Ming-3.0-tts-tiny heeft de beste gekloonde stem in de familie en eindigt zesde in het Koreaans.

De beste sprekerovereenkomstscore in de nieuwe spraakfamilie van Ant Group is voor het model met de minste actieve parameters. Ming-3.0-tts-tiny is een mixture-of-experts-checkpoint van 7,9B dat per token ongeveer 1,3B parameters activeert, en op de Chinese Seed-TTS-set behaalt het een sprekerovereenkomst van 0,781 — het hoogste cijfer in alle gepubliceerde tabellen van Ant, en hoger dan de 0,758 van zijn eigen kleinere broertje. Op Koreaans eindigt hetzelfde model als zesde van de acht systemen die Ant heeft gebenchmarkt, met een tekenfoutpercentage van 6,000%, terwijl dat broertje van 0,5B 1,728% haalt. Beide cijfers komen uit dezelfde leveranciersharness, uitgevoerd door hetzelfde team, op dezelfde dag. De afstand tussen beide is het nuttigste aspect van de release. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waarbij elke vermelding haar eigen bronnen, ernst, betrouwbaarheidsgraad en betwistmarkering bevat.

Niets hiervan werd aangekondigd. De checkpoint verscheen op 24 september 2026 op Hugging Face, twee dagen nadat de repository zelf was aangemaakt; de inferentiecode, de voorbeeldscripts en het taakcookbook kwamen pas op 19 oktober, toen de GitHub-repository werd geopend en de eerste commit om 08:58 UTC werd vastgelegd. Op het moment van schrijven had de Hugging Face-repository 20 downloads en 3 likes, en de GitHub-repository vijf sterren. Beschouw wat volgt dus als een interpretatie van de artefacten, niet als een verslag van een lancering: alles hier is controleerbaar in de repositories, en de onderdelen die dat niet zijn, zijn als zodanig gemarkeerd.

Het Koreaanse resultaat is geen afrondingsfout.

De meertalige tabel van Ant vergelijkt het kleine model met zeven andere systemen op zes talen. Lees de hele rij, niet alleen de kop.

• Duits — 0,325% tekenfoutpercentage, de eerste van de acht, vóór de op een na beste met 0,612%.

• Spaans — 0,971%, eerste, met de nummer twee op 1,184%.

• Japans — 3,427%, gedeeld tweede.

• Frans — 3,470%, tweede, maar met een sprekerovereenkomst van 0,733 die niet in de top drie eindigt; dat staat in de eigen beperkingensectie van de tabel.

• Koreaans — 6.000%, zesde van acht, en de enige taal waarin het model wordt verslagen door een systeem dat het elders overal juist voorbijstreeft.

• Chinees en Engels — de twee talen waarop het model daadwerkelijk is gebouwd, en de twee waarin de sprekerovereenkomst het beste presteert.

Het Koreaanse cijfer is ongeveer drieënhalf keer het foutpercentage van Ming-3.0-tts-0.5B voor dezelfde taal. Ant legt niet uit waarom, en de modelkaart speculeert niet. Wat zonder giswerk gezegd kan worden, is structureel: dit is een sparse model, en sparse modellen leiden tokens door een subset van experts, dus een taal die minder trainingssignaal in het mengsel heeft gekregen, kan sneller verslechteren dan in een dense model met een vergelijkbare totale omvang. Dat is een plausibel mechanisme, geen bevinding, en het moet worden behandeld als een te testen hypothese, niet als een verklaring. De praktische interpretatie is nauwer en beter verdedigbaar: als Koreaans in je product zit, is dit niet de checkpoint om naar te grijpen totdat iemand hem op echte Koreaanse tekst heeft gedraaid.

Waar 7,9 miljard parameters echt naartoe gaan

De naam zegt klein; de bestandsgroottes zeggen iets anders, en het verschil zit in de architectuur.

• Totaal aantal parameters — de Hugging Face-metadata rapporteert 8.980.964.372 in BF16 plus 40.096 in F32, en de repository beslaat ongeveer 18 GB. De release beschrijft het model als 7.9B-A1.3B, wat 7,9 miljard totaal betekent en ongeveer 1,3 miljard actief per token. Die beschrijving is op 16 oktober in de modelkaart gecorrigeerd, waarbij een eerdere formulering is vervangen, dus citeer de nieuwere versie.

• Ruggengraat — Ling V3, dezelfde familie die Ant gebruikt voor zijn grotere tekstmodellen, uitgevoerd als een mixture of experts in plaats van als een dense stack.

• Head — een diffusietransformer die de verborgen toestanden van de backbone omzet in audio-latenten, gevolgd door een afzonderlijke audiotokenizer die ze naar golfvorm decodeert.

• Bundel — de checkpoint levert de backbone, de DiT-head, de audiotokenizer, een CAM++-sprekerencoder en de teksttokenizer in één map. Je downloadt een pipeline, geen taalmodel met een adapter eraan vastgeschroefd.

• Output en stemmen — hetzelfde brede bedieningsoppervlak als de rest van de familie: zero-shot cloning op basis van een korte referentieclip, stemontwerp op basis van een natuurlijke beschrijving, vrije stijlregeling, meer dan 100 ingebouwde Chinese stemmen en vijf Engelse, en 14 inline paralinguïstische tags voor lachen, zuchten, ademhaling en aarzeling, plus expliciete instellingen voor emotie, snelheid, toonhoogte en volume.

• Talen — Chinees, Engels, Duits, Spaans, Frans, Koreaans en Japans, met Sichuanees en Kantonees beschikbaar wanneer een referentieclip in dat dialect wordt aangeleverd.

• Licentie — MIT voor gewichten en code, met een gebruiksnotitie waarin wordt gevraagd mensen niet zonder toestemming na te doen en synthetische audio te labelen. Die notitie is een verzoek, geen licentievoorwaarde.

Het vreemde gevolg is dat "tiny" een uitspraak is over compute per token, niet over schijf of VRAM. Je verbruikt het geheugen van een 7.9B-model en krijgt de snelheid van een 1.3B-model, wat een redelijke ruil is voor batchsynthese en een slechte voor een laptop. De eigen omgeving van Ant schrijft een H800 voor als aanbevolen kaart, en niets in de release suggereert iets anders.

De vijf kolommen die het wint

Elk getal in deze sectie is van Ant zelf, gemeten op Ants harness met Ants aanbevolen inferentie-instellingen, en de modelkaart is de enige plek waar het te vinden is. De labels zijn hier belangrijker dan gewoonlijk, omdat dit de getallen zijn die elders zonder deze worden geciteerd.

• Sprekersimilariteit, Chinees zero-shot — 0,781, de beste in de vergelijkingsset, met een woordfoutpercentage van 0,820%. Engels bereikt 0,728 similariteit bij een foutpercentage van 1,666%, ook de beste similariteit in zijn kolom.

• Paralinguïstische enkelvoudige gebeurtenis, NVBench — het model loopt voorop in alle zes categorieën met één tag: Chinees 2,80 fout / 17,23 overeenkomst / 3,20 score, Engels 5,86 / 32,95 / 7,05. Bij zinnen met meerdere gebeurtenissen leidt het de Engelse kolom met 5,12 / 46,13 / 7,68 en zit het in het Chinees in de middenmoot met 4,49 / 32,88 / 5,81.

• Dialect — WSC-Eval-TTS eenvoudige set 2,53% tekenfout, 0,721 gelijkenis, 86,09% nauwkeurigheid; moeilijke set 3,11%, 0,738, 88,94%. Beide zijn primeurs in Ants tabel. Kantonees bereikt 7,40% / 0,605 / 92,90 op de basisset en 8,67% / 0,653 / 95,16 op de dekkingsset.

• Emotie — gemiddeld 74,00% op de Chinese CV3-set en 30,67% op CV3N, eerste op beide Sad-subsets en verder onopmerkelijk.

• Stemontwerp — 75,37% gemiddeld op InstructTTSEval-ZH, tweede in totaal, met scores op attribuutprompts van 85,10, beschrijving 79,90 en rollenspel 61,10. Rollenspel is de zwakke plek: vierde plaats, en de modelkaart geeft dat ook aan.

De tabel met basisattributen is het minst glamoureus en waarschijnlijk het nuttigst: 93% op leeftijd, 93% op geslacht, 78,70% op toonhoogte, een gemiddelde van 88,23% met een woordfoutpercentage van 0,274% en een gelijkenis van 0,742. Toonhoogte is de zwakste van de vier controles, wat overeenkomt met wat elk ander systeem in deze klasse rapporteert.

Het podcastnummer is de echte reden om dit op te merken.

Het 0,5B-model kan geen podcasts met meerdere sprekers genereren. Het tiny-model kan dat wel, en in de podcasttabel van Ant is het het beste resultaat voor inhoudsnauwkeurigheid in de vergelijking.

• Ming-3.0-tts-tiny — 2,03% foutpercentage op tekenniveau, 0,561 voorwaardelijke sprekerovereenkomst, 2,12 UTMOS.

• 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.

Als eerste op foutpercentage, met een kleine voorsprong, als tweede op zowel gelijkenis als natuurlijkheid, en het gat in natuurlijkheid is het interessante: ZipVoice-Dia staat 0,12 UTMOS voor, terwijl het 1,36 punten slechter scoort op nauwkeurigheid. Dat is een echte afweging en geen afrondingsverschil, en het suggereert dat de dialoogprosodie van het kleine model het volgende is om te verbeteren, en niet de transcriptie. Zoals met alles in deze sectie heeft niemand buiten Ant een podcast door het model gehaald en het resultaat gepubliceerd.

Wat de repositories niet vaststellen

Vier hiaten zijn het waard om te benoemen voordat iemand dit in een product verwerkt.

Er is geen onafhankelijke score voor deze checkpoint. Artificial Analysis vermeldt wel een Ming-3.0-tts-item in zijn speecharena — 1.188 Elo op het Provider Voice-bord en 1.069 op Controlled Voice per 19 oktober — maar dat item is gekoppeld aan het 0.5B-model, niet aan dit model. De GitHub-README reproduceert die arena-cijfers in de resultatensectie zonder dat onderscheid, en dat is precies het soort detail dat twee reposts later een verkeerde bewering wordt. Ming-3.0-tts-tiny heeft geen afzonderlijk arenaresultaat, geen gemeten doorvoer en geen woordfoutpercentage van derden.

Er is geen technisch rapport. De roadmap vermeldt het als een niet-aangevinkt vakje, en op 16 oktober is de modelkaart specifiek aangepast om een verwijzing ernaar te verwijderen. Daarmee blijft de architectuur op het niveau van een diagram en een alinea: genoeg om het model te draaien, niet genoeg om de beweringen over de training te reproduceren.

Er is geen gehost endpoint en geen prijs. De enige manier om dit aan te roepen is een GPU toe te wijzen en de code uit te voeren, wat iets anders is dan het vergelijken met een tarief per teken.

En er is geen intentieverklaring. Twintig downloads en drie likes zijn geen signaal van kwaliteit — ze zijn een signaal dat niemand het te horen heeft gekregen. Geen aankondiging betekent geen supporttoezegging, geen deprecatiebeleid en geen indicatie of er een gehoste dienst volgt.

Het uitvoeren, als je wilt

De Hugging Face-repository is een checkpoint-release, en de model card zegt duidelijk dat inference het GitHub-project vereist. Daarom is de commit van oktober belangrijker dan de upload van september. De omgeving is vastgezet op Python 3.10.15, PyTorch en torchaudio 2.7.1 met CUDA 11.8, en transformers 4.46.3, met een aanbevolen H800; het entrypoint is infer_tiny.py tegen de klasse ming_tiny.MingTinyTTS, met een promptprotocol genaamd thinking_v1. De vrijgegeven standaardwaarden zijn een classifier-free guidance-schaal van 2.0, temperatuur nul, tien flowstappen, een sigma van 0.25 en een seed van 1234 — 1235 voor de podcasttaak — en de repository levert per taak een apart script in plaats van één op flags gebaseerd entrypoint. Ondersteuning voor vLLM-Omni staat op de roadmap en is nog niet gevalideerd, dus er is vandaag geen high-throughput servingpad.

Als je dit voor een product evalueert, is de verstandige gefaseerde aanpak dezelfde als bij elk onbewezen open-weights-checkpoint: houd het buiten het kritieke pad, test het met je eigen audio in de talen die je daadwerkelijk levert, en beslis pas daarna. OrcaRouter routeert Ming-3.0-tts-tiny niet, en niets hier mag zo worden gelezen dat het anders beweert — de catalogus bevat geen Ming-spraakmodel. Wat hij wel bevat, is de rest van een spraaksysteem: openai/tts-1, openai/tts-1-hd en openai/gpt-4o-mini-tts plus de Ge​mini TT​S-previews tegen de lijstprijs van de provider zonder toegevoegde opslag, en meer dan 200 tekstmodellen achter dezelfde sleutel voor de helft van de pipeline die het script schrijft of de agent aanstuurt. Automatische failover tussen providers is wat de hostbare teksthelft overeind houdt terwijl je beslist of de zelfgehoste spraakhelft zijn plek heeft verdiend.

Het volgende echte signaal zal niet weer een tabel van een leverancier zijn. Het zal iemand buiten Ant zijn die dit op Koreaans draait, of in een podcast, en publiceert wat er misging. Zolang dat er niet is, is de verdedigbare samenvatting smal: een ijl, MIT-gelicentieerd negentalig spraakmodel met de beste score voor gekloonde stemmen in zijn eigen familie, een echt meerstemmig podcastresultaat, een Koreaanse kolom die uitleg behoeft, en een aankondiging die nog niet heeft plaatsgevonden.