Ming-3.0-tts попадает на пьедестал TTS с 0,5 млрд параметров, а MIT позволяет проверить результат

Полмиллиарда параметров — это примерно размер небольшой модели эмбеддингов или языковой модели телефонного класса нескольких лет давности. Это не тот размер, который кто-либо ожидает увидеть делящим первое место в независимом рейтинге синтеза речи. Тем не менее Ming-3.0-tts, линейка синтеза речи в семействе Ming-3.0 от Ant Group команды inclusionAI, делает именно это: её плотный чекпоинт на 0,5 млрд параметров делит первое место в рейтинге английского произношения Artificial Analysis с результатом 93,2%, и это единственная модель с менее чем 1 млрд параметров в топ-3 любого из отслеживаемых нами TTS-рейтингов. Семейство было выпущено публично 20 октября 2026 года под лицензией MIT, с весами на Hugging Face и ModelScope и кодом инференса в отдельном репозитории GitHub.

Самое интересное здесь не в том, что маленькая модель хороша. Маленькие модели теперь хороши; это перестало быть новостью где-то на первой волне дистиллированных речевых моделей. Интересно то, что хорошая модель на 0,5B меняет подход к покупке голосовых технологий: решение смещается с «у какого поставщика арендовать счётчик с оплатой за символ» на «какой GPU у меня уже есть в запасе». Это другой бизнес-вопрос, и именно на него отвечает этот релиз.

Что было выпущено, а что уже утекло

Семейство речевых моделей Ming-3.0 — это пять моделей по трём направлениям: синтез речи, понимание аудио и диалог, а также распознавание речи. Две из этих пяти — это чекпоинты TTS, и они не являются одним и тем же продуктом разных размеров.

• Ming-3.0-tts-0.5B — плотная модель на основе Qwen2.5-0.5B с патч-головой DiT, аудиотокенизатором, энкодером диктора и текстовым токенизатором. Около 2,96 ГБ safetensors. Это чекпоинт с независимыми измерениями.

• Ming-3.0-tts-tiny — это модель смеси экспертов на базовой архитектуре Ling V3 от Ant: 7,9 млрд параметров всего, но около 1,3 млрд активных на токен. Примерно 18 ГБ, распределённые по 30 шардам. Она добавляет генерацию подкастов с несколькими говорящими. Название относится к вычислительной стоимости во время работы, а не к размеру загрузки; это решение в именовании уже сбило с толку многих.

Одна деталь, которую стоит держать в голове, потому что она меняет то, как вы читаете материалы о запуске: чекпойнт 0.5B уже лежал на Hugging Face до анонса. Тем, что появилось примерно 19–20 октября, были репозиторий GitHub с реальным кодом инференса, скоординированный анонс об открытом исходном коде и независимые прогоны бенчмарков. Веса не были новыми в день анонса; новой была возможность запускать их без реверс-инжиниринга чекпойнта.

Технического отчёта по-прежнему нет. Для модели, главное заявление которой — архитектурная эффективность, это недостающий документ. Всё нижесказанное о том, почему 0.5B достаточно, выведено из карточки модели, кода и таблиц лидеров, а не из статьи, объясняющей рецепт обучения.

Арифметика, придающая значение 0,5 млрд

Количество параметров TTS-модели — не абстрактный показатель. Оно определяет, на каком оборудовании модель помещается, а значит, и стоимость её обслуживания.

• Форм-фактор — Ming-3.0-tts-0.5B занимает около 3 ГБ весов. В BF16 это с запасом помещается в одну потребительскую карту на 24 ГБ, оставляя место для аудиотокенизатора и пакета одновременных запросов. Проект тестировался на H800-80GB и H20-96G — на том, что обычно есть в лаборатории, а не на том, что требуется модели.

• Backbone — текстовая часть — это Qwen2.5-0.5B, широко поддерживаемая архитектура. Это важнее для инструментария, чем для качества: пути квантования, обслуживания и профилирования для неё уже существуют.

• Выход — аудио 44,1 кГц: это выше 24 кГц, которые по-прежнему выдают большинство открытых речевых моделей, и ниже 48 кГц, на которые перешла Qwen-Audio-3.0-TTS от Alibaba. Для начитки, подкастов и большинства продуктовых озвучиваний 44,1 кГц устраняет этап ресемплинга.

Сравните это с двумя моделями, рядом с которыми эту обычно упоминают. Qwen-Audio-3.0-TTS доступна только через API, а количество её параметров не раскрывается; вы не можете запустить её на собственной GPU ни при каком размере. Демонстрационный голос Sesame Preview работает на производственной модели, которую Sesame так и не выпустила; загружаемая CSM-1B — это другая, более слабая модель. На фоне обеих Ming-3.0-tts — единственная в этом разговоре, чей размер представляет собой число, с которым можно работать, а не факт, вычитанный на странице с ценами.

Практическое следствие — это кривая затрат. API с оплатой за символ берёт с вас столько же за первый час аудио, сколько за десятитысячный. Самостоятельно развёрнутая модель на 0,5 млрд параметров даёт фиксированный счёт за GPU, а затем её предельные издержки стремятся к нулю. Ниже определённого объёма API очевидно дешевле, потому что счёт за GPU реальный, а мощность простаивает. Выше него кривая резко переворачивается. Точная точка перелома зависит от вашей загрузки и цены GPU, но сама форма кривой не вызывает споров.

Где окажутся полмиллиарда параметров

Artificial Analysis измерила контрольную точку 0.5B в октябре 2026 года. Это независимые прогоны с оценкой людьми, а не собственные таблицы Ant, — именно поэтому они имеют здесь вес.

• Устойчивость произношения — 93,2%, делит первое место в целом среди всех моделей в рейтинге. Именно в этом рейтинге утверждение о sub-1B звучит наиболее убедительно: окружающие её модели во много раз крупнее.

• Controlled Voice — 1 069 Elo, первое место среди моделей с открытыми весами и примерно 13-е в общем зачёте. В этой таблице используются восемь клонированных голосов — по четыре американских и четыре британских акцента, — так что по публичным данным это ближайший аналог теста на клонирование.

• Provider Voice — 1 188 Elo, третье место среди моделей с открытыми весами и примерно 18-е в общем зачёте. В этом рейтинге используются собственные штатные голоса каждой модели, и именно здесь небольшая модель выглядит наименее впечатляюще.

Эта последняя пара — вся история модели в двух числах. Ming-3.0-tts гораздо сильнее, когда клонирует голос, чем когда использует один из своих собственных. В карточке модели об этом прямо сказано в разделе ограничений, а причина видна в спецификации: в поставляемом каталоге более 100 китайских голосов и всего пять английских. Если ваша задача — «прочитать этот сценарий нашим фирменным голосом», пять английских референсных голосов — это не каталог, а ограничение. Если ваша задача — «клонировать этого конкретного диктора», модель конкурентоспособна с гораздо более крупными системами.

Агрегированный показатель также скрывает конкретную слабость, которую маскирует основная цифра: на отдельных терминах — названиях брендов, географических названиях, изолированных именах собственных — модель занимает 21-е место из 31. Она отлично справляется с работой на уровне последовательностей, которую поощряет панель по произношению, и слаба в единичной лексике, которой полны реальные сценарии. Если в вашем продукте встречается «Kubernetes», «Xavi» или фамилия клиента, проверьте это, прежде чем доверять 93,2%.

MIT — это та часть, которую люди недооценят.

Лицензирование обычно — самая скучная строка в анонсе модели и самая значимая строка при закупочной проверке. Ming-3.0-tts распространяется под MIT, оба чекпоинта, без ограничения доступа, без клика для подтверждения допустимого использования, без исключения для коммерческого использования.

• Дообучение — разрешено, в том числе на ваших собственных проприетарных голосовых данных, без требования публиковать результат.

• Перераспространение — разрешено, в том числе внутри продукта, который вы продаёте.

• Аудит — код доступен на GitHub, поэтому вы можете посмотреть, что модель делает с эталонным клипом, прежде чем загрузить в неё голос клиента.

Это существенно иная позиция по сравнению с двумя очевидными альтернативами. CSM-1B от Sesame распространяется под Apache-2.0, но доступ к ней открывается только после принятия условий, и это не тот голос, что звучит в демо. Qwen-Audio-3.0-TTS вообще не публикует веса. Для команды, чья юридическая проверка задаёт вопрос «куда попадает аудио говорящего», MIT в сочетании с локальным инференсом — единственный вариант в этом сравнении, не требующий доверять политике данных поставщика.

Лицензия MIT не даёт вам готовности к промышленной эксплуатации. Репозитории Hugging Face предназначены только для распространения контрольных точек; для инференса нужно клонировать репозиторий GitHub, а код имеет исследовательский уровень. Он публично доступен уже несколько дней. Это реальный риск, и никакая лицензия его не устраняет.

Сколько на самом деле стоит запуск

Поштучной цены за символ не существует, потому что нет размещённого на сервере эндпоинта. На момент написания Hugging Face сообщает, что модель «не развёрнута ни одним провайдером инференса» — это самое однозначное указание на то, что за пределами Китая открытые веса и есть весь продукт.

• Вычисления — одна современная GPU справляется с чекпоинтом 0.5B; крошечной MoE требуется больше памяти и, согласно репозиторию, отдельная среда.

• Зависимости — CUDA 12.4, PyTorch, необязательный путь flash-attn, который откатывается к PyTorch SDPA, и pynini для нормализации текста на основе FST, если вы не отключите нормализацию. Последний — классический источник проблем при установке на последних версиях Python.

• Доступ внутри Китая — Ant предлагает API через Ling Studio, а это семейство развёрнуто внутри компании в поиске Alipay, приложении для здоровья Afu и внутренних офисных инструментах. Это реальный сигнал о боевом использовании, но это не международно доступная управляемая конечная точка.

Итак, честная оценка затрат выглядит так: веса — бесплатно, плюс счёт за эксплуатацию. Если у вас уже есть работающие GPU, предельные затраты невелики, а предельные усилия — это день, потраченный на возню с зависимостями. Если же нет, то вы теперь в бизнесе GPU, и API, которого вы пытались избежать, ещё долго может оставаться более дешёвым вариантом.

Как маршрутизатор вписывается в схему, когда голосовая модель работает на вашем собственном оборудовании

OrcaRouter не размещает Ming-3.0-tts. На нашей платформе нет конечной точки синтеза речи Ming, и мы не собираемся намекать на обратное. А что мы размещаем — так это вторую половину голосового конвейера: языковую модель, которая пишет или переписывает сценарий, и модели преобразования текста в речь, к которым можно обратиться, когда вам нужен управляемый голос, а не самостоятельно размещённый, включая Gemini 3.1 Flash TTS Preview и GPT-4o mini TTS от OpenAI.

Это разделение полезнее, чем кажется на первый взгляд. Самостоятельно размещённый узел Ming даёт вам голос, но не даёт никаких гарантий доступности; слой маршрутизации вокруг него даёт всё остальное. Один API-ключ покрывает более 200 моделей с 0% наценкой к прайс-листовой цене провайдера, поэтому снижение цены поставщиком действует на нашей стороне в тот же день, а не когда реселлер обновит таблицу. Автоматическое переключение при сбое означает, что когда ваш единственный GPU Ming занят или недоступен, запрос может уйти на облачную TTS-модель вместо того, чтобы завершиться ошибкой, а DSL маршрутизации позволяет встроить этот резервный вариант в вызов, а не прикручивать его в коде приложения. Ничто из этого не делает Ming надёжнее. Это позволяет конвейеру вокруг Ming пережить недоступность Ming — а в этом и заключается настоящая проблема эксплуатации для любой самостоятельно размещённой модели исследовательского уровня.

Что изменило бы эту оценку?

Есть три вещи, за которыми стоит следить, и каждая из них повлияла бы на вердикт в своём направлении.

Первое — это технический отчёт. Ant пообещала его. Пока он не появится, заявление об эффективности подтверждено измерениями, но не объяснено, и невозможно понять, является ли результат 0.5B следствием действительно лучшей архитектуры или очень хорошо подобранного обучающего набора, который не перенесётся на вашу предметную область.

Второе — поддержка сервинга. В репозитории ускоренный инференс vLLM-Omni указан в дорожной карте. Если это будет реализовано, стоимость самостоятельного хостинга снова снизится, потому что модель 0.5B на полноценном стеке сервинга обходится дёшево, чего нельзя сказать об исследовательском скрипте. Если этого не случится, вам придётся бессрочно поддерживать путь инференса на Python.

Третий — английский. Пять стандартных английских голосов — это главное ограничение на панели голосов провайдера, и команде проще всего исправить именно это. Более широкий каталог английских голосов улучшил бы самый слабый показатель модели, не затрагивая архитектуру.

Утверждение, которое заслуживает скептицизма, — то, что в заголовке: будто модель 0.5B достойна стоять на пьедестале рядом с моделями, которые во много раз больше неё. В лидерборде произношения, измеренном на английском тексте, сегодня это так. В лидерборде провайдерских голосов она занимает третье место среди моделей с открытыми весами и примерно 18-е в целом, что является хорошим результатом для такого размера, но не пьедесталом. Оба утверждения верны одновременно, и разница между ними — это ровно разница между клонированием голоса, который вы предоставляете, и использованием голоса, с которым модель поставляется. То, что вам нужно, решает, достаточно ли 0.5B.