Ming-3.0-tts-0.5B har släppts två gånger, och Ant Group meddelade inget av dem.

Tre datum är knutna till Ming-3.0-tts-0.5B, och vart och ett av dem markerar en annan händelse. Hugging Face-repot skapades den 22 september 2026, och vikterna laddades upp två dagar senare. GitHub-repot fanns inte förrän den 19 oktober 2026, då dess första commit kom med titeln "Initial release of Ming-3.0-tts." Artificial Analysis öppnade en modellsida samma dag och gav den ett betyg. Det fanns inget blogginlägg från inclusionAI, inget pressmeddelande och ingen lanseringstråd som vi kunde hitta på något av datumen. När detta skrevs hade checkpointen sex nedladdningar och noll gilla-markeringar; GitHub-repot hade två stjärnor. De dokumenterade AI-misslyckandena och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsbetyg och flagga för omstridd status.

Det spelar roll för hur resten av den här artikeln bör läsas. Ant Groups open weights-avdelning har publicerat en komplett talmodell under MIT-licens med ett paralingvistiskt system med 14 taggar, text-till-röst-design, två kinesiska dialekter och en fullständig tabell med benchmarkresultat. Den har också hittills avstått från att berätta om den för någon. Det som följer skiljer det som repot bevisar från det som bara Ant kan bekräfta.

De tre datumen, och vad var och en faktiskt omfattar

Förvirringen är inte konstruerad. Ants två egna repositorier är offentligt oeniga, och ingen av dem har fel.

• 22 september 2026, 12:46 UTC — Hugging Face-repositoriet skapas med en första commit som består av en platshållar-README. Inga vikter ännu.

• 24 september 2026, 04:21 UTC – checkpointen landar via en commit av typen upload-large-folder, följt tjugo minuter senare av en modellspecifik README. Från och med denna punkt går modellen att ladda ner, och nästan ingen laddar ner den.

• 19 oktober 2026, 07:03 UTC — GitHub-repositoriet skapas. Klockan 08:58 UTC tillför den första commiten, "Initial release of Ming-3.0-tts", inferenskod, en Dockerfile, exempelskript med ett klick och en uppgiftskokbok. Dokumentationscommits fortsätter under eftermiddagen.

News-avsnittet i GitHub-README:n säger att 0.5b- och tiny-modellerna släpptes i "2026.10". Hugging Face-kortet säger ingenting om något datum alls. Båda beskriver samma artefakt: checkpointen fanns i september, den användbara utgåvan – kod, miljöpinningar, exempel – kom i oktober. Om du daterar modellen för ett upphandlingsdokument är den 22 september när den blev offentlig; om du daterar den som något du kan köra är den 19 oktober det ärliga svaret.

Det vi inte kan säga dig är varför. Ett tyst släpp är normalt för en forskningsorganisation som förväntar sig att modellkortet ska tala för sig självt. Det är också hur en etappvis lansering ser ut när ett större tillkännagivande är planerat. Inget i någon av repositorierna säger vilket det är, och vi tänker inte gissa.

Vad finns inuti 0.5B-kontrollpunkten?

Modellen är en tät talgenerator byggd på en Qwen2.5-0.5B-ryggrad, med ett diffusions-transformer-patchhuvud och en separat ljudtokenizer. Utgivningspaketet är mer än en språkmodell: repoet levererar ryggraden, DiT-huvudet, ljud-VAE:n, en CAM++-talarenkodare i ONNX-format och texttokenizern, allt i en enda mapp. Det paketeringsbeslutet förklarar en avvikelse som du direkt kommer att stöta på.

• Parametrar – kortet och modellnamnet anger 0,5B; Hugging Faces egen metadata anger att repositoryt är på 1B, och den enda filen model.safetensors är 2,96 GB. Siffran 0,5B avser språkryggraden. Paketet du faktiskt laddar ner är ungefär tre gånger så stort i bf16.

• Utdata – 44,1 kHz-ljud, vilket är högre än de flesta öppna T​TS-släpp och är ett av de få påståenden här som du kan kontrollera på tio sekunder med en filinspektör.

• Språk — kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, samt sichuanesiska och kantonesiska när ett referensklipp på dialekten tillhandahålls.

• Röster – zero-shot-kloning från ett kort referensklipp, röstdesign från en naturlig språkbeskrivning och en inbyggd uppsättning på över 100 kinesiska röster och fem engelska.

• Kontroll — 14 inline-taggar för skratt, suckar, hostningar, andning och tvekan, plus explicita inställningar för känsla, hastighet, tonhöjd och volym. Kortet är uppriktigt om att tonhöjden är den minst exakta av de fyra.

Uppgifter — TTS, fritextinstruktion, röstdesign, flerspråkighet, grundläggande attribut, känsla, dialekt och ett inbyggt röstläge. Kontrollerna är ömsesidigt uteslutande till sin konstruktion: fritext kan inte kombineras med röstdesign eller en inbyggd röst.

• Licens — MIT, för både vikter och kod. Ants användningsfriskrivning ber dig att inte imitera människor utan samtycke och att märka syntetiskt tal, vilket är en begäran snarare än ett licensvillkor.

Det finns en andra modell i samma släpp. Ming-3.0-tts-tiny är en mixture-of-experts-konstruktion på en Ling V3-stomme, 7,9B totalt med 1,3B aktiva, och den lägger till podcastgenerering med flera talare som 0,5B-modellen inte har. Om ditt intresse specifikt gäller den lilla modellen är den användbara formuleringen att 0,5B är den lätta driftsättningen och tiny är kapacitetstaket – inte att den ena ersätter den andra.

Benchmarktabellerna, och vem som producerade dem

Varje siffra i modellkortet kommer från Ants eget utvärderingsramverk. Det är ingen kritik – det är vad en releasedstabell är – men tabellerna citeras på andra håll utan den beteckningen, så här kommer den.

• Zero-shot Seed-TTS, kinesiska — 0,800 % ordfelsfrekvens, 0,758 talarlikhet.

Zero-shot Seed-TTS, engelska — 1,584 % ordfelsfrekvens, 0,691 talarlikhet.

• NVBench paralingvistisk, enskild händelse — felkvot för kinesiska tecken 2,70, engelska 7,60.

• Dialekt, WSC-Eval-TTS-easy — 2,27 % teckenfelkvot, 80,68 % noggrannhet.

• Röstdesign, InstructTTSEval-ZH — 72,29 % i genomsnitt.

• Grundläggande attributkontroll – 93.30 % i genomsnitt, med 0.317 % ordfelsfrekvens.

Det intressanta är vad samma tabeller säger mot modellens egna valda konkurrenter. För kinesisk zero-shot-felfrekvens uppvisar CosyVoice3-1.5B 0,710 % och Qwen3-TTS-12Hz-1.7B-Base 0,770 %, båda bättre än Mings 0,800 %. För talarlikhet slår CosyVoice3-0.5B:s 0,780 Mings 0,758. För engelsk felfrekvens når Qwen3-TTS-12Hz-1.7B-Base 1,240 % mot Mings 1,584 %.

Så Ming-3.0-tts-0.5B gör inte anspråk på tronen för noggrannhet ens inom sin egen jämförelseuppsättning, och det behöver den inte. Dess styrkor är de kolumner som de andra inte fyller: dialektkontroll, röstdesign och en paralingvistisk svit där den leder de flesta kategorier för enskilda händelser. Läs kortet som ”bred kontroll vid en halv miljard ryggradsparametrar”, inte som ”bäst felkvot”, och det håller måttet.

Kortet är också ovanligt villigt att namnge sina egna svagheter, vilket är värt att upprepa eftersom de flesta inte gör det: talarlikhet ligger efter innehållslig träffsäkerhet, fransk likhet är den tydligaste flerspråkiga luckan, paralingvistiska meningar med flera händelser är fortfarande instabila, emotionsstyrning försämras när orden själva inte bär någon känslosignal, och öppen röstdesign matchar ännu inte det starkaste systemet som det mättes mot.

Det första oberoende numret kom innan tillkännagivandet gjorde det.

Artificial Analysis lade till Ming-3.0-tts i sin speech arena den 19 oktober och länkade posten till just denna 0.5B-checkpoint, vilket avgör en fråga som kortet lämnar öppen: den poängsatta modellen är den lilla. Två resultattavlor, två resultat, och de pekar i olika riktningar.

Provider Voice, där varje modell använder sina egna inbyggda röster – Elo 1 188, 95-procentigt intervall 1 173 till 1 203, 19:e av de 98 modellerna på listan och tredje bland modeller med öppna vikter, efter Fish Audio Drama 3 Preview på 1 245 och Breeze T​TS 2 på 1 220.

• Controlled Voice, där varje modell klonar samma åtta referensröster — Elo 1 069, intervall 1 053 till 1 085, 14:e totalt och först bland modeller med öppna vikter, före Fish Audio Drama 3 Preview på 1 059 och Breeze T​TS 2 på 1 019.

• Hastighet – en median på 42,1 tecken per sekund i genereringstid på hårdvara från Artificial Analysis, med en median genereringstid på 2,46 sekunder per förfrågan. Som jämförelse uppmäter Simba 3.2 77,8 tecken per sekund och Qwen-Audio-3.0-TTS-Plus 25,6 på samma rigg.

Den uppdelningen är det mest användbara någon har publicerat om den här modellen. Dess klonade röst är konkurrenskraftig mot de bästa open-weights-systemen på listan; dess egen uppsättning röster är det inte. Oavsett vad Ants ursprungliga röstinspelningar är, är de den del som håller placeringen för leverantörsröster nere, och det är ett åtgärdbart ingenjörsproblem snarare än ett arkitektoniskt.

Ett leverantörspåstående som vi inte kunde verifiera: projektsidan anger att Ming-3.0-tts rankas först totalt på måttet för uttalsrobusthet från Artificial Analysis med 93,2 %, och först i två av dess underkategorier. Måttet finns och Artificial Analysis publicerar det, men värdet per modell exponeras inte i den siddata vi kunde läsa, så behandla 93,2 % som en leverantörsuppgiven siffra tills du själv ser stapeldiagrammet.

Att köra det tar ungefär tjugo minuter och tre fixar

Hugging Face-repositoriet är endast ett checkpoint-släpp. Det står i en framhävd ruta nära toppen: inferens kräver GitHub-projektet, och Python-API:et och CLI:t som refereras i kortet kommer därifrån. Det är den första friktionen, och det är anledningen till att oktober-repositoriet spelar större roll än septemberuppladdningen.

Det andra är textnormalisering. Siffror, datum, enheter och symboler hanteras av FST-grammatiker som kräver pynini, som inte har något universellt wheel-paket; Ants egna instruktioner hänvisar dig till conda-forge för version 2.1.6. Om du hellre avstår hoppar --no_text_normalization över det, och du får ärva hur din text redan ser ut. För en produktionspipeline för uppläsning är det ett verkligt beslut, inte en fotnot.

Den tredje är hårdvara. Miljön är låst till PyTorch 2.6, CUDA 12.4 och transformers 4.46.3, med en medföljande Dockerfile, och den har testats på en H800-80GB och en H20-96G. flash-attn är valfritt och inferensen faller tillbaka på PyTorch SDPA. Inget i utgåvan tyder på att detta körs bekvämt på ett konsumentkort, och ingen utanför Ant har ännu publicerat någon genomströmningssiffra för mindre hårdvara.

Det minsta fungerande anropet när miljön är uppe är ett enda CLI-anrop med ett referensklipp och dess transkript – klonen betingas av båda, och --use_spk_emb aktiverar villkorning med talarinbäddning. Det finns också ett förkontrollskript som kontrollerar checkpointen och tokenizern utan att ladda vikter, vilket är värt att köra innan du lägger en GPU-allokering på en dålig nedladdning.

Vad är fortfarande inte vetbart?

Fyra saker skulle förändra hur den här modellen bör bedömas, och ingen av dem finns ännu.

Det finns ingen hostad endpoint och inget pris. Artificial Analysis listar prisfältet som tomt eftersom det inte finns något att prissätta — det enda sättet att anropa detta är att köra det. Det är okej för ett team med GPUs och ett problem för alla andra, och det är den enskilt största praktiska skillnaden mellan den här utgåvan och de hostade rösterna den kommer att jämföras med.

Det finns ingen teknisk rapport. GitHubs färdplan listar den som en okryssad ruta, och Ant har tagit bort en tidigare hänvisning till en obekräftad rapport från modellkortet. Det lämnar arkitekturbeskrivningen på nivån av ett diagram och ett stycke, vilket räcker för att köra modellen men inte för att återskapa träningspåståendena.

Det finns ingen oberoende replikering av felprocenten. Siffrorna för Seed-TTS och NVBench är Ants, uppmätta med Ants protokoll och Ants rekommenderade inferensinställningar. Arenapoängen är oberoende men mäter preferens, inte noggrannhet. Ingen utanför laboratoriet har publicerat en ordfelprocent för denna checkpoint.

Och det finns ingen avsiktsförklaring. Inget tillkännagivande innebär inget supportåtagande, ingen utfasningspolicy och ingen indikation på om en värdbaserad tjänst är på väg. För en forskningsrelease under MIT kan det vara helt avsiktligt. För den som planerar att lägga in det i en produkt är det en risk som måste prissättas.

OrcaRouter dirigerar inte Ming-3.0-tts-0.5B, och den här texten bör inte läsas som att den antyder något annat – katalogen innehåller ingen Ming-talmodell. Det katalogen däremot innehåller är resten av en röstpipeline: openai/tts-1 och tts-1-hd, gpt-4o-mini-tts och förhandsversionerna av G​emini T​TS, alla till leverantörens listpris utan påslag, och fler än 200 textmodeller bakom samma nyckel för den halva av systemet som skriver manuset eller driver agenten. Om du utvärderar en obeprövad röst med öppna vikter är en förnuftig driftsättning att hålla den utanför den kritiska vägen tills den har förtjänat platsen; automatisk redundans mellan leverantörer är hur textdelen av den pipelinen hålls igång medan du bestämmer dig.

Nästa verkliga signal kommer inte att vara ännu en benchmarktabell. Det blir den första personen utanför Ant som kör 0,5B-checkpointen på sin egen ljuddata och publicerar vad som gick sönder. Tills det finns är den försvarbara sammanfattningen snäv: en genuint kapabel, MIT-licensierad flerspråkig röst på 44,1 kHz med bästa poäng för klonad röst bland öppna vikter på den oberoende listan, en svagare inhemsk röstuppsättning, en oannonserad lansering och ingen egen värdplats. Det är en lovande forskningsartefakt, ännu inte ett produktbeslut.