er is geen manier om te weten of het 0.5B-resultaat voortkomt uit een werkelijk betere architectuur of uit een zeer goed samengestelde trainingsset die niet naar jouw domein overdraagbaar is.

Het tweede is ondersteuning voor serving. De repository noemt vLLM-Omni versnelde inferentie als roadmap. Als dat er komt, dalen de kosten van self-hosting opnieuw, omdat een 0,5B-model op een degelijke servingstack goedkoop is op een manier waarop een onderzoeksscript dat niet is. Als dat niet gebeurt, onderhoud je voor onbepaalde tijd een Python-inferentiepad.

De derde is Engels. Vijf standaard Engelse stemmen vormen de beperkende factor op het provider-stemmenbord, en het is voor het team het gemakkelijkst op te lossen. Een bredere Engelse catalogus zou het zwakste cijfer van het model verbeteren zonder de architectuur aan te raken.

De bewering die scepsis verdient, is die in de kop: dat een 0,5B-model op een podium thuishoort naast modellen die vele malen groter zijn. Op het uitspraakleaderboard, gemeten op Engelse tekst, is dat vandaag de dag waar. Op het leaderboard voor stemmen van aanbieders staat het op de derde plaats onder open-weightmodellen en ongeveer achttiende overall, wat een goed resultaat is voor die grootte en geen podium. Beide dingen zijn tegelijk waar, en het verschil daartussen is precies het verschil tussen het klonen van een stem die je zelf aanlevert en het gebruiken van een stem die het model standaard meebrengt. Welke van de twee je nodig hebt, bepaalt of 0,5B genoeg is.