Ming-3.0-tts vs Ming-3.0-tts-tiny: mniejszy checkpoint jest lepszy do pobrania, a większy to jedyny, który ktokolwiek zmierzył

Ant Group wydał dwa modele mowy pod jedną nazwą, a nazewnictwo to pierwsza rzecz, która cię zmyl. Ming-3.0-tts-the-default to gęsty model 0,5B: 2,96 GB na dysku, szkielet Qwen2.5-0.5B, szybki, tani i jedyny z tej pary z niezależnym wynikiem. Ming-3.0-tts-tiny jest większy z tych dwóch o rząd wielkości — 7,9B-parametrowa mieszanina ekspertów z 1,3B aktywnymi na token, zbudowana na szkieletie Ling V3, 18 GB wag podzielonych na shardy — i nazywa się tiny ze względu na koszt uruchomienia, a nie koszt pobrania. Wybierz po etykiecie, a dostaniesz niewłaściwy plik. Udokumentowane awarie AI i incydenty agentów stojące za takimi wydaniami jak to są zebrane w archiwum OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, stopień ważności, ocenę pewności i flagę sporności.

Drugą rzeczą, która może cię wprowadzić w błąd, jest ranking. Artificial Analysis ma wiersz Ming-3.0-tts z wynikiem 1 188 Provider Voice Elo i 93,2% odporności wymowy, a ten wiersz prowadzi do checkpointu 0.5B. Żadna z tych wartości nie dotyczy tiny. Liczby tiny pochodzą z własnych tabel Anta, opublikowanych w karcie modelu i README na GitHubie, i żadna strona trzecia nie odtworzyła żadnej z nich. Uczciwe porównanie ma więc dwie połowy: jeden model z niezależnymi dowodami i bez trybu podcastów, drugi z dowodami od dostawcy i funkcją, której brakuje temu pierwszemu. To, której połowy potrzebujesz, zależy od twojego obciążenia, a nie od tego, który model jest lepszy.

Ta sama rodzina architektur, dwie zupełnie różne maszyny

Oba modele współdzielą framework generowania opisany przez Ant w README: tekst i tokeny sterujące specyficzne dla zadania warunkują model językowy, który napędza głowicę patchową transformera dyfuzyjnego emitującą tokeny audio. Różnica tkwi w modelu językowym pod spodem. Wersja 0.5B używa gęstego Qwen2.5-0.5B; tiny używa rzadkiej mieszaniny ekspertów Ling V3 o łącznej wielkości 7,9B, z około 1,3B aktywowanymi na token.

• Rozmiar pobierania — Ming-3.0-tts 2,96 GB vs Ming-3.0-tts-tiny około 18 GB w 30 shardach

• Parametry — 0,5B w modelu gęstym vs 7,9B łącznie / 1,3B aktywnych w MoE

• Szkielet — Qwen2.5-0.5B vs Ling V3

• Środowisko uruchomieniowe — PyTorch 2.6 + CUDA 12.4 na stosie z ery Pythona 3.8 kontra Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Sprzęt — przetestowano na H800-80GB i H20-96G w porównaniu z H800; zalecany jest H800, SGLang-Omni może działać na jednym GPU

• Generowanie podcastów z wieloma mówcami — nieobsługiwane vs obsługiwane

• Licencja — MIT vs MIT

• Niezależny wynik areny — tak, 1 188 Provider / 1 068 Controlled / 93,2% wymowy w porównaniu z brakiem

Te dwa checkpointy nie współdzielą środowiska Python. To nie jest drobiazg dokumentacyjny; oznacza to, że zespół, który chce ocenić oba na tej samej maszynie, utrzymuje dwa virtualenvy, a zespół, który chce porównać je w trybie A/B na produkcji, utrzymuje dwa obrazy wdrożeniowe. Jeśli Twój plan zakłada „zacząć od mniejszego i później go zaktualizować”, zaplanuj migrację jako realną pracę, a nie zmianę konfiguracji.

Gdzie małe jest naprawdę lepsze — według własnych danych Anta

Podobieństwo do głosu mówcy to najbardziej oczywisty i najbardziej spójny sukces, a to właśnie ta liczba decyduje o tym, czy sklonowany głos brzmi jak dana osoba.

• Podobieństwo mówcy w chińskim zestawie Seed-TTS — Ming-3.0-tts 0.758 vs tiny 0.781

• Podobieństwo mówcy Seed-TTS w języku angielskim — 0,691 vs 0,728

• Podobieństwo do języka niemieckiego — 0,753 vs 0,791

• Podobieństwo hiszpańskiego — 0,763 vs 0,797

• podobieństwo do francuskiego — 0,675 vs 0,733

• Podobieństwo do japońskiego — 0,765 vs 0,780

• Podobieństwo koreańskiego — 0,793 vs 0,797

Tiny wygrywa pod względem podobieństwa w każdym języku, zwykle o trzy do sześciu punktów, a wzorzec utrzymuje się także na benchmarkach kontrolnych: średnio 74,00% w emocjach CV3 wobec 72,33% oraz 75,37% w dokładności projektowania głosu wobec 72,29%. To są dwie rzeczy, które klient zauważa bez pytania — czy brzmi jak ja i czy zrobiło to, co opisałem. W obu przypadkach 7.9B MoE jest na prowadzeniu.

Dokładność treści rozkłada się w drugą stronę, a ten podział nie jest symetryczny.

• Błąd słów w języku chińskim Seed-TTS — 0,800% vs 0,820%. W praktyce remis; model gęsty jest nieznacznie lepszy.

• Błąd słów w języku angielskim Seed-TTS — 1,584% vs 1,666%. Dense na prowadzeniu.

• Niemiecki — 0,365% vs 0,325%. Minimalnie z przodu.

• Hiszpański — 1,099% vs 0,971%. Minimalnie z przodu.

• Francuski — 4,264% wobec 3,470%. Tiny prowadzi z dużą przewagą.

• Błąd znaków japońskich — 3,765% vs 3,427%. Nieznacznie lepiej.

• Błąd znaków koreańskich — 1,728% vs 6,000%. Dense ma przewagę 3,5-krotną.

Koreański jest przypadkiem odstającym, który powinien powstrzymać każdego przed odczytywaniem z tabeli wniosku, że „tiny jest lepszy w wielojęzyczności”. Karta samego Anta to sygnalizuje: koreański ma największą lukę w dokładności wielojęzycznej w modelu tiny, a wartość 6.000% jest ponad trzykrotnie większa niż to, co osiąga model półmiliardowy. Zespół budujący dla rynku koreańskiego ma jasną odpowiedź — i nie jest nią większy model.

Zdolność, która nie jest benchmarkiem

Ming-3.0-tts-tiny generuje dialog podcastowy z wieloma mówcami na podstawie skryptu z odniesieniami do mówców. Ming-3.0-tts tego nie robi. To jest funkcja produktu, a nie wynik, i nie pojawia się na żadnej liście rankingowej — co jest dokładnie powodem, dla którego łatwo to przeoczyć przy porównywaniu specyfikacji, w których obie pozycje wymieniają „klonowanie głosu” i „projektowanie głosu”.

Ewaluacja podcastów Anta, przeprowadzona na jego własnym harnessie, plasuje tiny na poziomie 2,03% współczynnika błędów znaków, przy 0,561 podobieństwa mówcy i 2,12 UTMOS, wobec ZipVoice-Dia z 2,24 UTMOS, FireRedTTS2 z 3,34% CER i MOSS-TTSD z 8,62%. Na uwagę zasługuje różnica w UTMOS: tiny prowadzi pod względem dokładności treści, ale ustępuje najlepszemu z porównywanych w naturalności, co jest tym samym kompromisem, na który liczby podobieństwa mówcy wskazują z drugiej strony. Generowanie podcastów bardziej nagradza naprzemienność mówienia i spójność mówców niż pojedynczy idealny klip, i taki jest kształt przewagi tiny.

Jeśli potrzebujesz rozmowy dwóch osób, nie ma tu porównania — jeden model to potrafi, a drugi nie. Cała reszta w tym artykule dotyczy przypadku, w którym oba modele mogą wykonać to zadanie.

Ile tak naprawdę kosztuje cię luka niezależności

Pozycja modelu 0.5B w arenie jest warta zrozumienia, zanim zdecydujesz, jak dużą wagę do niej przywiązywać. Osiąga 1 188 Provider Voice Elo, 18. miejsce na 97, oraz 1 068 Controlled Voice, pierwsze miejsce wśród modeli open-weights i 12. miejsce w całym zestawieniu. W wymowie osiąga 93,2%, praktycznie ex aequo z Fish Audio Drama 3 Preview i przed Eleven v4. To niezależne pomiary z opublikowanymi liczebnościami prób i przedziałami ufności.

To daje ci kalibrację. Wiesz z grubsza, gdzie gęsty model plasuje się względem ElevenLabs i Cartesii, ponieważ to samo laboratorium zmierzyło wszystkie trzy na tej samej tablicy. W przypadku tiny wiesz tylko to, co mówi Ant, zmierzone na harnessie Anta z ustawieniami Anta, a Ant jest stroną zainteresowaną wynikiem. To nie jest oskarżenie — tabele są wyjątkowo szczere, w tym koreańska liczba i lista ograniczeń, która wskazuje kontrolę wysokości tonu i projektowanie głosu do odgrywania ról jako słabe punkty. To stwierdzenie o tym, co dana liczba może potwierdzić. Tabela dostawcy mówi ci, że model jest konkurencyjny na osiach, które dostawca zdecydował się mierzyć; wiersz areny mówi ci, gdzie wypada względem systemów, których już używasz.

Jest jeszcze jedna konkretna rzecz, o której niezależny ranking też Ci nie mówi: mierzył tylko jeden głos. Artificial Analysis zauważa, że każdy model jest oceniany w rankingu wymowy na podstawie pojedynczego głosu, a wiersz Minga korzysta z endpointu Ant z trzema dostępnymi głosami native speakerów. Nie wiadomo, czy 93,2% utrzymuje się w przypadku sklonowanych głosów, które produkt faktycznie by udostępniał, i to jest pierwsza rzecz, którą warto sprawdzić samemu.

Wybór w praktyce

Drzewo decyzyjne jest krótkie.

Wybierz Ming-3.0-tts (0.5B), jeśli chcesz najmniejszy sensowny plik do pobrania, jeśli wdrażasz rozwiązanie dla języka koreańskiego, jeśli twoja infrastruktura to pojedyncza karta 80 GB, której używasz również do innych zadań, albo jeśli potrzebujesz modelu, którego działanie zostało zmierzone przez kogoś innego niż jego autor. Przy 2,96 GB i 44,3 znakach na sekundę w niezależnym zestawie testowym to użyteczny narrator, który na jednym GPU działa szybciej niż mowa w czasie rzeczywistym.

Wybierz Ming-3.0-tts-tiny, jeśli produktem jest podobieństwo mówcy — sklonowany głos marki, spersonalizowane czytanie na głos, cokolwiek, gdzie pierwszą oceną słuchacza jest „czy to brzmi jak on/ona” — albo jeśli potrzebujesz dialogu do podcastu, albo jeśli ograniczeniem jest dokładność francuskiego, niemieckiego, hiszpańskiego lub japońskiego. Zarezerwuj 18 GB wag, osobne środowisko Python 3.10 i kartę klasy H800.

Nie wybieraj żadnego, jednak jeśli potrzebujesz niezależnej liczby, zanim przeznaczysz moc produkcyjną na tiny. Wiersz w arenie nie istnieje, raport techniczny wciąż nie jest odhaczony na roadmapie, a przyspieszenie vLLM-Omni jest oznaczone w README jako gotowe, bez opublikowanej receptury. Te trzy braki to dokładnie te same trzy rzeczy, które sprawiłyby, że tiny łatwo byłoby polecić.

Jedna uwaga operacyjna, która dotyczy obu: żaden z checkpointów nie streamuje. Dla żadnego z modeli nie opublikowano czasu do pierwszego audio, a liczba przepustowości w arenie odnosi się do generowania w ramach zakończonego żądania. Jeśli Twoja aplikacja jest konwersacyjna, ta rodzina nie jest odpowiednim narzędziem, niezależnie od tego, który rozmiar wybierzesz.

Pytanie o routing, które jest tutaj inne

Większość porównań na tej stronie kończy się akapitem o konsolidowaniu dostępu. To nie może, ponieważ OrcaRouter nie hostuje żadnego z checkpointów Ming — w katalogu nie ma modelu mowy Ming, a do obu można dotrzeć wyłącznie przez sklonowanie repozytorium GitHub Anta i samodzielne uruchomienie wag. Powiedzenie inaczej byłoby kłamstwem, które czytelnik mógłby sprawdzić w ciągu trzydziestu sekund.

To, co prawdziwe, jest węższe i wciąż przydatne. Pipeline głosowy zwykle zaczyna się od tekstu: coś pisze skrypt, coś go tłumaczy, coś sprawdza go pod kątem stylu redakcyjnego. Ten etap tekstowy może działać za jednym kluczem — ponad 200 modeli w cenie katalogowej dostawcy bez doliczanej marży, automatyczne przełączanie awaryjne, gdy dostawca zawodzi, oraz DSL routingu do kierowania zadania do innego modelu na podstawie zawartości żądania. Etap mowy w tym porównaniu i tak pozostaje na Twoim sprzęcie, a ścieżka self-hosted sprawia, że wybór między dwoma checkpointami jest odwracalny: wagi na licencji MIT nie wygasają, a model, który już masz na dysku, to taki, który możesz nadal udostępniać, oceniając jego następcę.

Co by to rozstrzygnęło

Trzy zmiany, w kolejności od tego, jak mocno wpłynęłyby na rekomendację. Drobny wiersz na arenie powiedziałby, czy przewaga w podobieństwie mówcy przetrwa ślepe porównanie odsłuchowe, które jest jedynym dotąd nieprzeprowadzonym testem. Raport techniczny wyjaśniłby, dlaczego MoE z 1,3 mld aktywnych parametrów zyskuje podobieństwo mówcy, a traci dokładność w języku koreańskim, oraz czy jest to konsekwencja podziału danych, czy architektury. A opublikowana recepta vLLM-Omni uczyniłaby checkpoint 18 GB praktycznym na wynajmowanym sprzęcie, a nie wdrożeniem badawczym.

Do tego czasu przydatnym ujęciem jest to, że Ant dostarczył dwa modele do dwóch zadań i nadał im nazwy, przez które mniejsze zadanie brzmi jak mniejszy plik. Wcale nie. Model 0.5B to ten, który można zmierzyć, wdrożyć i obronić na przeglądzie projektowym; model 7.9B to ten, który brzmi bardziej jak osoba, którą sklonowałeś, w sześciu z siedmiu języków — jeśli stać cię na przyjęcie tego na wiarę.