Ming-3.0-tts-0.5B wydano dwukrotnie, a Ant Group nie ogłosiła żadnego z tych wydań

Z modelem związane są trzy daty: Ming-3.0-tts-0.5B, a każda z nich oznacza inne wydarzenie. Repozytorium na Hugging Face utworzono 22 września 2026 r., a wagi przesłano dwa dni później. Repozytorium GitHub nie istniało aż do 19 października 2026 r., kiedy pojawił się jego pierwszy commit zatytułowany „Initial release of Ming-3.0-tts”. Artificial Analysis otworzyło stronę modelu tego samego dnia i przyznało mu ocenę. Nie było żadnego wpisu na blogu od inclusionAI, żadnej informacji prasowej ani wątku premierowego, którego moglibyśmy znaleźć w którejkolwiek z tych dat. W momencie pisania tego tekstu checkpoint miał sześć pobrań i zero polubień; repozytorium GitHub miało dwie gwiazdki. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom krytyczności, stopień pewności i oznaczenie sporności.

Ma to znaczenie dla tego, jak należy czytać pozostałą część tego tekstu. Jednostka Ant Group zajmująca się modelami z otwartymi wagami opublikowała kompletny model mowy na licencji MIT, z systemem paralingwistycznym opartym na 14 tagach, projektowaniem głosu z tekstu, dwoma dialektami chińskimi oraz pełną tabelą wyników benchmarków. Jak dotąd nie poinformowała jednak o tym nikogo. W dalszej części oddzielamy to, co dowodzi repozytorium, od tego, co może potwierdzić wyłącznie Ant.

Trzy daty i co tak naprawdę obejmuje każda z nich

To zamieszanie nie jest sztuczne. Dwa własne repozytoria Anta publicznie się ze sobą nie zgadzają, a żadne z nich nie jest w błędzie.

• 22 września 2026, 12:46 UTC — repozytorium Hugging Face zostaje utworzone wraz z początkowym commitem składającym się z zastępczego pliku README. Na razie brak wag.

• 24 września 2026, 04:21 UTC — checkpoint trafia do repozytorium wraz z commitem upload-large-folder, a dwadzieścia minut później pojawia się README dotyczące konkretnego modelu. Od tego momentu model można pobrać, ale prawie nikt tego nie robi.

• 19 października 2026, 07:03 UTC — utworzono repozytorium GitHub. O 08:58 UTC pierwszy commit „Initial release of Ming-3.0-tts” wprowadza kod wnioskowania, plik Dockerfile, przykładowe skrypty uruchamiane jednym kliknięciem oraz zestaw przepisów dla zadań. Commity dokumentacyjne są kontynuowane przez całe popołudnie.

Sekcja News w README na GitHubie podaje, że modele 0.5b i tiny zostały wydane w „2026.10”. Karta na Hugging Face nie wspomina nic o dacie. Oba źródła opisują ten sam artefakt: checkpoint istniał we wrześniu, a używalne wydanie — kod, przypięte wersje środowiska, przykłady — pojawiło się w październiku. Jeśli datujesz model na potrzeby dokumentu zamówienia, 22 września to data, kiedy stał się publiczny; jeśli datujesz go jako coś, co można uruchomić, uczciwą odpowiedzią jest 19 października.

Nie możemy powiedzieć ci, dlaczego. Ciche upublicznienie jest normalne w organizacji badawczej, która oczekuje, że karta modelu mówi sama za siebie. To także wygląd stopniowego wydania, gdy planowane jest większe ogłoszenie. Nic w żadnym z tych dwóch repozytoriów nie wskazuje, który to przypadek, i nie zamierzamy zgadywać.

Co znajduje się w checkpointcie 0.5B?

Model to gęsty generator mowy zbudowany na szkielecie Qwen2.5-0.5B, z głowicą patchową opartą na transformerze dyfuzyjnym i osobnym tokenizatorem audio. Pakiet wydania to więcej niż model językowy: repozytorium zawiera szkielet, głowicę DiT, VAE audio, enkoder mówcy CAM++ w formie ONNX oraz tokenizator tekstu — wszystko w jednym folderze. Ta decyzja dotycząca pakowania wyjaśnia rozbieżność, na którą natkniesz się od razu.

• Parametry — karta modelu i nazwa modelu wskazują na 0,5B; własne metadane Hugging Face podają repozytorium jako 1B, a pojedynczy plik model.safetensors ma 2,96 GB. Wartość 0,5B dotyczy szkieletu językowego. Pobierany pakiet ma w bf16 około trzy razy tyle.

Dane wyjściowe — dźwięk 44,1 kHz, czyli wyższa częstotliwość niż w większości otwartych wydań TTS i jedno z niewielu twierdzeń w tym tekście, które można sprawdzić w dziesięć sekund za pomocą inspektora plików.

• Języki — chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a także syczuański i kantoński, gdy dostępny jest klip referencyjny w danym dialekcie.

• Głosy — klonowanie zero-shot na podstawie krótkiego klipu referencyjnego, projektowanie głosu na podstawie opisu w języku naturalnym oraz wbudowany zestaw ponad 100 głosów chińskich i pięciu angielskich.

• Control — 14 tagów w treści dla śmiechu, westchnień, kaszlu, oddechu i wahania, a także jawne ustawienia emocji, szybkości, wysokości tonu i głośności. Karta uczciwie przyznaje, że wysokość tonu jest najmniej dokładna z tych czterech.

• Zadania — TTS, instrukcja swobodna, projektowanie głosu, wielojęzyczność, podstawowe atrybuty, emocje, dialekt oraz tryb wbudowanego głosu. Kontrolki z założenia wzajemnie się wykluczają: instrukcji swobodnej nie można łączyć z projektowaniem głosu ani z wbudowanym głosem.

• Licencja — MIT, zarówno dla wag modelu, jak i kodu. Zastrzeżenie użytkowe Ant prosi, by nie podszywać się pod inne osoby bez ich zgody i oznaczać mowę syntetyczną, co jest prośbą, a nie warunkiem licencji.

W tym samym wydaniu jest drugi model. Ming-3.0-tts-tiny to konstrukcja typu mixture-of-experts na szkielecie Ling V3 — łącznie 7,9B parametrów, z czego 1,3B aktywnych — i dodaje generowanie podcastów z wieloma mówcami, którego nie ma model 0,5B. Jeśli interesuje Cię konkretnie mały model, przydatne ujęcie jest takie, że 0,5B to lekkie wdrożenie, a tiny to górna granica możliwości — a nie że jeden zastępuje drugi.

Tabele benchmarków i kto je opracował

Każda liczba w karcie modelu pochodzi z własnego środowiska ewaluacyjnego Ant. To nie jest krytyka — taka właśnie jest tabela wydania — ale tabele są cytowane gdzie indziej bez tej etykiety, więc oto ona.

• Zero-shot Seed-TTS, chiński — 0,800% współczynnika błędów słów, 0,758 podobieństwa mówcy.

• Zero-shot Seed-TTS, angielski — 1,584% współczynnika błędów słów, 0,691 podobieństwa mówcy.

• NVBench paralingwistyczny, pojedyncze zdarzenie — współczynnik błędów znaków chińskich 2,70, angielskich 7,60.

• Dialekt, WSC-Eval-TTS-easy — 2,27% współczynnika błędów znaków, 80,68% dokładności.

• Projektowanie głosu, InstructTTSEval-ZH — średnio 72,29%.

• Podstawowa kontrola atrybutów — średnio 93,30%, ze współczynnikiem błędów słownych 0,317%.

Najciekawsze jest to, co te same tabele pokazują w porównaniu z konkurentami wybranymi przez sam model. W przypadku współczynnika błędów zero-shot dla języka chińskiego CosyVoice3-1.5B osiąga 0,710%, a Qwen3-TTS-12Hz-1.7B-Base 0,770% — oba lepsze niż 0,800% Ming. W zakresie podobieństwa mówcy 0,780 modelu CosyVoice3-0.5B przewyższa 0,758 modelu Ming. W przypadku współczynnika błędów dla języka angielskiego Qwen3-TTS-12Hz-1.7B-Base osiąga 1,240% wobec 1,584% Ming.

Ming-3.0-tts-0.5B nie rości sobie więc pretensji do korony dokładności nawet we własnym zestawie porównawczym — i nie musi. Jego mocne strony to kolumny, których pozostałe nie wypełniają: kontrola dialektu, projektowanie głosu oraz zestaw paralingwistyczny, w którym prowadzi w większości kategorii pojedynczych zdarzeń. Kartę należy czytać jako „szeroka kontrola przy pół miliarda parametrów szkieletu”, a nie jako „najlepszy współczynnik błędu”, i wtedy się broni.

Karta ta również nietypowo chętnie wymienia własne słabości, co warto powtórzyć, ponieważ większość tego nie robi: podobieństwo mówcy ustępuje dokładności treści, podobieństwo w języku francuskim jest najwyraźniejszą luką wielojęzyczną, zdania paralingwistyczne z wieloma zdarzeniami są wciąż niestabilne, kontrola emocji pogarsza się, gdy same słowa nie niosą sygnału emocjonalnego, a otwarte projektowanie głosu wciąż nie dorównuje najsilniejszemu systemowi, z którym je porównywano.

Pierwsza niezależna liczba pojawiła się przed ogłoszeniem.

19 października Artificial Analysis dodało Ming-3.0-tts do swojej areny mowy i powiązało wpis z dokładnie tym checkpointem 0.5B, co rozstrzyga jedno pytanie, które karta pozostawia otwarte: ocenianym modelem jest ten mały. Dwie tablice, dwa wyniki — i wskazują w różnych kierunkach.

• Provider Voice, gdzie każdy model używa własnych natywnych głosów — Elo 1 188, przedział 95% od 1 173 do 1 203, 19. miejsce spośród 98 modeli w rankingu i trzecie wśród modeli z otwartymi wagami, za Fish Audio Drama 3 Preview z wynikiem 1 245 i Breeze T​TS 2 z wynikiem 1 220.

• Kontrolowany głos, gdzie każdy model klonuje te same osiem głosów referencyjnych — Elo 1,069, przedział od 1,053 do 1,085, 14. miejsce ogółem i pierwsze wśród modeli z otwartymi wagami, przed Fish Audio Drama 3 Preview z wynikiem 1,059 i Breeze T​TS 2 z wynikiem 1,019.

• Szybkość — mediana 42,1 znaku na sekundę czasu generowania na sprzęcie Artificial Analysis, przy medianie czasu generowania wynoszącej 2,46 sekundy na żądanie. Dla porównania Simba 3.2 osiąga 77,8 znaku na sekundę, a Qwen-Audio-3.0-TTS-Plus 25,6 na tej samej maszynie.

Ten podział to najużyteczniejsza rzecz, jaką ktokolwiek opublikował na temat tego modelu. Jego sklonowany głos jest konkurencyjny wobec najlepszych systemów open-weights w zestawieniu; jego własny zestaw głosów już nie. Cokolwiek to są za nagrania rodzimych głosów od Anta, to właśnie one ciągną w dół pozycję w rankingu głosów dostawcy, a to jest możliwy do naprawienia problem inżynieryjny, a nie architektoniczny.

Jedno z twierdzeń dostawcy, którego nie mogliśmy zweryfikować: strona projektu podaje, że Ming-3.0-tts zajmuje pierwsze miejsce ogółem w metryce odporności wymowy Artificial Analysis z wynikiem 93,2%, oraz pierwsze miejsce w dwóch jej podkategoriach. Metryka istnieje i Artificial Analysis ją publikuje, ale wartość dla poszczególnych modeli nie jest ujawniona w danych strony, które mogliśmy odczytać, więc traktuj 93,2% jako liczbę podaną przez dostawcę, dopóki sam nie zobaczysz wykresu słupkowego.

Uruchomienie tego zajmuje około dwudziestu minut i wymaga trzech poprawek.

Repozytorium Hugging Face to wyłącznie publikacja checkpointu. Jest to wyraźnie zaznaczone w ramce informacyjnej u góry: wnioskowanie wymaga projektu GitHub, a wspomniane w karcie Python API i CLI pochodzą właśnie stamtąd. To pierwsza przeszkoda i to dlatego październikowe repozytorium ma większe znaczenie niż wrześniowe wgranie.

Drugą kwestią jest normalizacja tekstu. Liczby, daty, jednostki i symbole są obsługiwane przez gramatyki FST, które wymagają pynini, a to nie ma uniwersalnego wheela; instrukcje samego Anta kierują do conda-forge po wersję 2.1.6. Jeśli wolisz tego uniknąć, --no_text_normalization pomija tę normalizację i dziedziczysz tekst w takiej postaci, w jakiej już jest. W produkcyjnym potoku narracji to realna decyzja, nie przypis.

Trzecia kwestia to sprzęt. Środowisko jest przypięte do PyTorch 2.6, CUDA 12.4 i transformers 4.46.3, z dostarczonym plikiem Dockerfile, i zostało przetestowane na H800-80GB oraz H20-96G. flash-attn jest opcjonalny, a wnioskowanie awaryjnie przełącza się na PyTorch SDPA. Nic w wydaniu nie sugeruje, że działa to komfortowo na karcie konsumenckiej, i nikt poza Ant nie opublikował jeszcze wyniku przepustowości na mniejszym sprzęcie.

Minimalne działające wywołanie, gdy środowisko jest już uruchomione, to pojedyncze wywołanie CLI z klipem referencyjnym i jego transkrypcją — klon jest warunkowany na obu, a `--use_spk_emb` włącza warunkowanie na osadzeniu mówcy. Istnieje również skrypt preflight, który sprawdza checkpoint i tokenizer bez ładowania wag; warto go uruchomić, zanim zmarnujesz alokację GPU z powodu błędnego pobrania.

Co wciąż pozostaje niepoznawalne

Cztery rzeczy zmieniłyby sposób oceny tego modelu, a żadna z nich jeszcze nie istnieje.

Nie ma hostowanego endpointu ani ceny. Artificial Analysis podaje pole ceny jako puste, ponieważ nie ma czego wyceniać — jedynym sposobem, aby to wywołać, jest uruchomienie tego. To jest w porządku dla zespołu z GPU i problemem dla wszystkich innych, i jest to największa praktyczna różnica między tym wydaniem a hostowanymi głosami, z którymi będzie ono porównywane.

Nie ma raportu technicznego. Roadmapa na GitHubie wymienia go jako niezaznaczone pole, a Ant usunął wcześniejsze odniesienie do niepotwierdzonego raportu z karty modelu. To pozostawia opis architektury na poziomie diagramu i akapitu — wystarczającym, by uruchomić model, ale niewystarczającym, by odtworzyć twierdzenia dotyczące treningu.

Nie ma niezależnego odtworzenia pomiaru współczynnika błędów. Liczby dla Seed-TTS i NVBench pochodzą od Ant i zostały zmierzone przy użyciu protokołu Ant oraz zalecanych przez Ant ustawień wnioskowania. Wynik arena jest niezależny, ale mierzy preferencje, a nie dokładność. Nikt spoza laboratorium nie opublikował współczynnika błędów słów dla tego checkpointu.

A nie ma żadnej deklaracji intencji. Brak zapowiedzi oznacza brak zobowiązania do wsparcia, brak polityki wycofywania i brak wskazówek, czy pojawi się usługa hostowana. W przypadku wydania badawczego na licencji MIT może to być całkowicie zamierzone. Dla każdego, kto planuje wykorzystać to w produkcie, jest to ryzyko, które trzeba wycenić.

OrcaRouter nie kieruje ruchu do Ming-3.0-tts-0.5B, a tego tekstu nie należy odczytywać jako sugestii, że jest inaczej — katalog nie zawiera żadnego modelu mowy Ming. Katalog zawiera natomiast resztę pipeline'u głosowego: openai/tts-1 i tts-1-hd, gpt-4o-mini-tts oraz wersje preview G​emini T​TS, wszystkie w cenie katalogowej dostawcy, bez doliczonej marży, oraz ponad 200 modeli tekstowych dostępnych pod tym samym kluczem dla tej połowy systemu, która pisze skrypt lub steruje agentem. Jeśli oceniasz nieprzetestowany głos open-weights, rozsądne wdrożenie polega na trzymaniu go poza ścieżką krytyczną, dopóki nie zasłuży na to miejsce; automatyczne przełączanie awaryjne między dostawcami pozwala tekstowej połowie tego pipeline'u pozostawać dostępną, gdy podejmujesz decyzję.

Następnym prawdziwym sygnałem nie będzie kolejna tabela benchmarków. Będzie nim pierwsza osoba spoza Ant, która uruchomi checkpoint 0.5B na własnym audio i opublikuje, co się zepsuło. Dopóki to nie nastąpi, możliwe do obrony podsumowanie jest wąskie: naprawdę kompetentny, wielojęzyczny głos 44.1 kHz na licencji MIT z najlepszym wynikiem klonowania głosu na otwartych wagach na niezależnym rankingu, słabsza obsada głosów natywnych, niezapowiedziane wydanie i brak hostowanego domu. To obiecujący artefakt badawczy, jeszcze nie decyzja produktowa.