Ming-3.0-tts-0.5B выпущен дважды, а Ant Group не объявила ни об одном из релизов

К Ming-3.0-tts-0.5B привязаны три даты, и каждая из них обозначает отдельное событие. Репозиторий Hugging Face был создан 22 сентября 2026 года, а веса были загружены двумя днями позже. Репозиторий GitHub не существовал до 19 октября 2026 года, когда появился его первый коммит с заголовком «Initial release of Ming-3.0-tts». Artificial Analysis в тот же день открыла страницу модели и присвоила ей оценку. Ни в одну из этих дат мы не смогли найти ни поста в блоге от inclusionAI, ни пресс-релиза, ни треда о запуске. На момент написания этого текста у чекпойнта было шесть скачиваний и ноль лайков; у репозитория GitHub было две звезды. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в Архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, уровень серьезности, степень уверенности и отметку о спорности.

То, как следует читать остальной текст, зависит от этого. Подразделение Ant Group по открытым весам опубликовало полноценную речевую модель под лицензией MIT: с паралингвистической системой из 14 тегов, функцией создания голоса по тексту, двумя китайскими диалектами и полной таблицей результатов бенчмарков. При этом до сих пор оно никому о ней не рассказывает. Далее мы отделяем то, что доказывает репозиторий, от того, что может подтвердить только Ant.

Три даты — и что на самом деле стоит за каждой из них

Путаница не выдумана. Два собственных репозитория Ant публично противоречат друг другу, и ни один из них не ошибается.

• 22 сентября 2026 г., 12:46 UTC — репозиторий Hugging Face создан с начальным коммитом, содержащим README-заглушку. Весов пока нет.

• 24 сентября 2026 г., 04:21 UTC — чекпоинт появляется коммитом upload-large-folder, а через двадцать минут — README, относящийся к конкретной модели. С этого момента модель доступна для скачивания, и почти никто её не скачивает.

• 19 октября 2026 г., 07:03 UTC — создан репозиторий GitHub. В 08:58 UTC первый коммит «Первый выпуск Ming-3.0-tts» добавляет код инференса, Dockerfile, примеры скриптов с запуском в один клик и сборник рецептов задач. Коммиты с документацией продолжаются всю вторую половину дня.

В разделе News README на GitHub сказано, что модели 0.5b и tiny были выпущены в «2026.10». В карточке на Hugging Face вообще не упоминается дата. Оба источника описывают один и тот же артефакт: чекпоинт существовал в сентябре, а пригодный к использованию релиз — код, зафиксированные версии окружения, примеры — появился в октябре. Если вы датируете модель для закупочного документа, 22 сентября — это когда она стала публичной; если вы датируете её как то, что можно запустить, честный ответ — 19 октября.

Чего мы не можем вам сказать — так это почему. Тихий выпуск — это норма для исследовательской организации, которая рассчитывает, что карточка модели скажет всё сама. Это также то, как выглядит поэтапный релиз, когда планируется более крупное объявление. Ничто ни в одном из двух репозиториев не указывает, какой из вариантов, и мы не собираемся гадать.

Что находится внутри чекпоинта 0.5B?

Модель — это плотный генератор речи, построенный на бэкбоне Qwen2.5-0.5B, с патч-головой на основе diffusion transformer и отдельным аудиотокенизатором. Релизный пакет — это больше, чем языковая модель: репозиторий включает бэкбон, голову DiT, аудио VAE, speaker-encoder CAM++ в формате ONNX и текстовый токенизатор — всё в одной папке. Это решение об упаковке объясняет расхождение, с которым вы сразу столкнётесь.

• Параметры — карточка и название модели указывают 0.5B; собственные метаданные Hugging Face указывают размер репозитория как 1B, а единственный файл model.safetensors весит 2.96 GB. Цифра 0.5B относится к языковому бэкбону. Пакет, который вы фактически скачиваете, в bf16 примерно втрое больше.

• На выходе — аудио 44,1 кГц, что выше, чем у большинства открытых релизов TTS, и это одно из немногих утверждений здесь, которое можно проверить за десять секунд с помощью инспектора файлов.

• Языки — китайский, английский, немецкий, испанский, французский, корейский и японский, а также сычуаньский и кантонский при наличии эталонной записи на соответствующем диалекте.

• Голоса — клонирование без дообучения по короткому эталонному фрагменту, создание голоса по описанию на естественном языке и встроенный набор из более чем 100 китайских голосов и пяти английских.

• Управление — 14 встроенных тегов для смеха, вздохов, кашля, дыхания и запинок, а также явные настройки эмоций, скорости, высоты тона и громкости. В карточке честно указано, что высота тона — наименее точная из четырёх.

• Задачи — TTS, инструкция в свободной форме, дизайн голоса, многоязычность, базовые атрибуты, эмоции, диалект и режим встроенного голоса. Элементы управления по замыслу взаимоисключающие: свободную форму нельзя сочетать с дизайном голоса или встроенным голосом.

• Лицензия — MIT, как для весов, так и для кода. Дисклеймер об использовании Ant просит не выдавать себя за людей без согласия и маркировать синтетическую речь, что является просьбой, а не условием лицензии.

В том же релизе есть вторая модель. Ming-3.0-tts-tiny — это архитектура mixture-of-experts на базе Ling V3, 7,9 млрд параметров всего при 1,3 млрд активных, и она добавляет генерацию подкастов с несколькими говорящими, которой нет у модели 0.5B. Если вас интересует именно маленькая модель, полезно рассматривать это так: 0.5B — это лёгкое развёртывание, а tiny — потолок возможностей, а не так, что одна заменяет другую.

Таблицы бенчмарков и кто их подготовил

Все числа в карточке модели взяты из собственной системы оценки Ant. Это не критика — такова природа таблицы выпуска — но эти таблицы цитируют в других местах без такой пометки, поэтому вот она.

• Zero-shot Seed-TTS, китайский язык — 0.800% частоты ошибок в словах, 0.758 сходства с диктором.

• Zero-shot Seed-TTS, английский язык — частота ошибок в словах 1,584%, сходство диктора 0,691.

• NVBench, паралингвистика, одиночное событие — частота ошибок в китайских иероглифах 2,70, в английском — 7,60.

• Диалект, WSC-Eval-TTS-easy — 2,27% ошибок распознавания символов, точность 80,68%.

• Голосовой дизайн, InstructTTSEval-ZH — средний показатель 72,29%.

• Базовый контроль атрибутов — в среднем 93,30% при частоте ошибок в словах 0,317%.

Самое интересное — что те же таблицы показывают в сравнении с конкурентами, выбранными самой моделью. По частоте ошибок на китайском в режиме zero-shot CosyVoice3-1.5B показывает 0,710%, а Qwen3-TTS-12Hz-1.7B-Base — 0,770%, и обе лучше, чем 0,800% у Ming. По сходству диктора 0,780 у CosyVoice3-0.5B превосходит 0,758 у Ming. По частоте ошибок на английском Qwen3-TTS-12Hz-1.7B-Base достигает 1,240% против 1,584% у Ming.

Итак, Ming-3.0-tts-0.5B не претендует на корону точности даже в собственном наборе для сравнения — и ему это не нужно. Его сильные стороны — это те столбцы, которые не заполняют другие: управление диалектами, дизайн голоса и набор паралингвистических функций, где он лидирует в большинстве категорий отдельных событий. Читайте карточку как «широкие возможности управления при половине миллиарда параметров бэкбона», а не как «лучший уровень ошибок», — и она выдерживает проверку.

Карта также необычно охотно называет собственные слабые места, и это стоит повторить, поскольку большинство так не делает: сходство голоса уступает точности содержания, сходство с французским — самый очевидный многоязычный пробел, многособытийные паралингвистические предложения всё ещё нестабильны, контроль эмоций ухудшается, когда сами слова не несут эмоционального сигнала, а открытый голосовой дизайн пока не соответствует самой сильной системе, с которой его сравнивали.

Первое независимое число появилось раньше, чем объявление.

Artificial Analysis 19 октября добавила Ming-3.0-tts в свою речевую арену и привязала запись именно к этому чекпоинту 0.5B — это закрывает один вопрос, который карточка оставляет открытым: оцениваемая модель — маленькая. Две таблицы лидеров, два результата — и они указывают в разные стороны.

• Provider Voice, где каждая модель использует собственные нативные голоса — Elo 1 188, 95%-й интервал от 1 173 до 1 203, 19-е место из 98 моделей в таблице и третье среди моделей с открытыми весами, после Fish Audio Drama 3 Preview с 1 245 и Breeze T​TS 2 с 1 220.

• Controlled Voice, где каждая модель клонирует одни и те же восемь эталонных голосов — Elo 1069, интервал 1053–1085, 14-е место в общем зачёте и первое среди моделей с открытыми весами, впереди Fish Audio Drama 3 Preview с 1059 и Breeze TTS 2 с 1019.

• Скорость — медианное значение 42,1 символа в секунду времени генерации на оборудовании Artificial Analysis при медианном времени генерации 2,46 секунды на запрос. Для сравнения: Simba 3.2 показывает 77,8 символа в секунду, а Qwen-Audio-3.0-TTS-Plus — 25,6 на той же конфигурации.

Это разделение — самое полезное, что кто-либо публиковал об этой модели. Её клонированный голос конкурентоспособен с лучшими системами с открытыми весами в рейтинге; её собственный набор голосов — нет. Какими бы ни были нативные голосовые записи Ant, именно они тянут вниз рейтинг голосов провайдера, и это исправимая инженерная проблема, а не архитектурная.

Одно заявление вендора, которое мы не смогли проверить: на странице проекта указано, что Ming-3.0-tts занимает первое место в целом по метрике устойчивости произношения Artificial Analysis с показателем 93,2% и первое место в двух из её подкатегорий. Эта метрика существует, и Artificial Analysis публикует её, но значение для каждой модели не раскрывается в доступных нам данных страницы, поэтому считайте 93,2% цифрой, заявленной вендором, пока вы сами не увидите столбчатую диаграмму.

Запуск занимает около двадцати минут и три исправления.

Репозиторий Hugging Face — это лишь публикация контрольной точки. Об этом говорится в выделенном блоке ближе к началу: для инференса требуется проект на GitHub, а упомянутые в карточке Python API и CLI берутся оттуда. Это первое препятствие, и именно поэтому октябрьский репозиторий важнее сентябрьской загрузки.

Второе — нормализация текста. Числа, даты, единицы измерения и символы обрабатываются грамматиками FST, для которых нужен pynini, а универсального wheel для него нет; в собственных инструкциях Ant предлагается обратиться к conda-forge за версией 2.1.6. Если вы предпочитаете этого не делать, --no_text_normalization пропускает этот шаг, и текст остаётся в том виде, в каком он уже есть. Для производственного конвейера озвучивания это реальное решение, а не сноска.

Третье — аппаратное обеспечение. Окружение зафиксировано на PyTorch 2.6, CUDA 12.4 и transformers 4.46.3, приложен Dockerfile, и оно протестировано на H800-80GB и H20-96G. flash-attn опционален, а при инференсе используется запасной вариант — PyTorch SDPA. Ничто в релизе не говорит о том, что это комфортно работает на потребительской видеокарте, и пока никто за пределами Ant не публиковал показатель пропускной способности на меньшем оборудовании.

Минимально жизнеспособный вызов после запуска окружения — это один вызов CLI с эталонным клипом и его транскриптом: клонирование обусловлено обоими, а `--use_spk_emb` включает обусловливание эмбеддингом говорящего. Есть также скрипт предварительной проверки, который проверяет checkpoint и tokenizer без загрузки весов; его стоит запустить, прежде чем тратить выделение GPU на неудачную загрузку.

Что всё ещё невозможно узнать

Четыре фактора изменили бы то, как следует оценивать эту модель, и ни одного из них пока не существует.

Нет ни хостингового эндпоинта, ни цены. Artificial Analysis указывает поле цены как пустое, потому что оценивать нечего — единственный способ обратиться к этому решению — запустить его. Для команды с GPU это нормально, а для всех остальных — проблема, и это самое большое практическое различие между этим релизом и хостинговыми голосами, с которыми его будут сравнивать.

Технического отчёта нет. В дорожной карте на GitHub он указан как пункт без галочки, а Ant удалила из карточки модели более раннее упоминание неподтверждённого отчёта. В итоге описание архитектуры остаётся на уровне диаграммы и одного абзаца — этого достаточно, чтобы запустить модель, но недостаточно, чтобы воспроизвести заявленные утверждения об обучении.

Независимого воспроизведения показателей ошибок не существует. Цифры Seed-TTS и NVBench принадлежат Ant: они измерены по протоколу Ant и с рекомендованными Ant настройками инференса. Оценка на арене независима, но отражает предпочтения, а не точность. Никто за пределами лаборатории не публиковал частоту ошибок в словах для этой контрольной точки.

И никакого заявления о намерениях нет. Отсутствие анонса означает отсутствие обязательств по поддержке, отсутствие политики устаревания и отсутствие каких-либо указаний на то, появится ли хостинговый сервис. Для исследовательского релиза под MIT это вполне может быть осознанным решением. Но для тех, кто планирует встроить его в продукт, это риск, который приходится закладывать в цену.

OrcaRouter не маршрутизирует Ming-3.0-tts-0.5B, и этот материал не следует воспринимать как намёк на обратное — в каталоге нет речевой модели Ming. А что в каталоге действительно есть — так это остальная часть голосового пайплайна: openai/tts-1 и tts-1-hd, gpt-4o-mini-tts и превью G​emini T​TS, всё по цене из прайс-листа провайдера, без наценки, и более 200 текстовых моделей, доступных по тому же ключу для той половины системы, которая пишет сценарий или управляет агентом. Если вы оцениваете непроверенную голосовую модель с открытыми весами, разумный подход при развёртывании — держать её вне критического пути, пока она не заслужит своё место; автоматическое переключение при сбое между провайдерами — это то, что позволяет текстовой половине этого пайплайна оставаться работоспособной, пока вы принимаете решение.

Следующим настоящим сигналом станет не очередная таблица бенчмарков. Им станет первый человек за пределами Ant, который запустит чекпойнт 0.5B на собственном аудио и опубликует, что сломалось. Пока этого нет, обоснованное резюме вынужденно узкое: по-настоящему способный многоязычный голос с частотой 44,1 кГц под лицензией MIT, с лучшей оценкой клонированного голоса среди открытых весов в независимом рейтинге, более слабый набор нативных голосов, неанонсированный релиз и отсутствие хостинговой площадки. Это многообещающий исследовательский артефакт, но пока ещё не продуктовое решение.