Ming-3.0-tts возглавляет Арену произношения, а остальная часть его дебюта ещё интереснее

С показателем 93,2% Ming-3.0-tts и Fish Audio Drama 3 Preview разделяет одна сотая процентного пункта — 1 677 правильных фрагментов из 1 800 у модели Ant Group против 1 785 из 1 916 у Fish Audio, — то есть это ничья во всём, кроме цифры после запятой. Оба результата выше, чем у Eleven v4 с 91,7%, — а это та цифра, которую процитирует большинство. Ничья настоящая, и о ней стоит сообщить прямо, но это наименее информативное, что есть в таблице. Ming-3.0-tts заслуживает отдельного материала на этой неделе не потому, что он занял первое место в таблице лидеров English Pronunciation Robustness от Artificial Analysis. А потому, что эта таблица для данной модели вообще наконец существует, и что четыре субпоказателя под главной цифрой говорят то, чего главная цифра сказать не может. Документированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в the OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и отметку об оспаривании.

Эти подоценки сильно перекошены. Ming-3.0-tts лидирует среди всех 31 измеренной системы в категории «Сохранение точных последовательностей» с результатом 90,6% и в категории «Раскрытие сокращений» с результатом 96,5%. При этом в категории «Отдельные термины» он занимает лишь 21-е место из 31 с показателем 88,5% — а ведь именно эту категорию большинство слушателей назвали бы «неправильным произношением имён». Одна сводная оценка скрывает модель, которая читает .env.local и «Глава XVII» лучше, чем что-либо ещё в таблице, но при этом спотыкается на обычных именах собственных чаще, чем система Gemini или ElevenLabs. Станет ли это победой, полностью зависит от того, из чего состоит ваш текст.

Что на самом деле изменилось, а что — нет

Ant Group не запустила эту модель на этой неделе, и ни одна статья не должна делать вид, что это не так. Хронология в репозиториях общедоступна и немного неловка:

• Репозитории Hugging Face для Ming-3.0-tts-0.5B и Ming-3.0-tts-tiny были созданы 22 сентября 2026 года с карточкой-заглушкой.

• Чекпоинт 0.5B — 2,96 ГБ safetensors, под лицензией MIT — был выложен 24 сентября.

• Репозиторий GitHub с кодом инференса, сборником рецептов задач и примерами скриптов появился 19 октября — эта же дата указана в README Ant как месяц выпуска и проставлена Artificial Analysis в строке её модели.

Итак, весам уже четыре недели, а пригодному к использованию релизу — один день. 19 октября изменилось не то, что была выпущена модель. Изменилось то, что был выпущен код инференса и что вместе с ним появились независимые измерения. До этой даты существовал чекпойнт, для которого не было опубликовано способа запуска и не было привязано ни одной сторонней цифры; все, кто о нём писал, цитировали собственные таблицы Ant.

Эта разница важна для того, как вы интерпретируете 93.2%. Artificial Analysis использует собственный испытательный стенд и собственных рецензентов-людей; это не воспроизведённые оценки Ant. Даты оценки и размеры выборок указаны на доске, доверительные интервалы опубликованы, а проверки внимательности рецензентов описаны в методологии. Это первый раз, когда кто-либо за пределами Ant выставил этой модели числовую оценку, и она, как оказалось, хорошая.

Три совета — три разных ответа

Artificial Analysis ведёт не один рейтинг синтеза речи, и Ming-3.0-tts не лидирует во всех них. Различия достаточно велики, поэтому цитирование того рейтинга, который льстит модели, представляет собой форму искажения информации.

• Controlled Voice, где каждая система клонирует одни и те же восемь эталонных голосов (четыре из США, четыре из Великобритании), а сравнивается только синтез, — Ming-3.0-tts набирает 1 068 Elo, занимая первое место среди моделей с открытыми весами и 12-е место в общем зачёте. Fish Audio Drama 3 Preview — второй среди моделей с открытыми весами с результатом 1 059.

• Голос провайдера, где каждая система использует собственные нативные голоса — Ming-3.0-tts набирает 1 188 баллов Elo, занимает 18-е место в общем зачёте и третье среди моделей с открытыми весами, уступая Fish Audio Drama 3 Preview с 1 247 и Breeze T​TS 2 с 1 221. Eleven v4 Turbo возглавляет всю таблицу с 1 330.

• Устойчивость произношения, английский язык, оценка людьми — Ming-3.0-tts с 93,2%, первое место в общем зачёте с минимальным перевесом над Fish Audio Drama 3 Preview с 93,2% и впереди Eleven v4 с 91,7%.

Закономерность устойчива: как только голоса перестают удерживать неизменными, Ming-3.0-tts теряет позиции. Это характерный признак модели, у которой клонирование сильнее, чем её штатный набор голосов, — именно так и должен выглядеть чекпойнт без размещённого каталога голосов. Ant предлагает более 100 встроенных китайских голосов и пять английских; именно три из этих английских голосов и услышал совет Provider Voice — в сравнении с тщательно проработанными каталогами ElevenLabs и Cartesia. На клонированных голосах условия выравниваются, и модель поднимается на пять мест.

Обратите также внимание, что цифры уже разошлись с собственным README Ant. В таблице репозитория указано 1,069 в категории Controlled и 13-е место в общем зачёте, а также 1,188 в категории Provider и 17-е место в общем зачёте. На табло сегодня указано 1,068 и 12-е место, а также 1,187.8 и 18-е место. Голоса продолжают поступать; строка движется. Всем, кто ссылается на эти цифры, следует указывать дату.

93.2 — это две победы и два поражения

Устойчивость произношения — это не один тест. Artificial Analysis делит её на четыре категории, у каждой свой знаменатель, и именно в этом разделении эта модель становится понятной.

• Сохранение точных последовательностей — коды, пути к файлам, адреса электронной почты, идентификаторы. Ming-3.0-tts набирает 90,6%, занимая первое место из 31; следующий лучший результат — Fish Audio Drama 3 Preview с 86,3%, а у Eleven v4 — 78,8%. Именно эта категория определяет, правильно ли бот поддержки прочитает номер заказа, и разрыв здесь отнюдь не маленький.

• Расшифровка сокращений — числа, даты, единицы измерения и обозначения. Ming-3.0-tts набирает 96,5% и занимает первое место среди 31 участника, опережая Eleven v4 с 94,1% и Fish Audio Drama 3 Preview с 93,6%.

• Контекстная уместность — гетеронимы, такие как «a wound that is bandaged» против «a bandage that is wound». Ming-3.0-tts набирает 91,0% и занимает 13-е место из 31. Gemini 3.8 Flash T​TS лидирует с 98,0%.

• Отдельные термины — названия брендов, мест и технические названия. Ming-3.0-tts набирает 88,5%, 21-е место из 31. Fish Audio Drama 3 Preview лидирует с 95,9%.

Совокупный показатель, который делит первое место, при этом занимая 21-е место по одному из четырёх компонентов, — не парадокс; две категории, в которых он побеждает, имеют наибольшие знаменатели (1 084 из 1 800 оценённых фрагментов — это случаи shorthand и sequence). В собственном README Ant опирается именно на эти две победы, отмечая Expanding Shorthand на уровне 96,5% и Preserving Exact Sequences на уровне 90,6%, и независимый прогон подтверждает оба результата. Просто там не упоминается 21-е место — а ведь именно на эту строку команде голосового агента стоит посмотреть, прежде чем выпускать модель, которой придётся произносить фамилии клиентов.

21-е место также является наиболее правдоподобным объяснением одной детали в карточке модели Ant: набор английских голосов состоит из пяти голосов против более чем 100 в китайском. Покрытие английских имён собственных — это проблема данных прежде, чем проблема моделирования, а показатель произношения терминов — это то, как этот разрыв выглядит, когда его измеряют.

Та половина семьи, которая не входит в совет директоров

Ming-3.0-tts-tiny — вариант смеси экспертов с 7,9 млрд общих и 1,3 млрд активных параметров, построенный на базе Ling V3, — не имеет строки ни в одном из этих рейтингов. Запись на арене с меткой Ming-3.0-tts ведёт к чекпоинту 0,5B, и все приведённые выше числа относятся именно к этому чекпоинту. Опубликованные результаты Tiny принадлежат самой Ant — пословная ошибка для китайского 0,820% при сходстве с диктором 0,781, для немецкого 0,325%, для испанского 0,971%, для корейского 6,000% — и никто независимо их не воспроизвёл. Считайте их заявлениями вендора; постыдная корейская цифра по крайней мере свидетельствует о том, что Ant публикует всю таблицу, а не подборку лучшего.

Есть одно место, где tiny действительно выглядит явно впереди своего собрата в харнессе Ant: генерация подкастов с несколькими говорящими, чего модель 0.5B вообще не делает. Это скорее продуктовая возможность, чем преимущество в бенчмарке, и её нет на арене.

Эксплуатация и во что это обходится

Чекпоинт 0.5B — это загрузка размером 2,96 ГБ — бэкбон, головка патчей DiT, аудиотокенизатор, энкодер диктора и текстовый токенизатор — под лицензией MIT, с выводом аудио 44,1 кГц. Ant протестировал его на H800-80GB и H20-96G с PyTorch 2.6, CUDA 12.4 и transformers 4.46.3, а репозиторий включает Dockerfile. Инференс выполняется через infer.py или MingTTS (Python-класс); репозиторий Hugging Face предназначен только для распространения чекпоинта и не будет работать сам по себе.

Artificial Analysis измерила размещённый эндпоинт Ant на уровне 44,3 символа в секунду времени генерации при медианном времени генерации 2,56 секунды. Для масштаба: миллион символов готовой озвучки — это примерно 6,3 часа чистой генерации на такой конфигурации, не считая загрузки модели и ожидания в очереди. Цена не указана, потому что коммерческого эндпоинта с хостингом не существует; вы покупаете GPU-часы, а не символы.

Вот где слой маршрутизации действительно полезен, не делая вид, что он размещает модель у себя. OrcaRouter не предоставляет Ming-3.0-tts — в каталоге вообще нет речевой модели Ming — а доступ к модели осуществляется путём клонирования репозитория и самостоятельного запуска. Что мы действительно предоставляем, так это текстовую половину того же пайплайна: более 200 моделей через один ключ по прайс-листовой цене провайдера без добавления наценки, автоматическое переключение между провайдерами при сбоях, а также DSL маршрутизации для их компоновки. Если вы строите пайплайн озвучивания или агентный пайплайн, модель, которая пишет сценарий, — это та часть, которую можно консолидировать уже сегодня; голосовая модель — это та часть, которую вы размещаете у себя самостоятельно.

Что смотреть отсюда

Три вещи изменили бы эту картину, и ни одна из них ещё не произошла.

В дорожной карте Ant технический отчёт по-прежнему отмечен как невыполненный. Пока он не выйдет, описание архитектуры — это один абзац и диаграмма, а таблицы оценки остаются единственным подробным свидетельством того, как ведёт себя модель. Отчёт также объяснил бы пробел в произношении терминов, который сейчас представляет собой лишь гипотезу.

Provider Voice услышал три голоса носителей языка. Это скудная выборка для модели, которая поставляется со ста голосами на китайском и пятью на английском, и 18-е место изменится по мере оценки новых голосов — в каком направлении, отсюда знать невозможно.

И крошечный чекпоинт по-прежнему не измерен никем независимым. Если он всё же получит строку, интересный вопрос в том, сохраняет ли смесь экспертов Ling V3 с 1,3B активных параметров на токен преимущество в точности последовательности, которое делает модель 0,5B особенной, или обменивает его на сходство с голосом диктора, которое дают ей собственные таблицы Ant. По цифрам производителя tiny — лучший клонированный голос. По единственным существующим независимым цифрам протестирована именно 0,5B, и она прошла ту часть теста, которую большинство людей не догадывается провести.