Ming-3.0-tts-tiny har familjens bästa klonade röst och kommer sexa i koreanska

Det bästa talarlikhetspoänget i Ant Groups nya talfamilj tillhör modellen med minst antal aktiva parametrar. Ming-3.0-tts-tiny är en mixture-of-experts-checkpoint på 7,9B som aktiverar cirka 1,3B parametrar per token, och på den kinesiska Seed-TTS-uppsättningen uppnår den 0,781 i talarlikhet — den högsta siffran någonstans i Ants publicerade tabeller, och högre än 0,758 för dess eget mindre syskon. På koreanska hamnar samma modell på sjätte plats av de åtta system som Ant benchmarkade, med 6,000 % teckenfelkvot, medan det där 0,5B-syskonet når 1,728 %. Båda siffrorna kommer från samma leverantörstestrigg, körd av samma team, samma dag. Avståndet mellan dem är det mest användbara i släppet. De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i the OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.

Inget av detta annonserades. Checkpointen lades upp på Hugging Face den 24 september 2026, två dagar efter att själva repot skapades; inferenskoden, exempelskripten och uppgiftskokboken kom inte förrän den 19 oktober, när GitHub-repot öppnades och dess första commit landade kl. 08:58 UTC. Vid tidpunkten för skrivandet hade Hugging Face-repot 20 nedladdningar och 3 gilla-markeringar, och GitHub-repot hade fem stjärnor. Betrakta därför det som följer som en läsning av artefakterna snarare än en rapport om en lansering: allt här går att kontrollera i reporna, och de delar som inte går att kontrollera är markerade som sådana.

Det koreanska resultatet är inte ett avrundningsfel

Ants flerspråkiga tabell jämför den lilla modellen med sju andra system på sex språk. Läs hela raden i stället för rubriken.

• Tyska — 0,325 % teckenfelkvot, först av de åtta, före näst bästa på 0,612 %.

• Spanska — 0,971 %, först, med tvåan på 1,184 %.

• Japanska — 3,427 %, delad andraplats.

• Franska — 3,470 %, tvåa, men med en talarlikhet på 0,733 som inte placerar sig bland de tre bästa; det står i tabellen i dess eget avsnitt om begränsningar.

• Koreanska – 6,000 %, den sjätte av åtta, och det enda språket där modellen besegras av ett system som den annars överträffar överallt.

• Kinesiska och engelska – de två språk som modellen faktiskt är uppbyggd kring, och de två där dess talarlikhet leder.

Den koreanska siffran är ungefär tre och en halv gånger felkvoten för Ming-3.0-tts-0.5B på samma språk. Ant förklarar inte varför, och modellkortet spekulerar inte. Vad som kan sägas utan att gissa är strukturellt: detta är en gles modell, och glesa modeller dirigerar tokens genom en delmängd experter, så ett språk som fick mindre träningssignal i blandningen kan försämras snabbare än det skulle göra i en tät modell med jämförbar total storlek. Det är en trolig mekanism, inte en upptäckt, och den bör behandlas som en hypotes att testa snarare än en förklaring. Den praktiska tolkningen är snävare och mer försvarbar: om koreanska ingår i din produkt är detta inte den checkpoint du bör ta till förrän någon kör den på riktig koreansk text.

Vart 7,9 miljarder parametrar faktiskt tar vägen

Namnet säger litet; filstorlekarna säger motsatsen, och gapet är arkitekturen.

• Totalt antal parametrar – Hugging Face-metadata anger 8 980 964 372 i BF16 plus 40 096 i F32, och repot upptar cirka 18 GB. Utgåvan beskriver modellen som 7.9B-A1.3B, vilket innebär 7,9 miljarder totalt och cirka 1,3 miljarder aktiva per token. Den beskrivningen korrigerades i modellkortet den 16 oktober och ersatte en tidigare formulering, så citera den nyare.

• Ryggrad — Ling V3, samma familj som Ant använder för sina större textmodeller, körd som en mixture of experts snarare än som en tät stack.

• Head — en diffusionstransformator som omvandlar backbone-modellens dolda tillstånd till ljudlatenter, följt av en separat ljudtokeniserare som avkodar dem till vågform.

• Bundle — checkpointen levererar backbone, DiT-huvudet, ljudtokeniseraren, en CAM++-talarkodare och texttokeniseraren i en och samma mapp. Du laddar ner en pipeline, inte en språkmodell med en påhängd adapter.

• Utdata och röster – samma breda kontrollpanel som resten av familjen: zero-shot-kloning från ett kort referensklipp, röstdesign från en beskrivning i naturligt språk, fri formstyrning, över 100 inbyggda kinesiska röster och fem engelska, samt 14 inline-paralingvistiska taggar för skratt, suckar, andning och tvekan, plus explicita inställningar för känsla, hastighet, tonhöjd och volym.

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

• Licens — MIT för vikter och kod, med en användningsnotis som ber dig att inte utge dig för att vara andra utan samtycke och att märka syntetiskt ljud. Den notisen är en begäran, inte ett licensvillkor.

Den märkliga konsekvensen är att ”tiny” är ett påstående om beräkningskraft per token, inte om disk eller VRAM. Du betalar minneskostnaden för en 7,9B-modell och får hastigheten hos en 1,3B-modell, vilket är en rimlig avvägning för batchsyntes och en dålig sådan för en bärbar dator. Ants egen miljö anger ett H800 som rekommenderat kort, och inget i släppet tyder på något annat.

De fem kolumnerna den vinner

Varje siffra i det här avsnittet är Ants egen, uppmätt i Ants testrigg med Ants rekommenderade inferensinställningar, och modellkortet är det enda stället där den finns. Etiketterna spelar större roll än vanligt här, eftersom det är dessa siffror som kommer att citeras någon annanstans utan dem.

• Talarlikhet, kinesisk zero-shot – 0,781, bäst i jämförelseuppsättningen, med en ordfelsfrekvens på 0,820 %. Engelska når 0,728 likhet vid 1,666 % ordfelsfrekvens, också den bästa likheten i sin kolumn.

• Paralingvistisk enkelthändelse, NVBench – modellen leder alla sex kategorier med en enda tagg: kinesiska 2,80 fel / 17,23 likhet / 3,20 poäng, engelska 5,86 / 32,95 / 7,05. På meningar med flera händelser toppar den den engelska kolumnen med 5,12 / 46,13 / 7,68 och ligger i mittfältet för kinesiska med 4,49 / 32,88 / 5,81.

• Dialekt – WSC-Eval-TTS lätta set: 2,53 % teckenfel, 0,721 likhet, 86,09 % noggrannhet; svåra setet: 3,11 %, 0,738, 88,94 %. Båda är först i Ants tabell. Kantonesiska når 7,40 % / 0,605 / 92,90 på bassetet och 8,67 % / 0,653 / 95,16 på täckningssetet.

• Känsla — i genomsnitt 74,00 % på den kinesiska CV3-uppsättningen och 30,67 % på CV3N, bäst på båda Sad-delmängderna och i övrigt opåfallande.

{{1}}Röstdesign{{/1}} — i genomsnitt 75,37 % på InstructTTSEval-ZH, näst bäst totalt, med poäng för attributprompt på 85,10, beskrivning 79,90 och rollspel 61,10. Rollspel är den svaga punkten: fjärde plats, och modellkortet säger det.

Tabellen över grundläggande attribut är den minst glamorösa och förmodligen den mest användbara: 93% för ålder, 93% för kön, 78.70% för tonhöjd, ett genomsnitt på 88.23% med 0.274% ordfelsfrekvens och 0.742 likhet. Tonhöjd är den svagaste av de fyra kontrollerna, vilket stämmer med vad alla andra system i den här klassen rapporterar.

Podcastnumret är den verkliga anledningen att lägga märke till detta.

0.5B-modellen kan inte generera poddar med flera talare. Den lilla kan det, och i Ants poddtabell är den det bästa resultatet för innehållsnoggrannhet i jämförelsen.

• Ming-3.0-tts-tiny — 2,03 % teckenfelsfrekvens, 0,561 betingad talarlikhet, 2,12 UTMOS.

• 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.

Först på felprocent med en liten marginal, tvåa på både likhet och naturlighet, och gapet i naturlighet är det intressanta: ZipVoice-Dia ligger 0,12 UTMOS före samtidigt som den är 1,36 punkter sämre på noggrannhet. Det är en verklig avvägning snarare än en avrundningsskillnad, och det tyder på att den lilla modellens dialogprosodi är nästa sak att förbättra snarare än dess transkribering. Som med allt annat i det här avsnittet har ingen utanför Ant kört en podd genom den och publicerat resultatet.

Vad repositorierna inte fastställer

Fyra luckor förtjänar att nämnas innan någon stoppar in detta i en produkt.

Det finns ingen oberoende poäng för den här checkpunkten. Artificial Analysis listar visserligen en post för Ming-3.0-tts i sin speech arena – 1 188 Elo på Provider Voice-tavlan och 1 069 på Controlled Voice den 19 oktober – men den posten är kopplad till 0.5B-modellen, inte till den här. GitHub README återger dessa arena-siffror i sitt resultatavsnitt utan den åtskillnaden, vilket är precis den typ av detalj som blir till ett felaktigt påstående två återpubliceringar senare. Ming-3.0-tts-tiny har inget separat arena-resultat, ingen uppmätt genomströmning och ingen ordfelsfrekvens från tredje part.

Det finns ingen teknisk rapport. Färdplanen listar den som en okryssad ruta, och den 16 oktober redigerades modellkortet specifikt för att ta bort en hänvisning till en. Det lämnar arkitekturen på nivån av ett diagram och ett stycke: tillräckligt för att köra modellen, inte tillräckligt för att reproducera träningspåståendena.

Det finns ingen hostad endpoint och inget pris. Det enda sättet att anropa detta är att allokera en GPU och köra koden, vilket är en annan sak än att jämföra det med ett pris per tecken.

Och det finns ingen avsiktsförklaring. Tjugo nedladdningar och tre gilla-markeringar är inte en signal om kvalitet — de är en signal om att ingen har fått veta något. Inget tillkännagivande innebär inget supportåtagande, ingen utfasningspolicy och ingen indikation på om en värdbaserad tjänst följer.

Kör det, om du vill.

Hugging Face-repot är ett checkpoint-släpp, och dess modellkort säger rakt ut att inferens kräver GitHub-projektet. Det är anledningen till att oktober-commiten är viktigare än septemberuppladdningen. Miljön är låst till Python 3.10.15, PyTorch och torchaudio 2.7.1 med CUDA 11.8 samt transformers 4.46.3, med en H800 rekommenderad; ingångspunkten är infer_tiny.py mot klassen ming_tiny.MingTinyTTS, med ett promptprotokoll som heter thinking_v1. De publicerade standardvärdena är en classifier-free guidance-skala på 2,0, temperatur noll, tio flödessteg, en sigma på 0,25 och ett seed på 1234 – 1235 för podd-uppgiften – och repot levererar ett separat skript per uppgift i stället för en enda flaggstyrd ingångspunkt. Stödet för vLLM-Omni finns på färdplanen och är ännu inte kontrollerat, så det finns ingen serveringsväg med hög genomströmning i dag.

Om du utvärderar detta för en produkt är den förnuftiga stegvisa införingen densamma som du skulle använda för vilken oprövad open-weights-checkpoint som helst: håll den utanför den kritiska vägen, kör den mot ditt eget ljud på de språk du faktiskt levererar och bestäm först därefter. OrcaRouter dirigerar inte Ming-3.0-tts-tiny, och inget här bör läsas som ett påstående om motsatsen – katalogen innehåller ingen Ming-talsyntesmodell. Det den däremot innehåller är resten av ett röstsystem: openai/tts-1, openai/tts-1-hd och openai/gpt-4o-mini-tts samt Ge​mini TT​S-förhandsversionerna till leverantörens listpris utan påslag, och fler än 200 textmodeller bakom samma nyckel för den halva av pipelinen som skriver manuset eller driver agenten. Automatisk failover mellan leverantörer är det som håller den texthalva som kan hostas igång medan du avgör om den självhostade rösthalvan har förtjänat sin plats.

Nästa riktiga signal blir inte ännu en leverantörstabell. Det blir någon utanför Ant som kör detta på koreanska, eller i en podd, och publicerar vad som gick sönder. Tills det finns är den försvarbara sammanfattningen snäv: en gles, MIT-licensierad röstmodell för nio språk med bästa poängen för klonad röst i sin egen familj, ett äkta poddresultat med flera talare, en koreansk kolumn som behöver förklaras och ett tillkännagivande som inte har skett.