Ming-3.0-tts-tiny ma najlepszy sklonowany głos w rodzinie i zajmuje szóste miejsce w języku koreańskim.

Najlepszy wynik podobieństwa mówcy w nowej rodzinie modeli mowy Ant Group należy do modelu z najmniejszą liczbą aktywnych parametrów. Ming-3.0-tts-tiny to checkpoint typu mixture-of-experts o rozmiarze 7,9B, który aktywuje około 1,3B parametrów na token, a w chińskim zestawie Seed-TTS osiąga 0,781 podobieństwa mówcy — najwyższą wartość w opublikowanych tabelach Ant i wyższą niż 0,758 jego mniejszego odpowiednika. W języku koreańskim ten sam model zajmuje szóste miejsce spośród ośmiu systemów testowanych przez Ant, przy współczynniku błędów znaków 6,000%, podczas gdy ten 0,5B odpowiednik osiąga 1,728%. Obie liczby pochodzą z tego samego stanowiska testowego dostawcy, uruchomionego przez ten sam zespół tego samego dnia. Różnica między nimi jest najbardziej użyteczną rzeczą w tym wydaniu. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, dotkliwość, ocenę pewności i oznaczenie sporności.

Nic z tego nie zostało zapowiedziane. Checkpoint opublikowano na Hugging Face 24 września 2026 r., dwa dni po utworzeniu samego repozytorium; kod inferencji, skrypty przykładowe i cookbook zadań pojawiły się dopiero 19 października, gdy otwarto repozytorium na GitHubie, a jego pierwszy commit trafił o 08:58 UTC. W chwili pisania repozytorium na Hugging Face miało 20 pobrań i 3 polubienia, a repozytorium na GitHubie – pięć gwiazdek. To, co następuje, należy więc traktować jako odczyt artefaktów, a nie relację z premiery: wszystko tutaj można zweryfikować w repozytoriach, a części, których nie można, są oznaczone jako takie.

Koreański wynik nie jest błędem zaokrąglenia.

Wielojęzyczna tabela Anta porównuje maleńki model z siedmioma innymi systemami w sześciu językach. Czytaj cały wiersz, a nie sam nagłówek.

• Niemiecki — 0,325% współczynnika błędów znaków, pierwszy spośród ośmiu, przed kolejnym najlepszym wynikiem 0,612%.

• hiszpański — 0,971%, pierwsze miejsce, a drugi wynik to 1,184%.

• Japoński — 3,427%, ex aequo na drugim miejscu.

• francuski — 3,470%, drugie miejsce, ale z podobieństwem mówcy wynoszącym 0,733, które nie plasuje się w pierwszej trójce; tabela mówi o tym w swojej sekcji ograniczeń.

• koreański — 6,000%, szósty z ośmiu i jedyny język, w którym model przegrywa z systemem, którego wszędzie indziej przewyższa.

• Chiński i angielski — dwa języki, na których model jest faktycznie zbudowany, i dwa, w których przoduje pod względem podobieństwa mówcy.

Koreański wskaźnik błędów jest około trzy i pół razy wyższy niż w Ming-3.0-tts-0.5B dla tego samego języka. Ant nie wyjaśnia dlaczego, a karta modelu nie spekuluje. To, co można powiedzieć bez zgadywania, ma charakter strukturalny: to model rzadki, a modele rzadkie kierują tokeny przez podzbiór ekspertów, więc język, który otrzymał mniej sygnału treningowego w mieszance, może degradować szybciej, niż miałoby to miejsce w modelu gęstym o porównywalnym rozmiarze całkowitym. To prawdopodobny mechanizm, a nie ustalenie, i należy go traktować jako hipotezę do przetestowania, a nie wyjaśnienie. Praktyczny odczyt jest węższy i bardziej obronny: jeśli koreański jest w Twoim produkcie, to nie jest checkpoint, po który warto sięgać, dopóki ktoś nie uruchomi go na prawdziwym tekście koreańskim.

Gdzie tak naprawdę trafia 7,9 miliarda parametrów

Nazwa sugeruje „tiny”, ale rozmiary plików mówią co innego — a tę rozbieżność wyjaśnia architektura.

• Łączna liczba parametrów — metadane Hugging Face podają 8 980 964 372 w BF16 oraz 40 096 w F32, a repozytorium zajmuje około 18 GB. W opisie wydania model określono jako 7.9B-A1.3B, co oznacza 7,9 mld łącznie i około 1,3 mld aktywnych na token. Ten opis poprawiono w karcie modelu 16 października, zastępując wcześniejsze sformułowanie, więc cytuj nowsze.

• Szkielet — Ling V3, ta sama rodzina, której Ant używa w swoich większych modelach tekstowych, działający jako mieszanina ekspertów, a nie jako gęsty stos.

• Head — transformator dyfuzyjny, który przekształca stany ukryte backbone'u w latenty audio, po którym następuje osobny tokenizator audio dekodujący je do postaci fali dźwiękowej.

• Pakiet — checkpoint dostarcza szkielet, głowicę DiT, tokenizer audio, enkoder mówcy CAM++ oraz tokenizer tekstu w jednym folderze. Pobierasz pipeline, a nie model językowy z doklejonym adapterem.

• Wyjście i głosy — ten sam szeroki zestaw kontroli co w pozostałych modelach z rodziny: klonowanie zero-shot na podstawie krótkiego klipu referencyjnego, projektowanie głosu na podstawie opisu w języku naturalnym, swobodna kontrola stylu, ponad 100 wbudowanych głosów chińskich i pięć angielskich oraz 14 śródwierszowych znaczników paralingwistycznych do śmiechu, westchnień, oddechu i wahania, a także jawne ustawienia emocji, szybkości, wysokości i głośności.

• Języki — chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a syczuański i kantoński są dostępne po podaniu klipu referencyjnego w danym dialekcie.

• Licencja — MIT dla wag i kodu, wraz z notą użytkową, która prosi, aby nie podszywać się pod inne osoby bez ich zgody i oznaczać syntetyczne audio. Ta nota jest prośbą, a nie warunkiem licencji.

Osobliwą konsekwencją jest to, że „tiny” odnosi się do obliczeń na token, a nie do dysku czy VRAM. Zużywasz pamięć modelu 7,9B, a uzyskujesz szybkość modelu 1,3B, co jest rozsądnym kompromisem przy syntezie wsadowej, a słabym w przypadku laptopa. Środowisko samego Anta wskazuje H800 jako zalecaną kartę i nic w wydaniu nie sugeruje inaczej.

Pięć kolumn, które wygrywa

Każda liczba w tej sekcji pochodzi od samego Anta, została zmierzona na stanowisku testowym Anta przy użyciu zalecanych przez Anta ustawień wnioskowania, a karta modelu jest jedynym miejscem, w którym ona istnieje. Etykiety mają tu większe znaczenie niż zwykle, ponieważ są to liczby, które będą cytowane gdzie indziej bez nich.

• Podobieństwo mówcy, chiński zero-shot — 0,781, najlepsze w zestawie porównawczym, przy współczynniku błędów słów wynoszącym 0,820%. Angielski osiąga podobieństwo 0,728 przy współczynniku błędów 1,666%, również najlepsze podobieństwo w swojej kolumnie.

• Paralingwistyczne pojedyncze zdarzenia, NVBench — model prowadzi we wszystkich sześciu kategoriach pojedynczych tagów: chiński — błąd 2,80 / podobieństwo 17,23 / wynik 3,20, angielski — 5,86 / 32,95 / 7,05. W zdaniach z wieloma zdarzeniami prowadzi w kolumnie angielskiej z wynikami 5,12 / 46,13 / 7,68 i plasuje się w środku stawki w kolumnie chińskiej z wynikami 4,49 / 32,88 / 5,81.

• Dialekt — WSC-Eval-TTS zestaw łatwy: 2,53% błędu znaków, 0,721 podobieństwa, 86,09% dokładności; zestaw trudny: 3,11%, 0,738, 88,94%. Oba są pierwsze w tabeli Ant. Kantoński osiąga 7,40% / 0,605 / 92,90 w zestawie podstawowym i 8,67% / 0,653 / 95,16 w zestawie pokrycia.

• Emocje — średnio 74,00% w chińskim zbiorze CV3 i 30,67% w CV3N, pierwsze miejsce w obu podzbiorach Sad, a poza nimi bez wyróżniających się wyników.

• Projektowanie głosu — średnio 75,37% w InstructTTSEval-ZH, drugie miejsce ogółem, z wynikami 85,10 dla promptów atrybutowych, 79,90 dla opisu i 61,10 dla odgrywania ról. Najsłabszym elementem jest odgrywanie ról: czwarte miejsce, i karta modelu tak podaje.

Tabela atrybutów podstawowych jest najmniej efektowna i prawdopodobnie najbardziej użyteczna: 93% dla wieku, 93% dla płci, 78,70% dla wysokości tonu, średnio 88,23% przy współczynniku błędów słów wynoszącym 0,274% i podobieństwie 0,742. Wysokość tonu jest najsłabsza z czterech kontrolowanych cech, co zgadza się z tym, co raportują wszystkie inne systemy w tej klasie.

Numer podcastu to prawdziwy powód, by zwrócić na to uwagę.

Model 0.5B nie potrafi generować podcastów z wieloma mówcami. Ten najmniejszy potrafi, a w tabeli podcastów Ant osiąga najlepszy wynik dokładności treści w porównaniu.

• Ming-3.0-tts-tiny — 2,03% wskaźnika błędów znakowych, 0,561 warunkowego podobieństwa mówcy, 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.

Pierwszy pod względem odsetka błędów, z niewielką przewagą, drugi zarówno pod względem podobieństwa, jak i naturalności, a różnica w naturalności jest tą interesującą: ZipVoice-Dia ma 0,12 UTMOS przewagi, będąc jednocześnie o 1,36 punktu gorszym pod względem dokładności. To rzeczywisty kompromis, a nie różnica wynikająca z zaokrąglenia, i sugeruje, że dialogowa prozodia malutkiego modelu jest następną rzeczą do poprawy, a nie jego transkrypcja. Jak ze wszystkim innym w tej sekcji, nikt spoza Ant nie przepuścił przez to podcastu i nie opublikował wyniku.

Czego repozytoria nie ustalają

Warto nazwać cztery luki, zanim ktokolwiek wdroży to w produkcie.

Nie istnieje niezależny wynik dla tego checkpointu. Artificial Analysis wprawdzie wymienia wpis Ming-3.0-tts na swojej arenie mowy — 1 188 Elo na tablicy Provider Voice i 1 069 na Controlled Voice według stanu na 19 października — ale ten wpis jest powiązany z modelem 0.5B, a nie z tym. README w GitHubie przytacza te liczby z areny w sekcji wyników bez tego rozróżnienia, co jest właśnie tym rodzajem szczegółu, który po dwóch repostach zamienia się w błędne twierdzenie. Ming-3.0-tts-tiny nie ma odrębnego wyniku z areny, zmierzonej przepustowości ani zewnętrznego współczynnika błędów słów.

Nie ma żadnego raportu technicznego. Mapa drogowa wymienia go jako niezaznaczone pole, a 16 października karta modelu została zmodyfikowana specjalnie po to, by usunąć odniesienie do niego. To pozostawia architekturę na poziomie diagramu i akapitu: wystarczającym do uruchomienia modelu, ale niewystarczającym do odtworzenia twierdzeń dotyczących treningu.

Nie ma hostowanego punktu końcowego ani ceny. Jedynym sposobem, aby to wywołać, jest przydzielenie GPU i uruchomienie kodu, co jest inną kwestią niż porównywanie tego ze stawką za znak.

A nie ma żadnej deklaracji intencji. Dwadzieścia pobrań i trzy polubienia nie są sygnałem jakości — są sygnałem, że nikt nie został poinformowany. Brak ogłoszenia oznacza brak zobowiązania do wsparcia, brak polityki wycofywania i brak wskazania, czy w ślad za tym pójdzie usługa hostowana.

Uruchom to, jeśli chcesz.

Repozytorium Hugging Face to zrzut checkpointu, a jego karta mówi wprost, że do wnioskowania wymagany jest projekt z GitHuba. To dlatego commit z października ma większe znaczenie niż publikacja z września. Środowisko jest przypięte do Pythona 3.10.15, PyTorch i torchaudio 2.7.1 z CUDA 11.8 oraz transformers 4.46.3, przy czym zalecany jest H800; punktem wejścia jest infer_tiny.py korzystający z klasy ming_tiny.MingTinyTTS, z protokołem promptów o nazwie thinking_v1. Domyślne wartości udostępnione w wydaniu to skala classifier-free guidance 2.0, temperatura zero, dziesięć kroków flow, sigma 0,25 i ziarno 1234 — 1235 dla zadania podcastowego — a repozytorium dostarcza osobny skrypt dla każdego zadania zamiast jednego punktu wejścia sterowanego flagami. Obsługa vLLM-Omni jest w planach i nie została jeszcze sprawdzona, więc obecnie nie ma ścieżki serwowania o wysokiej przepustowości.

Jeśli oceniasz to pod kątem produktu, rozsądne wdrożenie etapowe wygląda tak samo jak w przypadku każdego nieprzetestowanego checkpointu z otwartymi wagami: trzymaj go poza ścieżką krytyczną, uruchom na własnym dźwięku w językach, które faktycznie dostarczasz, a dopiero potem podejmij decyzję. OrcaRouter nie kieruje ruchu do Ming-3.0-tts-tiny i nic tutaj nie powinno być odczytywane jako twierdzenie inaczej — katalog nie zawiera żadnego modelu mowy Ming. Zawiera za to resztę systemu głosowego: openai/tts-1, openai/tts-1-hd i openai/gpt-4o-mini-tts oraz wersje zapoznawcze Ge​mini TT​S w cenie katalogowej dostawcy bez doliczonej marży, a także ponad 200 modeli tekstowych pod tym samym kluczem dla tej połowy potoku, która pisze scenariusz lub steruje agentem. Automatyczne przełączanie awaryjne między dostawcami utrzymuje działanie tej połowy tekstowej, którą można hostować, dopóki nie zdecydujesz, czy samodzielnie hostowana połowa głosowa zasłużyła na swoje miejsce.

Następnym prawdziwym sygnałem nie będzie kolejna tabela od dostawcy. Będzie nim ktoś spoza Ant, kto uruchomi to na koreańskim albo w podcaście i opublikuje, co się zepsuło. Dopóki to nie istnieje, możliwe do obrony podsumowanie jest wąskie: rzadki, dziewięciojęzyczny model głosu na licencji MIT z najlepszym wynikiem klonowania głosu w swojej rodzinie, rzeczywisty wynik podcastu z wieloma mówcami, koreańska kolumna, która wymaga wyjaśnienia, oraz ogłoszenie, które jeszcze nie nastąpiło.