Ming-3.0-tts-tiny tem a melhor voz clonada da família e fica em sexto em coreano.

A melhor pontuação de similaridade de locutor na nova família de fala do Ant Group pertence ao modelo com o menor número de parâmetros ativos. Ming-3.0-tts-tiny é um checkpoint de mistura de especialistas de 7,9B que ativa aproximadamente 1,3B de parâmetros por token e, no conjunto chinês Seed-TTS, registra 0,781 de similaridade de locutor — o maior valor em todas as tabelas publicadas pela Ant e superior ao 0,758 de seu próprio irmão menor. Em coreano, o mesmo modelo termina em sexto entre os oito sistemas avaliados pela Ant, com taxa de erro de caractere de 6,000%, enquanto aquele irmão de 0,5B alcança 1,728%. Ambos os números vêm do mesmo harness do fornecedor, executado pela mesma equipe, no mesmo dia. A distância entre eles é a coisa mais útil no lançamento. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em the OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

Nada disso foi anunciado. O checkpoint foi disponibilizado no Hugging Face em 24 de setembro de 2026, dois dias depois de o próprio repositório ter sido criado; o código de inferência, os scripts de exemplo e o cookbook de tarefas só chegaram em 19 de outubro, quando o repositório do GitHub foi aberto e seu primeiro commit foi registrado às 08:58 UTC. No momento em que escrevo, o repositório do Hugging Face tinha 20 downloads e 3 curtidas, e o repositório do GitHub tinha cinco estrelas. Portanto, encare o que segue como uma leitura dos artefatos, e não como um relato de um lançamento: tudo aqui é verificável nos repositórios, e as partes que não são estão marcadas como tal.

O resultado coreano não é um erro de arredondamento.

A tabela multilíngue da Ant compara o modelo minúsculo com sete outros sistemas em seis idiomas. Leia a linha inteira em vez da manchete.

• Alemão — taxa de erro de caracteres de 0,325%, primeiro dos oito, à frente do próximo melhor, com 0,612%.

• Espanhol — 0,971%, primeiro, com o segundo colocado em 1,184%.

• Japonês — 3,427%, empatado em segundo lugar.

• Francês — 3,470%, segundo, mas com uma similaridade de locutor de 0,733 que não o coloca entre os três primeiros; a tabela afirma isso em sua própria seção de limitações.

• Coreano — 6,000%, sexto de oito, e o único idioma em que o modelo é superado por um sistema que, fora isso, ele supera em pontuação em todos os lugares.

• Chinês e inglês — as duas línguas em torno das quais o modelo é de facto construído, e as duas em que a sua similaridade de locutor lidera.

O número para o coreano é cerca de três vezes e meia a taxa de erro do Ming-3.0-tts-0.5B no mesmo idioma. A Ant não explica por quê, e o cartão do modelo não especula. O que se pode dizer sem adivinhar é estrutural: este é um modelo esparso, e modelos esparsos roteiam tokens por um subconjunto de especialistas, então um idioma que recebeu menos sinal de treinamento na mistura pode se degradar mais rápido do que se degradaria em um modelo denso de tamanho total comparável. Esse é um mecanismo plausível, não um achado, e deve ser tratado como uma hipótese a testar, e não como uma explicação. A leitura prática é mais estreita e mais defensável: se o coreano está no seu produto, este não é o checkpoint a usar até que alguém o execute em texto coreano real.

Onde 7,9 bilhões de parâmetros realmente vão parar

O nome diz minúsculo; os tamanhos dos arquivos dizem o contrário, e a diferença está na arquitetura.

• Parâmetros totais — os metadados do Hugging Face informam 8,980,964,372 em BF16 mais 40,096 em F32, e o repositório ocupa cerca de 18 GB. A release descreve o modelo como 7.9B-A1.3B, significando 7,9 bilhões no total e cerca de 1,3 bilhão ativos por token. Essa descrição foi corrigida no model card em 16 de outubro, substituindo uma redação anterior, então cite a mais recente.

• Backbone — Ling V3, a mesma família que a Ant usa para seus modelos de texto maiores, executado como uma mistura de especialistas em vez de uma pilha densa.

• Head — um transformador de difusão que converte os estados ocultos do backbone em latentes de áudio, seguido por um tokenizador de áudio separado que os decodifica em forma de onda.

• Pacote — o checkpoint inclui o backbone, a cabeça DiT, o tokenizador de áudio, um codificador de locutor CAM++ e o tokenizador de texto em uma única pasta. Você está baixando um pipeline, não um modelo de linguagem com um adaptador acoplado.

• Saída e vozes — a mesma ampla superfície de controle do restante da família: clonagem zero-shot a partir de um breve clipe de referência, design de voz a partir de uma descrição em linguagem natural, controle de estilo livre, mais de 100 vozes chinesas integradas e cinco em inglês, e 14 tags paralinguísticas inline para risadas, suspiros, respiração e hesitação, além de configurações explícitas de emoção, velocidade, tom e volume.

• Idiomas — chinês, inglês, alemão, espanhol, francês, coreano e japonês, com sichuanês e cantonês disponíveis quando for fornecido um clipe de referência no dialeto.

• Licença — MIT para pesos e código, com uma nota de uso pedindo que você não se passe por pessoas sem consentimento e que identifique áudios sintéticos. Essa nota é um pedido, não uma condição da licença.

A consequência estranha é que "tiny" é uma afirmação sobre computação por token, não sobre disco ou VRAM. Você gasta a memória de um modelo de 7,9B e obtém a velocidade de um de 1,3B, o que é uma troca razoável para síntese em lote e ruim para um laptop. O próprio ambiente da Ant define uma H800 como a placa recomendada, e nada no lançamento sugere o contrário.

As cinco colunas que ele ganha

Todos os números desta seção são da própria Ant, medidos no harness da Ant com as configurações de inferência recomendadas pela Ant, e o card do modelo é o único lugar onde isso existe. Os rótulos importam mais do que o normal aqui, porque são esses os números que serão citados em outros lugares sem eles.

• Similaridade do falante, chinês zero-shot — 0,781, a melhor do conjunto de comparação, com taxa de erro de palavra de 0,820%. O inglês atinge 0,728 de similaridade com taxa de erro de 1,666%, também a melhor similaridade da sua coluna.

Paralinguístico de evento único, NVBench — o modelo lidera todas as seis categorias de tag única: chinês 2,80 erro / 17,23 similaridade / 3,20 pontuação, inglês 5,86 / 32,95 / 7,05. Em frases de múltiplos eventos, lidera a coluna de inglês com 5,12 / 46,13 / 7,68 e fica no meio do pelotão em chinês com 4,49 / 32,88 / 5,81.

• Dialeto — conjunto fácil do WSC-Eval-TTS: 2,53% de erro de caractere, 0,721 de similaridade, 86,09% de precisão; conjunto difícil: 3,11%, 0,738, 88,94%. Ambos são inéditos na tabela da Ant. O cantonês alcança 7,40% / 0,605 / 92,90 no conjunto base e 8,67% / 0,653 / 95,16 no conjunto de cobertura.

• Emoção — média de 74,00% no conjunto CV3 chinês e 30,67% no CV3N, em primeiro lugar nos dois subconjuntos Sad e sem destaque nos demais.

• Design de voz — média de 75,37% no InstructTTSEval-ZH, segundo no geral, com pontuações de prompt de atributo de 85,10, descrição 79,90 e role-play 61,10. O role-play é o ponto fraco: quarto lugar, e o card do modelo diz isso.

A tabela de atributos básicos é a menos atraente e provavelmente a mais útil: 93% em idade, 93% em gênero, 78,70% em pitch, uma média de 88,23% com taxa de erro de palavras de 0,274% e similaridade de 0,742. O pitch é o mais fraco dos quatro controles, o que coincide com o que todos os outros sistemas dessa classe relatam.

O número do podcast é o verdadeiro motivo para se atentar a isso.

O modelo de 0,5B não consegue fazer geração de podcast com vários locutores. O minúsculo consegue, e na tabela de podcasts da Ant, é o melhor resultado de precisão de conteúdo da comparação.

• Ming-3.0-tts-tiny — taxa de erro de caracteres de 2,03%, similaridade condicional do falante de 0,561, UTMOS de 2,12.

• 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.

Primeiro na taxa de erro por uma pequena margem, segundo tanto em similaridade quanto em naturalidade, e a diferença de naturalidade é a interessante: o ZipVoice-Dia está 0,12 UTMOS à frente, embora seja 1,36 ponto pior em precisão. Isso é uma troca real, e não uma diferença de arredondamento, e sugere que a prosódia de diálogo do modelo minúsculo é a próxima coisa a melhorar, e não sua transcrição. Como em tudo o mais nesta seção, ninguém fora da Ant executou um podcast com ele e publicou o resultado.

O que os repositórios não estabelecem

Vale a pena nomear quatro lacunas antes que alguém coloque isto num produto.

Não há pontuação independente para este checkpoint. O Artificial Analysis lista uma entrada Ming-3.0-tts em sua arena de fala — 1.188 Elo no quadro Provider Voice e 1.069 no Controlled Voice, em 19 de outubro —, mas essa entrada está vinculada ao modelo de 0,5B, não a este. O README do GitHub reproduz esses números da arena em sua seção de resultados sem essa distinção, que é o tipo de detalhe que se transforma em uma alegação errada duas repostagens depois. O Ming-3.0-tts-tiny não tem resultado separado na arena, nem throughput medido, nem taxa de erro de palavra de terceiros.

Não há relatório técnico. O roadmap o lista como uma caixa não marcada, e em 16 de outubro o model card foi editado especificamente para remover uma referência a um relatório técnico. Isso deixa a arquitetura no nível de um diagrama e um parágrafo: o suficiente para executar o modelo, mas não o suficiente para reproduzir as alegações de treinamento.

Não há endpoint hospedado nem preço. A única forma de chamar isso é alocar uma GPU e executar o código, o que é uma situação diferente de compará-lo com uma tarifa por caractere.

E não há declaração de intenções. Vinte downloads e três curtidas não são um sinal de qualidade — são um sinal de que ninguém foi informado. Nenhum anúncio significa nenhum compromisso de suporte, nenhuma política de descontinuação e nenhuma indicação de se haverá um serviço hospedado em seguida.

Executando-o, se você quiser

O repositório do Hugging Face é uma entrega de checkpoint, e seu card diz claramente que a inferência exige o projeto do GitHub. É por isso que o commit de outubro importa mais do que o upload de setembro. O ambiente está fixado em Python 3.10.15, PyTorch e torchaudio 2.7.1 com CUDA 11.8, e transformers 4.46.3, com um H800 recomendado; o ponto de entrada é infer_tiny.py com a classe ming_tiny.MingTinyTTS, com um protocolo de prompt chamado thinking_v1. Os padrões divulgados são uma escala de orientação sem classificador de 2,0, temperatura zero, dez passos de fluxo, um sigma de 0,25 e uma seed de 1234 — 1235 para a tarefa de podcast — e o repositório traz um script separado por tarefa, em vez de um único ponto de entrada controlado por flags. O suporte ao vLLM-Omni está no roadmap e ainda não foi verificado, portanto hoje não há um caminho de serving de alto throughput.

Se você está avaliando isso para um produto, a estratégia sensata de implantação é a que usaria para qualquer checkpoint de pesos abertos não comprovado: mantenha-o fora do caminho crítico, teste-o com o seu próprio áudio nos idiomas que você realmente entrega e só então decida. O OrcaRouter não roteia o Ming-3.0-tts-tiny, e nada aqui deve ser interpretado como uma alegação em contrário — o catálogo não traz nenhum modelo de fala Ming. O que ele traz é o restante de um sistema de voz: openai/tts-1, openai/tts-1-hd e openai/gpt-4o-mini-tts, além das prévias do Ge​mini TT​S ao preço de tabela do provedor, sem acréscimo de margem, e mais de 200 modelos de texto por trás da mesma chave para a metade do pipeline que escreve o roteiro ou conduz o agente. O failover automático entre provedores é o que mantém no ar a metade de texto hospedável enquanto você decide se a metade de voz auto-hospedada conquistou seu lugar.

O próximo sinal real não será outra tabela de fornecedores. Será alguém de fora da Ant rodando isto em coreano, ou num podcast, e publicando o que quebrou. Até que isso exista, o resumo defensável é estreito: um modelo de voz esparso, com licença MIT, de nove idiomas, com a melhor pontuação de voz clonada da sua própria família, um resultado genuíno de podcast com vários falantes, uma coluna coreana que precisa de explicação, e um anúncio que ainda não aconteceu.