Ming-3.0-tts-tiny обладает лучшим клонированным голосом в семействе и занимает шестое место в корейском.

Лучшая оценка сходства с диктором в новом речевом семействе Ant Group принадлежит модели с наименьшим количеством активных параметров. Ming-3.0-tts-tiny — это чекпоинт архитектуры mixture-of-experts на 7,9 млрд параметров, который активирует примерно 1,3 млрд параметров на токен; на китайском наборе Seed-TTS он показывает сходство с диктором 0,781 — самый высокий показатель во всех опубликованных таблицах Ant, и он выше, чем 0,758 у его собственной родственной модели меньшего размера. На корейском та же модель занимает шестое место среди восьми систем, протестированных Ant, при частоте ошибок в символах 6,000%, тогда как та родственная модель на 0,5 млрд достигает 1,728%. Оба показателя получены на одном и том же стенде поставщика, одной и той же командой, в один и тот же день. Разрыв между ними — самое полезное в этом релизе. Документированные сбои ИИ и инциденты с агентами, связанные с такими релизами, как этот, собраны в OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Ничего из этого не анонсировалось. Чекпоинт появился на Hugging Face 24 сентября 2026 года — через два дня после создания самого репозитория; код для инференса, примеры скриптов и сборник рецептов по задачам появились только 19 октября, когда был открыт репозиторий на GitHub и в 08:58 UTC был сделан его первый коммит. На момент написания у репозитория на Hugging Face было 20 загрузок и 3 лайка, а у репозитория на GitHub — пять звёзд. Поэтому воспринимайте дальнейшее как прочтение артефактов, а не как отчёт о запуске: всё здесь можно проверить в репозиториях, а части, которые проверить нельзя, помечены как таковые.

Корейский результат — не ошибка округления.

Многоязычная таблица Ant сравнивает крошечную модель с семью другими системами на шести языках. Читайте всю строку, а не заголовок.

• Немецкий — 0,325% ошибок на уровне символов, первый из восьми, опережает следующий лучший показатель — 0,612%.

• Испанский — 0,971%, первое место; ближайший преследователь — 1,184%.

• Японский — 3,427%, делит второе место.

• Французский — 3.470%, второе место, но с показателем сходства голоса 0.733, который не попадает в тройку лидеров; в таблице это указано в её собственном разделе ограничений.

• Корейский — 6,000%, шестой из восьми, и единственный язык, на котором модель уступает системе, которую во всех остальных случаях превосходит по баллам.

• Китайский и английский — два языка, на которых фактически построена модель, и два, где она лидирует по сходству голоса говорящего.

Показатель для корейского примерно в три с половиной раза превышает частоту ошибок Ming-3.0-tts-0.5B на том же языке. Ant не объясняет почему, а карточка модели не строит предположений. Без догадок можно сказать лишь то, что носит структурный характер: это разреженная модель, а разреженные модели направляют токены через подмножество экспертов, поэтому язык, получивший меньше обучающего сигнала в смеси, может деградировать быстрее, чем в плотной модели сопоставимого общего размера. Это правдоподобный механизм, а не вывод, и его следует рассматривать как гипотезу для проверки, а не как объяснение. Практический вывод уже и обоснованнее: если корейский есть в вашем продукте, не стоит обращаться к этому чекпойнту, пока кто-нибудь не прогонит его на реальном корейском тексте.

Куда на самом деле деваются 7,9 млрд параметров

Название говорит «крошечный», а размеры файлов — об обратном, и этот разрыв объясняется архитектурой.

• Общее число параметров — метаданные Hugging Face сообщают 8,980,964,372 в BF16 плюс 40,096 в F32, а репозиторий занимает около 18 ГБ. В релизе модель описана как 7.9B-A1.3B, что означает 7,9 млрд всего и около 1,3 млрд активных на токен. Это описание было исправлено в карточке модели 16 октября, заменив более раннюю формулировку, поэтому цитируйте более новую.

• Основа — Ling V3, то же семейство, которое Ant использует для своих более крупных текстовых моделей, реализованное как смесь экспертов, а не как плотный стек.

• Head — диффузионный трансформер, который превращает скрытые состояния бэкбона в аудиолатенты, а затем отдельный аудиотокенизатор декодирует их в волновую форму.

• Bundle — чекпоинт поставляется с бэкбоном, DiT-головой, аудиотокенизатором, кодировщиком диктора CAM++ и текстовым токенизатором в одной папке. Вы скачиваете пайплайн, а не языковую модель с приделанным адаптером.

• Вывод и голоса — та же широкая панель управления, что и у остальных представителей семейства: zero-shot-клонирование по короткому эталонному клипу, дизайн голоса по описанию на естественном языке, свободное управление стилем, более 100 встроенных китайских голосов и пять английских, а также 14 встроенных паралингвистических тегов для смеха, вздохов, дыхания и колебаний, плюс явные настройки эмоций, скорости, высоты тона и громкости.

• Языки — китайский, английский, немецкий, испанский, французский, корейский и японский; при наличии референсного клипа на соответствующем диалекте доступны сычуаньский и кантонский.

• Лицензия — MIT для весов и кода, с примечанием об использовании, в котором вас просят не выдавать себя за других людей без их согласия и помечать синтетическое аудио. Это примечание — просьба, а не условие лицензии.

Странное следствие состоит в том, что «tiny» — это утверждение о вычислениях на токен, а не о диске или видеопамяти. Вы расходуете память модели с 7,9 млрд параметров, а получаете скорость модели с 1,3 млрд параметров — разумный компромисс для пакетного синтеза и плохой для ноутбука. В собственной среде Ant в качестве рекомендуемой карты указана H800, и ничто в релизе не говорит об обратном.

Пять колонок, которые он выигрывает

Каждая цифра в этом разделе — собственная цифра Ant, измеренная на стенде Ant с рекомендуемыми Ant настройками инференса, и карточка модели — единственное место, где она существует. Подписи здесь важны больше обычного, потому что это те числа, которые будут цитироваться в других местах без них.

Схожесть голоса, китайский zero-shot — 0,781, лучший показатель в наборе для сравнения, при частоте ошибок в словах 0,820%. Английский достигает схожести 0,728 при частоте ошибок 1,666%, что также является лучшей схожестью в своём столбце.

• Паралингвистические однособытийные данные, NVBench — модель лидирует во всех шести однотеговых категориях: китайский — ошибка 2,80 / сходство 17,23 / оценка 3,20; английский — 5,86 / 32,95 / 7,05. На предложениях с несколькими событиями она лидирует в английской колонке с 5,12 / 46,13 / 7,68 и находится в середине таблицы для китайского с 4,49 / 32,88 / 5,81.

• Диалект — лёгкий набор WSC-Eval-TTS: посимвольная ошибка 2,53%, сходство 0,721, точность 86,09%; сложный набор: 3,11%, 0,738, 88,94%. Оба результата — первые в таблице Ant. Кантонский достигает 7,40% / 0,605 / 92,90 на базовом наборе и 8,67% / 0,653 / 95,16 на наборе покрытия.

• Эмоция — в среднем 74,00% на китайском наборе CV3 и 30,67% на CV3N; лучший результат на обоих подмножествах Sad и ничего примечательного в остальном.

• Голосовой дизайн — в среднем 75.37% на InstructTTSEval-ZH, второе место в общем зачёте, с оценками по атрибутным промптам 85.10, описанию — 79.90 и ролевым сценариям — 61.10. Ролевые сценарии — слабое место: четвёртое место, и в карточке модели об этом прямо сказано.

Таблица базовых атрибутов — наименее эффектная и, вероятно, наиболее полезная: 93% по возрасту, 93% по полу, 78,70% по высоте тона, средний показатель 88,23% при частоте ошибок в словах 0,274% и сходстве 0,742. Высота тона — самый слабый из четырёх контрольных параметров, что совпадает с отчётами всех других систем этого класса.

Номер подкаста — вот настоящая причина обратить на это внимание.

Модель 0.5B не справляется с генерацией подкастов с несколькими спикерами. Крошечная модель справляется, и в таблице подкастов Ant у неё лучший результат по точности содержания среди всех участников сравнения.

• Ming-3.0-tts-tiny — частота ошибок на уровне символов 2,03 %, условное сходство говорящего 0,561, UTMOS 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.

Первое место по частоте ошибок с небольшим отрывом, второе — по сходству и естественности, и самое интересное — это разрыв в естественности: ZipVoice-Dia опережает на 0,12 UTMOS, но отстаёт на 1,36 балла по точности. Это реальный компромисс, а не разница из-за округления, и он говорит о том, что следующее, что стоит улучшать в крошечной модели, — это диалоговая просодия, а не транскрипция. Как и со всем остальным в этом разделе, никто за пределами Ant не прогнал через неё подкаст и не опубликовал результат.

Что репозитории не устанавливают

Прежде чем кто-либо внедрит это в продукт, стоит назвать четыре пробела.

Для этого чекпоинта нет независимой оценки. Artificial Analysis действительно приводит запись {{1}}Ming-3.0-tts{{/1}} на своей речевой арене — {{2}}1 188 Elo{{/2}} в таблице Provider Voice и {{3}}1 069{{/3}} в Controlled Voice по состоянию на {{4}}19 октября{{/4}} — но эта запись связана с {{5}}моделью 0.5B{{/5}}, а не с этой. GitHub README воспроизводит эти цифры арены в разделе результатов без такого уточнения, а это как раз та деталь, которая через два репоста превращается в неверное утверждение. У {{6}}Ming-3.0-tts-tiny{{/6}} нет отдельного результата на арене, нет измеренной пропускной способности и нет сторонней частоты ошибок в словах.

Технического отчёта нет. В дорожной карте он значится как неотмеченный пункт, а 16 октября карточку модели отредактировали специально, чтобы удалить ссылку на него. В итоге архитектура остаётся на уровне схемы и одного абзаца: этого достаточно, чтобы запустить модель, но недостаточно, чтобы воспроизвести утверждения о процессе обучения.

Нет ни хостируемой конечной точки, ни цены. Единственный способ вызвать это — выделить GPU и запустить код, а это совсем другое дело, чем сравнивать это с тарифом за символ.

И нет никакого заявления о намерениях. Двадцать скачиваний и три лайка — это не сигнал качества, а сигнал о том, что никому не сообщили. Отсутствие анонса означает отсутствие обязательств по поддержке, отсутствие политики устаревания и никаких указаний на то, будет ли за этим хостинговый сервис.

Запустить это, если хотите.

Репозиторий Hugging Face — это публикация чекпоинта, и в его карточке прямо указано, что для инференса требуется проект на GitHub. Именно поэтому октябрьский коммит важнее сентябрьской загрузки. Окружение зафиксировано на Python 3.10.15, PyTorch и torchaudio 2.7.1 с CUDA 11.8 и transformers 4.46.3, рекомендуется H800; точка входа — infer_tiny.py с классом ming_tiny.MingTinyTTS и протоколом промптов под названием thinking_v1. Опубликованные значения по умолчанию: масштаб classifier-free guidance 2.0, нулевая температура, десять шагов flow, sigma 0.25 и seed 1234 — 1235 для задачи с подкастом, — а репозиторий поставляет отдельный скрипт для каждой задачи, а не единую точку входа, управляемую флагами. Поддержка vLLM-Omni есть в дорожной карте и ещё не проверена, поэтому сегодня нет высокопроизводительного пути для serving.

Если вы оцениваете это для продукта, разумный порядок поэтапного внедрения — тот же, который вы использовали бы для любого непроверенного чекпоинта с открытыми весами: держите его вне критического пути, прогоните на собственных аудиозаписях на языках, которые вы действительно выпускаете, и только потом решайте. OrcaRouter не маршрутизирует Ming-3.0-tts-tiny, и ничто здесь не следует воспринимать как утверждение об обратном — в каталоге нет речевой модели Ming. Зато в нём есть остальная часть голосовой системы: openai/tts-1, openai/tts-1-hd и openai/gpt-4o-mini-tts плюс превью Ge​mini TT​S по прейскурантной цене провайдера без добавления наценки, и более 200 текстовых моделей, доступных по тому же ключу для той половины конвейера, которая пишет сценарий или управляет агентом. Автоматическое переключение при сбоях между провайдерами поддерживает работоспособность хостируемой текстовой половины, пока вы решаете, заслужила ли самостоятельно размещённая голосовая половина своё место.

Следующим настоящим сигналом станет не очередная таблица от вендоров. Им станет кто-то вне Ant, кто запустит это на корейском или в подкасте и опубликует, что сломалось. Пока этого нет, обоснованное резюме остаётся узким: разреженная голосовая модель с лицензией MIT, поддерживающая девять языков, с лучшей оценкой клонированного голоса в своём семействе, подлинный результат для многоголосого подкаста, корейская колонка, которую нужно объяснять, и анонс, которого ещё не было.