Ming-3.0-tts lidera a Arena de Pronúncia, e o resto de sua estreia é mais interessante

Com 93,2%, Ming-3.0-tts e Fish Audio Drama 3 Preview estão separados por um centésimo de ponto percentual — 1.677 trechos corretos de 1.800 para o modelo da Ant Group, contra 1.785 de 1.916 para o da Fish Audio —, o que é um empate em tudo, menos na casa decimal. Ambos ficam acima do Eleven v4, com 91,7%, que é o número que a maioria das pessoas vai citar. O empate é real e vale ser relatado sem rodeios, mas é a coisa menos informativa do quadro. O que torna o Ming-3.0-tts digno de uma matéria esta semana não é o fato de ter alcançado o primeiro lugar no ranking English Pronunciation Robustness da Artificial Analysis. É que o ranking finalmente existe para este modelo, e que as quatro subpontuações abaixo do número principal dizem algo que o número principal não consegue dizer. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e sinalizador de contestação.

Esses subescores são desequilibrados. O Ming-3.0-tts lidera todos os 31 sistemas medidos em Preservação de Sequências Exatas, com 90,6%, e em Expansão de Abreviações, com 96,5%. Ele também ocupa a 21ª posição entre 31 em Termos Isolados, com 88,5%, que é a categoria que a maioria dos ouvintes chamaria de “pronunciar nomes errado”. Uma pontuação agregada esconde um modelo que lê .env.local e “Capítulo XVII” melhor do que qualquer outro do ranking e tropeça em nomes próprios comuns com mais frequência do que um sistema Gemini ou ElevenLabs. Se isso é uma vitória depende inteiramente do que seu texto é feito.

O que realmente mudou, e o que não mudou

O Ant Group não lançou este modelo esta semana, e nenhum artigo deveria fingir o contrário. A cronologia nos repositórios é pública e um pouco incômoda:

• Os repositórios do Hugging Face para Ming-3.0-tts-0.5B e Ming-3.0-tts-tiny foram criados em 22 de setembro de 2026, com um card provisório.

• O checkpoint de 0,5B — 2,96 GB de safetensors, licenciado sob MIT — foi publicado em 24 de setembro.

• O repositório do GitHub com o código de inferência, o cookbook de tarefas e os scripts de exemplo apareceu em 19 de outubro, que também é a data que o README da Ant indica como o mês de lançamento e a data que a Artificial Analysis registra na linha do seu modelo.

Então os pesos têm quatro semanas e o lançamento utilizável tem um dia. O que mudou em 19 de outubro não foi o fato de um modelo ter sido lançado. Foi o fato de o código de inferência ter sido lançado e de as medições independentes terem chegado junto com ele. Antes dessa data, havia um checkpoint sem nenhuma forma publicada de executá-lo e sem nenhum número de terceiros atrelado; qualquer pessoa que escrevesse sobre ele estava citando as próprias tabelas da Ant.

Essa distinção é importante para a forma como você interpreta os 93.2%. A Artificial Analysis executa seu próprio harness e conta com seus próprios revisores humanos; estas não são avaliações da Ant reproduzidas. As datas de avaliação e as contagens de amostras estão listadas no painel, os intervalos de confiança são publicados, e os testes de atenção dos revisores são descritos na metodologia. Esta é a primeira vez que alguém fora da Ant atribui um número a este modelo, e acontece que é um bom número.

Três conselhos, três respostas diferentes

A Artificial Analysis mantém mais de um ranking de conversão de texto em fala, e o Ming-3.0-tts não domina todos eles. As diferenças são grandes o suficiente para que citar o que for mais favorável ao modelo seja uma forma de deturpação.

• Voz Controlada, em que todos os sistemas clonam as mesmas oito vozes de referência (quatro dos EUA, quatro do Reino Unido) e apenas a síntese é comparada — o Ming-3.0-tts alcança 1.068 de Elo, primeiro entre os modelos de pesos abertos e 12º no geral. Fish Audio Drama 3 Preview é o segundo entre os de pesos abertos, com 1.059.

• Voz do provedor, em que cada sistema usa suas próprias vozes nativas — Ming-3.0-tts marca 1.188 Elo, 18º no geral e terceiro entre os modelos de pesos abertos, atrás de Fish Audio Drama 3 Preview, com 1.247, e Breeze T​TS 2, com 1.221. Eleven v4 Turbo lidera o ranking geral com 1.330.

• Robustez de pronúncia, inglês, avaliado por humanos — Ming-3.0-tts com 93,2%, primeiro no geral por uma pequena margem à frente de Fish Audio Drama 3 Preview com 93,2% e à frente de Eleven v4 com 91,7%.

O padrão é consistente: assim que as vozes deixam de ser mantidas constantes, o Ming-3.0-tts perde terreno. Essa é a assinatura de um modelo cuja clonagem é mais forte que seu conjunto de vozes padrão — que é exatamente a cara de um checkpoint sem catálogo de vozes hospedado. A Ant disponibiliza mais de 100 vozes chinesas integradas e cinco em inglês; três dessas vozes em inglês são o que o painel Provider Voice realmente ouviu, em comparação com os catálogos cuidadosamente produzidos da ElevenLabs e da Cartesia. Com vozes clonadas, o campo se nivela e o modelo sobe cinco posições.

Observe também que os números já divergiram do próprio README do Ant. A tabela do repositório diz 1,069 Controlled e 13º no geral, e 1,188 Provider e 17º no geral. O placar hoje mostra 1,068 e 12º, e 1,187.8 e 18º. Os votos continuam chegando; a linha se move. Qualquer pessoa que cite esses números deve indicar a data.

O 93.2 é duas vitórias e duas derrotas

A Robustez de Pronúncia não é um único teste. O Artificial Analysis a divide em quatro categorias, cada uma com seu próprio denominador, e é nessa divisão que este modelo se torna legível.

• Preservação de Sequências Exatas — códigos, caminhos de arquivo, endereços de e-mail, identificadores. Ming-3.0-tts obtém 90,6%, primeiro entre 31, com o próximo melhor sendo Fish Audio Drama 3 Preview com 86,3% e Eleven v4 com 78,8%. Esta é a categoria que decide se um bot de suporte lê um número de pedido corretamente, e a margem não é pequena.

• Expansão de abreviações — números, datas, unidades e notação. Ming-3.0-tts marca 96,5%, primeiro entre 31, à frente de Eleven v4 com 94,1% e Fish Audio Drama 3 Preview com 93,6%.

• Contextualmente apropriado — heterônimos como "uma ferida que é enfaixada" em contraste com "uma atadura que é enrolada". Ming-3.0-tts obtém 91,0%, 13º de 31. Gemini 3.8 Flash T​TS lidera com 98,0%.

• Termos independentes — nomes de marcas, locais e técnicos. Ming-3.0-tts obtém 88,5%, 21.º de 31. Fish Audio Drama 3 Preview lidera com 95,9%.

Um agregado que empata em primeiro lugar enquanto ocupa o 21º lugar em um de seus quatro componentes não é um paradoxo; as duas categorias em que ele vence têm os maiores denominadores (1.084 dos 1.800 trechos avaliados são casos de abreviação e de sequência). O próprio README do Ant se apoia justamente nessas duas vitórias, destacando Expanding Shorthand com 96,5% e Preserving Exact Sequences com 90,6%, e a execução independente confirma ambas. Só não menciona o 21º lugar, que é a linha que uma equipe de agentes de voz deveria observar antes de lançar um modelo que precise dizer sobrenomes de clientes.

O 21º lugar é também a explicação mais plausível para um detalhe na ficha do modelo da Ant: o conjunto de vozes em inglês tem cinco vozes, contra mais de 100 em chinês. A cobertura de nomes próprios em inglês é um problema de dados antes de ser um problema de modelagem, e o número de pronúncia de termos é o que essa lacuna parece ser quando alguém a mede.

A metade da família que não está no conselho

Ming-3.0-tts-tiny, a variante de mistura de especialistas com 7,9B no total e 1,3B ativos, construída sobre a base Ling V3, não tem linha em nenhuma dessas classificações. A entrada da arena rotulada como Ming-3.0-tts aponta para o checkpoint de 0,5B, e todos os números acima pertencem a esse checkpoint. Os resultados publicados do Tiny são da própria Ant — erro de palavras em chinês de 0,820% com similaridade de locutor de 0,781, alemão 0,325%, espanhol 0,971%, coreano 6,000% — e ninguém independente os reproduziu. Trate-os como alegações do fornecedor; o número vergonhoso para o coreano é, ao menos, evidência de que a Ant está publicando a tabela, e não uma compilação de destaques.

Há um aspecto em que {{1}}tiny{{/1}} está genuinamente à frente do seu irmão no harness da Ant: a geração de podcasts com vários oradores, que o {{2}}modelo 0.5B{{/2}} não faz de todo. Isso é uma capacidade de produto, e não uma vantagem em benchmark, e não está na arena.

Executá-lo, e o que isso custa

O checkpoint de 0,5B é um download de 2,96 GB — backbone, cabeça de patch DiT, tokenizador de áudio, codificador de locutor e tokenizador de texto — sob licença MIT, produzindo áudio de 44,1 kHz. A Ant o testou em uma H800-80GB e uma H20-96G com PyTorch 2.6, CUDA 12.4 e transformers 4.46.3, e o repositório inclui um Dockerfile. A inferência passa por infer.py ou pela classe Python MingTTS; o repositório do Hugging Face é apenas para distribuição de checkpoint e não funcionará sozinho.

A Artificial Analysis mediu o endpoint Ant hospedado em 44,3 caracteres por segundo de tempo de geração, com um tempo mediano de geração de 2,56 segundos. Para dar uma ideia de escala: um milhão de caracteres de narração finalizada equivale a aproximadamente 6,3 horas de geração pura nessa configuração, antes do carregamento do modelo ou da fila. Não há preço indicado porque não existe um endpoint comercial hospedado; você está comprando horas de GPU, não caracteres.

É aqui que uma camada de roteamento é genuinamente útil sem fingir hospedar o modelo. O OrcaRouter não oferece o Ming-3.0-tts — o catálogo não tem nenhum modelo de fala Ming — e o modelo é acessado clonando o repositório e executando-o por conta própria. O que oferecemos é a metade de texto do mesmo pipeline: mais de 200 modelos com uma única chave pelo preço de tabela do provedor, sem acréscimo, failover automático entre provedores, e uma DSL de roteamento para compô-los. Se você está criando um pipeline de narração ou de agente, o modelo que escreve o roteiro é a parte que você pode consolidar hoje; o modelo de voz é a parte que você hospeda por conta própria.

O que observar a partir daqui

Três coisas mudariam este quadro, e nenhuma delas aconteceu ainda.

O roteiro do Ant ainda apresenta o relatório técnico como não concluído. Até que ele seja publicado, a descrição da arquitetura se resume a um parágrafo e um diagrama, e as tabelas de avaliação são a única evidência detalhada sobre como o modelo se comporta. Um relatório também explicaria a lacuna de pronúncia de termos, que atualmente é uma hipótese.

A Provider Voice ouviu três vozes nativas. Essa é uma amostra limitada para um modelo que oferece cem vozes em chinês e cinco em inglês, e o 18º lugar vai mudar à medida que mais vozes forem avaliadas — não há como saber daqui em que direção.

E o checkpoint tiny continua sem ser medido por ninguém independente. Se ele de fato ganhar uma linha, a pergunta interessante é se um mixture-of-experts do Ling V3 com 1,3B ativos por token mantém a vantagem de fidelidade de sequência que torna o modelo 0.5B distinto, ou se troca essa vantagem pela similaridade de locutor que as próprias tabelas da Ant lhe atribuem. Nos números do fornecedor, o tiny é a melhor voz clonada. Nos únicos números independentes que existem, o 0.5B é o que foi testado, e passou na parte do teste que a maioria das pessoas não pensa em executar.