Ming-3.0-tts zajmuje pierwsze miejsce w Pronunciation Arena, a pozostała część jego debiutu jest ciekawsza

Na poziomie 93,2% Ming-3.0-tts i Fish Audio Drama 3 Preview dzieli jedna setna punktu procentowego — 1 677 poprawnych fragmentów na 1 800 w przypadku modelu Ant Group wobec 1 785 na 1 916 w przypadku Fish Audio — co jest remisem we wszystkim poza tym miejscem po przecinku. Oba plasują się powyżej Eleven v4 z wynikiem 91,7%, czyli liczbą, którą większość ludzi będzie cytować. Ten remis jest prawdziwy i wart uczciwego odnotowania, ale to najmniej informacyjna rzecz w całym zestawieniu. To, co sprawia, że Ming-3.0-tts zasługuje w tym tygodniu na artykuł, to nie fakt, że zajął pierwsze miejsce w rankingu English Pronunciation Robustness prowadzonym przez Artificial Analysis. Chodzi o to, że ten model w ogóle w końcu trafił do tego zestawienia oraz że cztery wyniki cząstkowe pod nagłówkiem mówią coś, czego sam nagłówek powiedzieć nie może. Udokumentowane awarie AI i incydenty z udziałem agentów stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, stopień pewności i oznaczenie sporności.

Te wyniki cząstkowe są mocno nierówne. Ming-3.0-tts prowadzi wśród wszystkich 31 mierzonych systemów w zachowywaniu dokładnych sekwencji z wynikiem 90,6% oraz w rozwijaniu skrótów z wynikiem 96,5%. Zajmuje także 21. miejsce na 31 w kategorii samodzielnych terminów z wynikiem 88,5%, czyli w kategorii, którą większość słuchaczy nazwałaby „błędnym wymawianiem nazw”. Jeden zbiorczy wynik ukrywa model, który czyta .env.local i „Chapter XVII” lepiej niż cokolwiek innego w zestawieniu, a potyka się na zwykłych nazwach własnych częściej niż system G​emini albo ElevenLabs. To, czy jest to sukces, zależy wyłącznie od tego, z czego składa się Twój tekst.

Co tak naprawdę się zmieniło, a co nie

Ant Group nie wprowadziła tego modelu w tym tygodniu i żaden artykuł nie powinien sugerować inaczej. Oś czasu w repozytoriach jest publiczna i nieco niezręczna:

• Repozytoria Hugging Face dla Ming-3.0-tts-0.5B i Ming-3.0-tts-tiny zostały utworzone 22 września 2026 r. z zastępczą kartą.

• Checkpoint 0,5B — 2,96 GB safetensors na licencji MIT — został opublikowany 24 września.

• Repozytorium GitHub z kodem do wnioskowania, podręcznikiem zadań i przykładowymi skryptami pojawiło się 19 października, który to dzień jest również datą, jaką README Anta podaje jako miesiąc wydania, oraz datą, którą Artificial Analysis umieszcza w wierszu swojego modelu.

Więc wagi mają cztery tygodnie, a użyteczne wydanie ma jeden dzień. To, co zmieniło się 19 października, to nie fakt, że wydano model. Zmieniło się to, że wydano kod inferencji i że niezależne pomiary pojawiły się razem z nim. Przed tą datą istniał checkpoint bez opublikowanego sposobu uruchomienia go i bez żadnego wyniku od strony trzeciej; każdy, kto o nim pisał, cytował własne tabele Anta.

To rozróżnienie ma znaczenie dla tego, jak odczytujesz 93,2%. Artificial Analysis korzysta z własnego środowiska testowego i własnych ludzkich recenzentów; nie są to odtworzone oceny firmy Ant. Daty ocen i liczebności prób są podane na tablicy, przedziały ufności zostały opublikowane, a testy uwagi recenzentów opisano w metodyce. To pierwszy raz, gdy ktoś spoza Ant przypisał temu modelowi jakąś liczbę — i przypadkiem jest ona dobra.

Trzy tablice, trzy różne odpowiedzi

Artificial Analysis prowadzi więcej niż jeden ranking text-to-speech, a Ming-3.0-tts nie dominuje we wszystkich z nich. Różnice są na tyle duże, że przytaczanie tego, który akurat schlebia modelowi, jest formą wprowadzania w błąd.

• Controlled Voice, gdzie każdy system klonuje te same osiem głosów referencyjnych (cztery z USA, cztery z Wielkiej Brytanii), a porównywana jest wyłącznie synteza — Ming-3.0-tts uzyskuje 1,068 Elo, zajmując pierwsze miejsce wśród modeli z otwartymi wagami i 12. miejsce ogólnie. Fish Audio Drama 3 Preview jest drugi wśród modeli z otwartymi wagami z wynikiem 1,059.

• Provider Voice, gdzie każdy system używa własnych natywnych głosów — Ming-3.0-tts uzyskuje 1 188 punktów Elo, zajmuje 18. miejsce w klasyfikacji ogólnej i trzecie wśród modeli z otwartymi wagami, za Fish Audio Drama 3 Preview z 1 247 pkt i Breeze T​TS 2 z 1 221 pkt. Eleven v4 Turbo przewodzi całej klasyfikacji z 1 330 pkt.

• Odporność wymowy, język angielski, ocena ludzka — Ming-3.0-tts z wynikiem 93,2%, pierwsze miejsce w ogólnym zestawieniu o włos przed Fish Audio Drama 3 Preview z 93,2% i przed Eleven v4 z 91,7%.

Wzorzec jest spójny: gdy tylko głosy przestają być utrzymywane bez zmian, Ming-3.0-tts traci pozycję. To znak rozpoznawczy modelu, którego klonowanie jest silniejsze niż jego wbudowany zestaw głosów — dokładnie tak powinien wyglądać checkpoint bez hostowanego katalogu głosów. Ant dostarcza ponad 100 wbudowanych głosów chińskich i pięć angielskich; trzy z tych angielskich głosów to właśnie te, które faktycznie usłyszał Provider Voice board, w zestawieniu ze starannie przygotowanymi katalogami ElevenLabs i Cartesia. W przypadku sklonowanych głosów pole się wyrównuje, a model awansuje o pięć miejsc.

Warto też zauważyć, że liczby już odbiegły od własnego README Anta. Tabela w repozytorium podaje 1 069 w kategorii Controlled i 13. miejsce ogółem oraz 1 188 w kategorii Provider i 17. miejsce ogółem. Tablica dziś pokazuje 1 068 i 12. miejsce oraz 1 187,8 i 18. miejsce. Głosy wciąż napływają; linia się przesuwa. Każdy, kto cytuje te liczby, powinien podawać ich datę.

93.2 to dwa zwycięstwa i dwie porażki.

Pronunciation Robustness nie jest jednym testem. Artificial Analysis dzieli go na cztery kategorie, każda z własnym mianownikiem, i to właśnie w tym podziale ten model staje się czytelny.

• Zachowywanie dokładnych sekwencji — kody, ścieżki plików, adresy e-mail, identyfikatory. Ming-3.0-tts uzyskuje 90,6%, pierwsze miejsce wśród 31, a kolejne najlepsze wyniki to Fish Audio Drama 3 Preview z 86,3% i Eleven v4 z 78,8%. To kategoria, która decyduje o tym, czy bot wsparcia prawidłowo odczytuje numer zamówienia, a przewaga jest wyraźna.

• Rozwijanie skrótów — liczby, daty, jednostki i notacja. Ming-3.0-tts uzyskuje 96,5%, zajmując pierwsze miejsce na 31, przed Eleven v4 z 94,1% i Fish Audio Drama 3 Preview z 93,6%.

• Odpowiednio do kontekstu — heteronimy, takie jak „a wound that is bandaged” wobec „a bandage that is wound”. Ming-3.0-tts uzyskuje 91,0%, zajmując 13. miejsce na 31. Gemini 3.8 Flash T​TS prowadzi z wynikiem 98,0%.

• Terminy samodzielne — nazwy marek, miejsc i nazwy techniczne. Ming-3.0-tts uzyskuje 88,5%, 21. miejsce na 31. Fish Audio Drama 3 Preview prowadzi z 95,9%.

Agregat, który zajmuje ex aequo pierwsze miejsce, mimo że w jednym z czterech składników plasuje się na 21. miejscu, nie jest paradoksem; dwie kategorie, w których wygrywa, mają największe mianowniki (1 084 z 1 800 ocenianych fragmentów to przypadki skrótów i sekwencji). Własny README Anta opiera się dokładnie na tych dwóch zwycięstwach, wymieniając Expanding Shorthand z wynikiem 96,5% i Preserving Exact Sequences z wynikiem 90,6%, a niezależne uruchomienie potwierdza oba. Po prostu nie wspomina o 21. miejscu, a jest to wiersz, na który zespół ds. agentów głosowych powinien spojrzeć przed wdrożeniem modelu, który musi wymawiać nazwiska klientów.

21. miejsce jest też najbardziej przekonującym wyjaśnieniem pewnego szczegółu w karcie modelu Ant: zestaw głosów w języku angielskim to pięć głosów wobec ponad 100 w języku chińskim. Pokrycie angielskich nazw własnych jest problemem danych, zanim staje się problemem modelowania, a wskaźnik wymowy terminów pokazuje, jak ta luka wygląda, gdy ktoś ją zmierzy.

Połowa rodziny, której nie ma na tablicy

Ming-3.0-tts-tiny, 7,9B łącznie i 1,3B aktywnych parametrów, wariant mixture-of-experts zbudowany na szkielecie Ling V3, nie ma wiersza na żadnym z tych rankingów. Wpis w arena oznaczony jako Ming-3.0-tts prowadzi do checkpointu 0,5B, a każda liczba powyżej dotyczy właśnie tego checkpointu. Opublikowane wyniki Tiny'ego są własnymi wynikami Anta — chiński współczynnik błędów słów 0,820% przy podobieństwie mówcy 0,781, niemiecki 0,325%, hiszpański 0,971%, koreański 6,000% — i nikt niezależny ich nie odtworzył. Traktuj je jako twierdzenia dostawcy; krępująca koreańska wartość jest przynajmniej dowodem, że Ant publikuje całą tabelę, a nie wyłącznie korzystne fragmenty.

Jest jedno miejsce, w którym tiny naprawdę wygląda na wyraźnie wyprzedzającego swojego bliźniaka w harnessie Ant: generowanie podcastów z wieloma mówcami, którego model 0.5B w ogóle nie obsługuje. To raczej zdolność produktowa niż przewaga benchmarkowa i nie ma jej na arenie.

Uruchamianie tego i ile to kosztuje

Checkpoint 0.5B to plik do pobrania o rozmiarze 2,96 GB — backbone, głowica patch DiT, tokenizator audio, enkoder mówcy i tokenizator tekstu — na licencji MIT, generujący dźwięk o częstotliwości 44,1 kHz. Ant przetestował go na H800-80GB i H20-96G z PyTorch 2.6, CUDA 12.4 i transformers 4.46.3, a repozytorium zawiera Dockerfile. Wnioskowanie odbywa się przez infer.py lub MingTTS (klasę Pythona); repozytorium Hugging Face służy wyłącznie do dystrybucji checkpointu i nie uruchomi się samodzielnie.

Artificial Analysis zmierzył hostowany endpoint Ant na poziomie 44,3 znaków na sekundę czasu generowania, przy medianie czasu generowania wynoszącej 2,56 sekundy. Dla skali: milion znaków gotowej narracji to około 6,3 godziny czystego generowania na tej konfiguracji, nie licząc ładowania modelu ani kolejkowania. Nie podano ceny, ponieważ nie ma hostowanego komercyjnego endpointu; kupujesz godziny GPU, a nie znaki.

Właśnie tutaj warstwa routingu jest naprawdę przydatna, nie udając, że hostuje model. OrcaRouter nie ma w ofercie Ming-3.0-tts — w katalogu nie ma w ogóle modelu mowy Ming — a do modelu dociera się, klonując repozytorium i uruchamiając go samodzielnie. To, co mamy w ofercie, to tekstowa połowa tego samego pipeline'u: ponad 200 modeli pod jednym kluczem w cenie katalogowej dostawcy, bez doliczanej marży, automatyczne przełączanie awaryjne między dostawcami, oraz DSL routingu do ich komponowania. Jeśli budujesz pipeline narracji lub agenta, model, który pisze skrypt, to część, którą możesz dziś skonsolidować; model głosu to część, którą hostujesz samodzielnie.

Co obserwować dalej

Trzy rzeczy zmieniłyby ten obraz, a żadna z nich jeszcze się nie zdarzyła.

Roadmapa Anta wciąż wskazuje raport techniczny jako niezaznaczony. Dopóki się nie pojawi, opis architektury to jeden akapit i diagram, a tabele ewaluacji są jedynym szczegółowym dowodem na to, jak model się zachowuje. Raport wyjaśniłby również lukę w wymowie terminów, która obecnie pozostaje hipotezą.

Provider Voice wysłuchał trzech głosów native speakerów. To niewielka próbka jak na model, który oferuje sto głosów w języku chińskim i pięć w angielskim, a 18. miejsce przesunie się, gdy ocenionych zostanie więcej głosów — w którą stronę, tego stąd nie da się stwierdzić.

Maleńki checkpoint wciąż pozostaje niezmierzony przez nikogo niezależnego. Jeśli jednak trafi do tabeli, interesującym pytaniem jest, czy Ling V3 mixture-of-experts przy 1,3B aktywnych parametrów na token zachowuje przewagę wierności sekwencji, która wyróżnia model 0,5B, czy zamienia ją na podobieństwo mówcy, które przypisują mu własne tabele Anta. Według liczb dostawcy tiny jest lepszym sklonowanym głosem. Według jedynych istniejących niezależnych liczb to model 0,5B został przetestowany i przeszedł tę część testu, o której większość ludzi nie pomyślałaby, żeby ją przeprowadzić.