Ming-3.0-tts vs Ming-3.0-tts-tiny: O checkpoint menor é o melhor download, e o maior é o único que alguém já mediu

O Ant Group lançou dois modelos de fala sob um único nome, e a nomenclatura é a primeira coisa que vai te enganar. O Ming-3.0-tts-the-default é o modelo denso de 0,5B: 2,96 GB em disco, um backbone Qwen2.5-0.5B, rápido, barato e o único do par com pontuação independente. O Ming-3.0-tts-tiny é uma ordem de magnitude maior que o outro — uma mistura de especialistas de 7,9B parâmetros com 1,3B ativos por token, construída sobre o backbone Ling V3, 18 GB de pesos fragmentados — e é chamado de tiny por causa do que custa para executar, não do que custa para baixar. Escolha pelo rótulo e você vai pegar o arquivo errado. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalizador de disputa.

A segunda coisa que vai te induzir ao erro é o ranking. O Artificial Analysis traz uma linha do Ming-3.0-tts com 1.188 de Provider Voice Elo e 93,2% de robustez de pronúncia, e essa linha aponta para o checkpoint 0.5B. Nada disso pertence ao tiny. Os números do tiny são as próprias tabelas da Ant, publicadas no model card e no README do GitHub, e nenhum terceiro os reproduziu. Então, a comparação honesta tem duas metades: um modelo com evidências independentes e sem modo podcast, um modelo com evidências do fornecedor e uma capacidade que o outro não tem. Qual metade você precisa é uma questão sobre sua carga de trabalho, não sobre qual modelo é melhor.

Mesma família de arquitetura, duas máquinas muito diferentes

Ambos os modelos compartilham a estrutura de geração que a Ant descreve no README: texto e tokens de controle específicos da tarefa condicionam um modelo de linguagem, que aciona uma cabeça de patches de transformer de difusão que emite tokens de áudio. A diferença é o modelo de linguagem por baixo. O 0.5B usa um Qwen2.5-0.5B denso; o tiny usa uma mistura de especialistas esparsa Ling V3 com 7,9B no total e cerca de 1,3B ativados por token.

• Tamanho do download — Ming-3.0-tts 2,96 GB vs Ming-3.0-tts-tiny cerca de 18 GB em 30 shards

• Parâmetros — 0,5B denso vs 7,9B total / 1,3B ativos MoE

• Espinha dorsal — Qwen2.5-0.5B vs. Ling V3

• Ambiente de execução — PyTorch 2.6 + CUDA 12.4 em uma pilha da era do Python 3.8 vs Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Hardware — testado em H800-80GB e H20-96G vs H800 recomendado, o SGLang-Omni pode atender em uma única GPU

• Geração de podcasts com vários locutores — não suportada vs suportada

• Licença — MIT vs MIT

• Pontuação independente na arena — sim, 1.188 Provider / 1.068 Controlled / 93,2% de pronúncia vs nenhum

Os dois checkpoints não compartilham um ambiente Python. Isso não é uma peculiaridade da documentação; significa que uma equipe que quer avaliar os dois na mesma máquina mantém dois virtualenvs, e uma equipe que quer fazer A/B entre eles em produção mantém duas imagens de implantação. Se o seu plano é "começar com o pequeno e atualizar depois", inclua a migração no orçamento como um trabalho de verdade, não como uma mudança de configuração.

Onde o minúsculo é genuinamente melhor, segundo os próprios números da Ant

A similaridade do locutor é o ganho mais claro e consistente, e é o número que decide se uma voz clonada soa como a pessoa.

• Similaridade de locutor chinês do Seed-TTS — Ming-3.0-tts 0,758 vs tiny 0,781

• Similaridade de falante em inglês do Seed-TTS — 0.691 vs 0.728

• Similaridade com o alemão — 0,753 vs. 0,791

• Similaridade com o espanhol — 0,763 vs 0,797

• Similaridade com o francês — 0,675 vs 0,733

• Similaridade com o japonês — 0,765 vs 0,780

• Similaridade com o coreano — 0,793 vs 0,797

Tiny vence em todos os idiomas em similaridade, normalmente por três a seis pontos, e o padrão se mantém nos benchmarks de controle também: média de 74,00% em emoção CV3 contra 72,33%, e 75,37% em precisão de design de voz contra 72,29%. Essas são as duas coisas que um cliente percebe sem que lhe digam — se soa como eu e se fez o que eu descrevi. Em ambas, o MoE de 7,9B está à frente.

A precisão do conteúdo divide-se no sentido oposto, e a divisão não é simétrica.

• Erro de palavras em chinês do Seed-TTS — 0,800% vs 0,820%. Efetivamente um empate; o modelo denso está ligeiramente à frente.

• Erro de palavra em inglês do Seed-TTS — 1,584% vs 1,666%. Dense à frente.

• Alemão — 0,365% vs 0,325%. Ligeiramente à frente.

• Espanhol — 1,099% vs 0,971%. Ligeiramente à frente.

• Francês — 4,264% vs 3,470%. Tiny está à frente por uma margem ampla.

• Erro de caracteres japoneses — 3,765% vs 3,427%. Um pouco à frente.

• Erro de caracteres coreanos — 1,728% vs 6,000%. Dense à frente por um fator de três e meio.

O coreano é o outlier que deveria impedir qualquer pessoa de ler na tabela que “o tiny é melhor em multilíngue”. A própria ficha da Ant destaca isso: o coreano tem a maior lacuna de precisão multilíngue no modelo tiny, e o valor de 6.000% é mais que o triplo do que o modelo de meio bilhão consegue. Uma equipe que esteja desenvolvendo para o mercado coreano tem uma resposta clara, e não é o modelo maior.

A capacidade que não é um benchmark

Ming-3.0-tts-tiny gera diálogos de podcast com vários locutores a partir de um roteiro com referências de locutores. O Ming-3.0-tts não. Isso é uma capacidade do produto, não uma pontuação, e não aparece em nenhum leaderboard — e é exatamente por isso que é fácil passar despercebido ao comparar fichas técnicas que listam tanto "clonagem de voz" quanto "design de voz".

A avaliação de podcast do Ant, no próprio harness dele, coloca o tiny em 2,03% de taxa de erro de caractere, com 0,561 de similaridade de locutor e 2,12 UTMOS, contra ZipVoice-Dia com 2,24 UTMOS, FireRedTTS2 com 3,34% de CER e MOSS-TTSD com 8,62%. A diferença de UTMOS é a que merece atenção: o tiny lidera em precisão de conteúdo e fica atrás da melhor comparação em naturalidade, que é o mesmo trade-off que os números de similaridade de locutor sugerem pela direção oposta. A geração de podcast recompensa mais a troca de turnos e a consistência do locutor do que um único clipe perfeito, e é esse o perfil da vantagem do tiny.

Se você precisa de duas pessoas conversando, não há comparação aqui — um modelo faz isso e o outro não. Todo o restante neste artigo trata do caso em que ambos conseguem fazer o trabalho.

O que a lacuna de independência realmente lhe custa

Vale a pena entender a posição do modelo 0.5B na arena antes de você decidir quanta importância dar a ela. Ele pontua 1.188 em Provider Voice Elo, 18º de 97, e 1.068 em Controlled Voice, primeiro entre modelos de pesos abertos e 12º no geral. Em pronúncia, está em 93,2%, empatado na prática com Fish Audio Drama 3 Preview e à frente do Eleven v4. Essas são medições independentes, com contagens de amostras e intervalos de confiança publicados.

O que isso lhe proporciona é calibração. Você sabe aproximadamente onde o modelo denso se situa em relação ao ElevenLabs e ao Cartesia, porque o mesmo laboratório mediu os três na mesma tabela comparativa. Para o tiny, você sabe apenas o que a Ant diz, medido no harness da Ant com as configurações da Ant, e a Ant é a parte com interesse no resultado. Isto não é uma acusação — as tabelas são invulgarmente francas, incluindo o número coreano e uma lista de limitações que aponta o controle de pitch e o design de voz para role-play como pontos fracos. É uma afirmação sobre aquilo que um número pode sustentar. Uma tabela de fornecedor diz-lhe que o modelo é competitivo nos eixos que o fornecedor escolheu medir; uma linha de arena diz-lhe onde ele se situa face a sistemas que você já usa.

Há também um detalhe específico que o painel independente não revela: ele mediu apenas uma voz. A Artificial Analysis observa que cada modelo é avaliado no painel de pronúncia com uma única voz, e a linha do Ming usa o endpoint da Ant com três vozes nativas disponíveis. Não se sabe se os 93,2% se sustentam entre as vozes clonadas que um produto realmente lançaria, e essa é a primeira coisa que vale a pena você testar por conta própria.

Escolher, na prática

A árvore de decisão é curta.

Escolha o Ming-3.0-tts (0.5B) se quiser o menor download viável, se estiver implantando para coreano, se o seu hardware for uma única placa de 80 GB que você também usa para outras coisas, ou se precisar de um modelo cujo comportamento tenha sido medido por alguém que não seja o autor. Com 2,96 GB e 44,3 caracteres por segundo no harness independente, é um narrador útil que supera a fala em tempo real em uma única GPU.

Escolha o Ming-3.0-tts-tiny se a semelhança com o locutor for o produto — uma voz de marca clonada, uma leitura em voz alta personalizada, qualquer caso em que o primeiro julgamento do ouvinte seja «isso soa como ele/a» — ou se precisar de diálogo de podcast, ou se a precisão em francês, alemão, espanhol ou japonês for a condicionante. Reserve 18 GB de pesos, um ambiente Python 3.10 separado e uma placa da classe H800.

Não escolha nenhum dos dois, mas se você precisa de um número independente antes de comprometer capacidade de produção com o tiny. A linha da arena não existe, o relatório técnico ainda está desmarcado no roadmap, e a aceleração do vLLM-Omni está marcada como concluída no README sem nenhuma receita publicada. Essas três lacunas são exatamente as três coisas que tornariam o tiny fácil de recomendar.

Uma nota operacional que se aplica a ambos: nenhum dos checkpoints faz streaming. Não há tempo até o primeiro áudio publicado para nenhum dos modelos, e o número de throughput da arena refere-se à geração sobre uma requisição concluída. Se sua aplicação é conversacional, esta família não é a ferramenta, independentemente do tamanho que você escolher.

A questão de roteamento, que é diferente aqui

A maioria das comparações neste site termina com um parágrafo sobre consolidação de acesso. Esta não pode, porque o OrcaRouter não hospeda nenhum dos checkpoints Ming — o catálogo não traz nenhum modelo de fala Ming, e ambos são obtidos clonando o repositório do Ant no GitHub e executando os pesos por conta própria. Dizer o contrário seria uma mentira que um leitor poderia verificar em trinta segundos.

O que é verdadeiro é mais restrito e ainda assim útil. Um pipeline de voz normalmente começa pelo texto: algo escreve o roteiro, algo o traduz, algo o verifica em relação a um estilo editorial. Essa etapa de texto pode ficar por trás de uma única chave — mais de 200 modelos pelo preço de tabela do provedor, sem acréscimo, failover automático quando um provedor degrada, e uma DSL de roteamento para enviar uma tarefa a um modelo diferente com base no que a requisição contém. A etapa de fala nesta comparação permanece no seu hardware de qualquer forma, e o caminho auto-hospedado é o que torna reversível a escolha entre os dois checkpoints: pesos MIT não expiram, e um modelo que você já tem em disco é um que você pode continuar servindo enquanto avalia seu substituto.

O que resolveria isso

Três desenvolvimentos, em ordem do quanto eles alterariam a recomendação. Uma linha minúscula na arena diria se a vantagem de similaridade sobrevive à comparação cega entre ouvintes, que é o único teste que ainda não foi feito. O relatório técnico explicaria por que um MoE com 1,3B ativos ganha similaridade de locutor e perde acurácia em coreano, e se isso é consequência da divisão dos dados ou da arquitetura. E uma receita publicada do vLLM-Omni tornaria o checkpoint de 18 GB prático em hardware alugado, em vez de uma implantação de pesquisa.

Até então, o enquadramento útil é que a Ant lançou dois modelos para duas tarefas e deu a eles nomes que fazem a tarefa menor soar como o arquivo menor. Não é. O 0.5B é aquele que você consegue medir, implantar e defender numa revisão de design; o 7.9B é o que soa mais como a pessoa que você clonou, em seis de sete idiomas, se você puder se dar ao luxo de aceitar isso por confiança.