Ming-3.0-tts против Ming-3.0-tts-tiny: меньший чекпоинт — лучший вариант для скачивания, а больший — единственный, который кто-либо измерял

Ant Group выпустила две речевые модели под одним названием, и именно название — первое, что введёт вас в заблуждение. Ming-3.0-tts-the-default — это плотная модель с 0,5 млрд параметров: 2,96 ГБ на диске, базовая архитектура Qwen2.5-0.5B, быстрая, дешёвая и единственная из пары с независимой оценкой. Ming-3.0-tts-tiny на порядок крупнее: это смесь экспертов с 7,9 млрд параметров, из которых 1,3 млрд активны на токен, построенная на базовой архитектуре Ling V3, с 18 ГБ шардированных весов — и она называется tiny из-за стоимости запуска, а не стоимости загрузки. Если выбирать по названию, вы получите не тот файл. Документированные сбои ИИ и инциденты с агентами, связанные с подобными релизами, собраны в OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Вторая вещь, которая введёт вас в заблуждение, — это таблица лидеров. В Artificial Analysis есть строка Ming-3.0-tts с 1 188 баллами Provider Voice Elo и 93,2% устойчивости произношения, и эта строка ведёт к чекпоинту 0.5B. Ничто из этого не относится к tiny. Цифры tiny — это собственные таблицы Ant, опубликованные в карточке модели и README на GitHub, и ни одна третья сторона не воспроизвела ни одну из них. Так что честное сравнение распадается на две половины: одна модель с независимыми доказательствами и без режима подкаста, другая — с доказательствами от производителя и возможностью, которой нет у первой. Какая половина нужна вам — это вопрос о вашей рабочей нагрузке, а не о том, какая модель лучше.

Одно и то же семейство архитектур, две совершенно разные машины

Обе модели используют фреймворк генерации, который Ant описывает в README: текстовые и специфичные для задачи управляющие токены задают условия для языковой модели, которая управляет головой патчей диффузионного трансформера, генерирующей аудиотокены. Разница — в лежащей в основе языковой модели. Версия 0.5B использует плотную Qwen2.5-0.5B; tiny использует разреженную смесь экспертов Ling V3 с общим числом параметров 7.9B и примерно 1.3B активируемых на токен.

• Размер загрузки — Ming-3.0-tts: 2,96 ГБ, а Ming-3.0-tts-tiny — около 18 ГБ по 30 шардам.

• Параметры — 0.5B плотная модель против 7.9B общих / 1.3B активных параметров MoE

• Базовая модель — Qwen2.5-0.5B против Ling V3

• Среда выполнения — PyTorch 2.6 + CUDA 12.4 на стеке эпохи Python 3.8 против Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Аппаратное обеспечение — протестировано на H800-80GB и H20-96G по сравнению с рекомендуемым H800; SGLang-Omni может обслуживать на одном GPU

• Генерация подкастов с несколькими спикерами — не поддерживается vs поддерживается

• Лицензия — MIT против MIT

• Независимая оценка на арене — да, 1 188 Provider / 1 068 Controlled / 93,2% произношения против полного отсутствия

Два чекпоинта не используют общую среду Python. Это не какая-то особенность документации; это означает, что команда, которая хочет оценить оба на одной машине, поддерживает два virtualenv, а команда, которая хочет проводить их A/B-тестирование в продакшене, поддерживает два образа развёртывания. Если ваш план — «начать с маленького и позже обновиться», закладывайте миграцию как реальный объём работы, а не изменение конфигурации.

Где крошечное действительно лучше — по собственным данным Ant

Сходство с диктором — самый очевидный и наиболее стабильный выигрыш, и именно этот показатель определяет, звучит ли клонированный голос как этот человек.

• Сходство диктора для китайского языка в Seed-TTS — Ming-3.0-tts 0.758 против tiny 0.781

• Seed-TTS: сходство диктора для английского языка — 0,691 против 0,728

• Сходство с немецким — 0,753 против 0,791

• Сходство с испанским — 0.763 против 0.797

• Сходство с французским — 0,675 против 0,733

• Сходство с японским — 0.765 против 0.780

• Сходство с корейским — 0,793 против 0,797

Tiny выигрывает по схожести во всех языках, обычно на три–шесть пунктов, и эта закономерность сохраняется и на контрольных бенчмарках: 74,00% в среднем на CV3 emotion против 72,33%, и 75,37% по точности voice-design против 72,29%. Это те две вещи, которые клиент замечает без подсказки — звучит ли это как я, и сделало ли это то, что я описал. По обоим показателям 7.9B MoE впереди.

Точность содержания делится иначе, и это разделение несимметрично.

• Ошибка в словах китайского языка у Seed-TTS — 0,800% против 0,820%. Фактически ничья; плотная модель незначительно впереди.

• Ошибка в словах для английского в Seed-TTS — 1.584% против 1.666%. Впереди — Dense.

• Немецкий — 0,365% против 0,325%. Немного впереди.

• Испанский — 1,099% против 0,971%. Немного впереди.

• Французский — 4,264% против 3,470%. Tiny с большим отрывом впереди.

• Ошибка в японских символах — 3,765% против 3,427%. Немного впереди.

• Ошибка корейских символов — 1.728% против 6.000%. Dense опережает в три с половиной раза.

Корейский — это выброс, который должен помешать кому-либо заключить по таблице, что «tiny лучше в многоязычности». В собственной карточке Ant это отмечено: у корейского самый большой разрыв в многоязычной точности в модели tiny, а показатель 6.000% более чем втрое превышает то, что удаётся модели на полмиллиарда параметров. У команды, создающей продукт для корейского рынка, есть ясный ответ, и это не более крупная модель.

Способность, которая не является бенчмарком

Ming-3.0-tts-tiny создаёт диалог подкаста с несколькими говорящими по сценарию с референсами говорящих. Ming-3.0-tts — нет. Это характеристика продукта, а не балл, и она не появляется ни в одном рейтинге — именно поэтому её легко упустить при сравнении таблиц характеристик, где в обоих случаях указаны «клонирование голоса» и «дизайн голоса».

Оценка подкастов Ant на собственном стенде показывает для tiny частоту ошибок на уровне символов 2,03% при сходстве говорящего 0,561 и UTMOS 2,12 против ZipVoice-Dia с UTMOS 2,24, FireRedTTS2 с CER 3,34% и MOSS-TTSD с 8,62%. Отметить стоит именно разрыв по UTMOS: tiny лидирует по точности содержания и уступает лучшему из сравниваемых по естественности, а это тот же компромисс, на который показатели сходства говорящего намекают с другой стороны. Генерация подкастов вознаграждает смену реплик и согласованность говорящих сильнее, чем один идеальный фрагмент, и в этом состоит суть преимущества tiny.

Если вам нужно, чтобы говорили два человека, тут нечего сравнивать — одна модель это умеет, а другая нет. Всё остальное в этой статье касается случая, когда обе модели справляются с задачей.

Во что вам на самом деле обходится разрыв в независимости

Позицию модели 0.5B в арене стоит понять, прежде чем решать, насколько на неё полагаться. Она набирает 1 188 баллов Provider Voice Elo — 18-е место из 97 — и 1 068 баллов Controlled Voice — первое место среди моделей с открытыми весами и 12-е в общем зачёте. По произношению у неё 93,2% — практически наравне с Fish Audio Drama 3 Preview и впереди Eleven v4. Это независимые измерения с опубликованными размерами выборок и доверительными интервалами.

Что это вам даёт — это калибровку. Вы примерно понимаете, где dense-модель находится относительно ElevenLabs и Cartesia, потому что одна и та же лаборатория измерила все три на одном и том же стенде. Для tiny вы знаете только то, что говорит Ant, — измеренное на стенде Ant с настройками Ant, а Ant — сторона, заинтересованная в результате. Это не обвинение: таблицы необычайно откровенны, включая корейский показатель и список ограничений, где слабыми местами названы управление высотой тона и дизайн голоса для ролевых игр. Это утверждение о том, что может подтвердить число. Таблица вендора говорит вам, что модель конкурентоспособна по тем осям, которые вендор решил измерять; строка в арене говорит, где она оказывается относительно систем, которыми вы уже пользуетесь.

Есть одна конкретная вещь, о которой независимая панель вам тоже не говорит: она измеряла один голос. Artificial Analysis отмечает, что каждая модель оценивается на панели произношения с использованием одного голоса, а в строке Ming используется эндпоинт Ant при наличии трёх доступных голосов носителей. Неизвестно, сохраняется ли показатель 93,2% на клонированных голосах, которые продукт будет реально выпускать, и именно это стоит проверить самостоятельно в первую очередь.

Выбор на практике

Дерево решений короткое.

Возьмите Ming-3.0-tts (0.5B), если вам нужна минимальная работоспособная загрузка, если вы развёртываете модель для корейского языка, если ваше оборудование — одна карта на 80 ГБ, которую вы также используете для других задач, или если вам нужна модель, поведение которой измерял кто-то кроме её автора. При 2,96 ГБ и 44,3 символа в секунду на независимом стенде это пригодный чтец, который опережает речь в реальном времени на одном GPU.

Берите Ming-3.0-tts-tiny, если продукт — это сходство с диктором: клонированный голос бренда, персонализированное чтение вслух, что угодно, где первая оценка слушателя — «звучит ли это как их голос», — или если вам нужен диалог для подкаста, или если точность на французском, немецком, испанском или японском — это ограничение. Рассчитывайте на 18 ГБ весов, отдельную среду Python 3.10 и карту класса H800.

Не берите ни то, ни другое, но если вам нужна независимая цифра, прежде чем выделять производственные мощности под tiny. Строка в arena отсутствует, технический отчёт в дорожной карте всё ещё не отмечен как проверенный, а ускорение vLLM-Omni в README отмечено как выполненное, хотя опубликованного рецепта нет. Эти три пробела — те же три вещи, которые позволили бы легко рекомендовать tiny.

Одно операционное примечание, касающееся обоих вариантов: ни один из чекпоинтов не поддерживает потоковую передачу. Для обеих моделей не опубликовано время до первого аудио, а показатель пропускной способности арены — это генерация в расчёте на завершённый запрос. Если ваше приложение предполагает диалог, это семейство не подходит, какой бы размер вы ни выбрали.

Вопрос маршрутизации, который здесь отличается

Большинство сравнений на этом сайте заканчиваются абзацем о консолидации доступа. Это сравнение так закончиться не может, потому что OrcaRouter не размещает ни одну из контрольных точек Ming — в каталоге нет речевой модели Ming, а доступ к обеим осуществляется путём клонирования репозитория Ant на GitHub и самостоятельного запуска весов. Утверждать обратное было бы ложью, которую читатель может проверить за тридцать секунд.

Верное утверждение более узкое, но всё ещё полезно. Голосовой конвейер обычно начинается с текста: что-то пишет сценарий, что-то переводит его, что-то сверяет его с редакционным стандартом. Этот текстовый этап может работать через один ключ — более 200 моделей по прайс-листу провайдера без наценки, автоматическое переключение при сбое, когда провайдер деградирует, и DSL маршрутизации для направления задачи другой модели в зависимости от содержимого запроса. Речевой этап в этом сравнении в любом случае остаётся на вашем оборудовании, и именно вариант с самостоятельным хостингом делает выбор между двумя чекпоинтами обратимым: веса под лицензией MIT не истекают, а модель, которая уже есть у вас на диске, можно продолжать обслуживать, пока вы оцениваете её замену.

Что бы это уладило

Три события — в порядке того, насколько они могли бы повлиять на рекомендацию. Небольшая строка на арене показала бы, сохраняется ли преимущество в схожести диктора при слепом сравнении слушателями — единственном тесте, который ещё не проводился. Технический отчёт объяснил бы, почему MoE с 1,3 млрд активных параметров выигрывает в схожести диктора и теряет в точности на корейском, и является ли это следствием разделения данных или архитектуры. А опубликованный рецепт vLLM-Omni сделал бы 18-ГБ чекпойнт практичным на арендованном оборудовании, а не только в исследовательском развертывании.

Пока что полезно рассматривать это так: Ant выпустил две модели для двух задач и дал им имена, из-за которых меньшая задача звучит как меньший файл. Это не так. 0.5B — это та, которую можно измерить, развернуть и защитить на проектном ревью; 7.9B — та, что больше похожа на человека, которого вы клонировали, в шести из семи языков, если вы можете позволить себе принять это на веру.