Ming-3.0-tts toppar uttalsarenan, och resten av dess debut är mer intressant

Vid 93,2 % ligger Ming-3.0-tts och Fish Audio Drama 3 Preview en hundradels procentenhet ifrån varandra – 1 677 korrekta segment av 1 800 för Ant Groups modell mot 1 785 av 1 916 för Fish Audios – vilket är oavgjort i allt utom decimalen. Båda ligger över Eleven v4 på 91,7 %, siffran som de flesta kommer att citera. Det oavgjorda resultatet är genuint och värt att rapporteras rakt på sak, men det är det minst informativa på resultattavlan. Det som gör Ming-3.0-tts värt en artikel den här veckan är inte att modellen nådde förstaplatsen på leaderboarden för engelsk uttalsrobusthet från Artificial Analysis. Det är att tavlan äntligen finns för den här modellen överhuvudtaget, och att de fyra delpoängen under huvudresultatet säger något som huvudresultatet inte kan. De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

De där delpoängen är ojämna. Ming-3.0-tts ligger högst bland alla 31 uppmätta system i Bevara exakta sekvenser, med 90,6 %, och i Expandera förkortningar, med 96,5 %. Det ligger också på 21:a plats av 31 i Fristående termer, med 88,5 %, vilket är kategorin som de flesta lyssnare skulle kalla "att uttala namn fel". Ett sammanvägt poängtal döljer en modell som läser .env.local och "Chapter XVII" bättre än något annat i tabellen och snubblar på vanliga egennamn oftare än ett Gemini- eller ElevenLabs-system gör. Om det är en fördel beror helt och hållet på vad din text består av.

Vad som faktiskt förändrades, och vad som inte gjorde det

Ant Group lanserade inte den här modellen den här veckan, och ingen artikel bör låtsas något annat. Tidslinjen i reporterna är offentlig och lite besvärlig:

• Hugging Face-repositorierna för Ming-3.0-tts-0.5B och Ming-3.0-tts-tiny skapades den 22 september 2026, med ett platshållarkort.

• 0,5B-checkpointen – 2,96 GB safetensors, MIT-licensierad – lades upp den 24 september.

• GitHub-repositoriet med inferenskoden, uppgiftskokboken och exempelskripten dök upp den 19 oktober, vilket också är det datum som Ants README anger som utgivningsmånad och det datum som Artificial Analysis stämplar på sin modellrad.

Så vikterna är fyra veckor gamla och den användbara utgåvan är en dag gammal. Det som förändrades den 19 oktober är inte att en modell släpptes. Det är att inferenskoden släpptes, och att de oberoende mätningarna kom samtidigt. Före det datumet fanns en checkpoint utan något publicerat sätt att köra den och utan någon tredjepartssiffra kopplad till sig; alla som skrev om den citerade Ants egna tabeller.

Den distinktionen spelar roll för hur du ska tolka 93,2 %. Artificial Analysis använder sitt eget testramverk och sina egna mänskliga granskare; detta är inte Ants utvärderingar som återgivits. Utvärderingsdatumen och urvalsstorlekarna finns angivna på resultattavlan, konfidensintervallen är publicerade och granskarnas uppmärksamhetskontroller beskrivs i metoden. Det här är första gången någon utanför Ant har satt en siffra på den här modellen, och det råkar vara en bra sådan.

Tre styrelser, tre olika svar

Artificial Analysis har mer än en topplista för text-till-tal, och Ming-3.0-tts dominerar inte alla. Skillnaderna är tillräckligt stora för att det att citera den som smickrar modellen är en form av vilseledande framställning.

• Controlled Voice, där varje system klonar samma åtta referensröster (fyra amerikanska, fyra brittiska) och endast syntesen jämförs — Ming-3.0-tts får 1 068 Elo, högst bland modeller med öppna vikter och 12:a totalt. Fish Audio Drama 3 Preview är tvåa bland öppna vikter med 1 059.

• Provider Voice, där varje system använder sina egna inbyggda röster – Ming-3.0-tts får 1 188 Elo, 18:e plats totalt och tredje bland modeller med öppna vikter, efter Fish Audio Drama 3 Preview på 1 247 och Breeze TTS 2 på 1 221. Eleven v4 Turbo leder hela listan på 1 330.

• Uttalsrobusthet, engelska, mänskligt bedömd — Ming-3.0-tts på 93,2 %, först totalt med en hårsmån före Fish Audio Drama 3 Preview på 93,2 % och före Eleven v4 på 91,7 %.

Mönstret är konsekvent: så snart rösterna slutar hållas konstanta tappar Ming-3.0-tts mark. Det är signaturen för en modell vars kloning är starkare än dess inbyggda röstuppsättning – vilket är precis hur en checkpoint utan en värdbaserad röstkatalog bör se ut. Ant levererar över 100 inbyggda kinesiska röster och fem engelska; tre av dessa engelska röster är vad Provider Voice-panelen faktiskt hörde, mot ElevenLabs och Cartesias noggrant framtagna kataloger. På klonade röster jämnas spelplanen ut och modellen klättrar fem placeringar.

Observera också att siffrorna redan har avvikit från Ants egen README. Repositorietabellen anger 1 069 Controlled och en 13:e plats totalt, samt 1 188 Provider och en 17:e plats totalt. Resultattavlan i dag visar 1 068 och en 12:e plats, samt 1 187,8 och en 18:e plats. Röster fortsätter att komma in; placeringen förändras. Den som citerar dessa siffror bör ange datum för dem.

93,2 är två vinster och två förluster

Pronunciation Robustness är inte ett enda test. Artificial Analysis delar upp det i fyra kategorier, var och en med sin egen nämnare, och det är i uppdelningen som den här modellen blir begriplig.

• Bevarande av exakta sekvenser – koder, filvägar, e-postadresser, identifierare. Ming-3.0-tts får 90,6 %, bäst av 31, med näst bästa Fish Audio Drama 3 Preview på 86,3 % och Eleven v4 på 78,8 %. Det här är kategorin som avgör om en supportbot läser ett ordernummer korrekt, och marginalen är inte liten.

• Utökad stenografi – siffror, datum, enheter och notation. Ming-3.0-tts får 96,5 %, bäst av 31, före Eleven v4 med 94,1 % och Fish Audio Drama 3 Preview med 93,6 %.

• Kontextuellt lämpligt — heteronymer som "a wound that is bandaged" kontra "a bandage that is wound." Ming-3.0-tts får 91,0 %, 13:e av 31. Gemini 3.8 Flash TTS leder med 98,0 %.

• Fristående termer – varumärkes-, plats- och tekniska namn. Ming-3.0-tts får 88,5 %, 21:a av 31. Fish Audio Drama 3 Preview leder med 95,9 %.

Ett aggregerat mått som ligger delat etta samtidigt som det rankas 21:a i en av sina fyra delkomponenter är inte en paradox; de två kategorier det vinner har de största nämnarna (1 084 av de 1 800 bedömda textspannen är shorthand- och sekvensfall). Ants egen README bygger just på dessa två vinster och lyfter fram Expanding Shorthand med 96,5 % och Preserving Exact Sequences med 90,6 %, och den oberoende körningen bekräftar båda. Den nämner bara inte 21:a platsen, vilket är raden ett röstagentteam bör titta på innan de levererar en modell som måste säga kunders efternamn.

Den 21:a platsen är också den mest troliga förklaringen till en detalj i Ants modellkort: den engelska röstuppsättningen är fem röster mot över 100 på kinesiska. Täckningen av engelska egennamn är ett dataproblem innan det är ett modelleringsproblem, och siffran för termuttal är hur den klyftan ser ut när någon mäter den.

Den halvan av familjen som inte är på tavlan

Ming-3.0-tts-tiny, den totalt 7,9B stora, 1,3B aktiva mixture-of-experts-varianten som bygger på Ling V3-stommen, har ingen rad på någon av dessa topplistor. Arena-posten med etiketten Ming-3.0-tts länkar till 0,5B-checkpointen, och alla siffror ovan tillhör den checkpointen. Tinys publicerade resultat är Ants egna – kinesiskt ordningsfel 0,820 % med talarlikhet 0,781, tyska 0,325 %, spanska 0,971 %, koreanska 6,000 % – och ingen oberoende aktör har reproducerat dem. Behandla dem som leverantörspåståenden; den pinsamma koreanska siffran är åtminstone ett tecken på att Ant publicerar tabellen snarare än en höjdpunktsrulle.

Det finns en punkt där tiny verkligen ser ut att ligga före sitt syskon i Ants harness: poddgenerering med flera talare, vilket 0.5B-modellen inte gör alls. Det är en produktfunktion snarare än ett försprång i benchmark, och den finns inte med på arenan.

Att köra det, och vad det kostar

0.5B-checkpointen är en nedladdning på 2,96 GB – backbone, DiT-patchhuvud, ljudtokenizer, talarkodare och texttokenizer – under MIT, och ger 44,1 kHz-ljud. Ant testade den på en H800-80GB och en H20-96G med PyTorch 2.6, CUDA 12.4 och transformers 4.46.3, och repot innehåller en Dockerfile. Inferens sker via infer.py eller Python-klassen MingTTS; Hugging Face-repot är endast för checkpointdistribution och fungerar inte på egen hand.

Artificial Analysis uppmätte den hostade Ant-slutpunkten till 44,3 tecken per sekund genereringstid, med en median genereringstid på 2,56 sekunder. För att sätta det i perspektiv: en miljon tecken färdig berättarröst är ungefär 6,3 timmar ren generering på den konfigurationen, innan modellinläsning eller köning. Det finns inget listat pris eftersom det inte finns någon hostad kommersiell slutpunkt; du köper GPU-timmar, inte tecken.

Det är här ett routinglager är genuint användbart utan att låtsas vara värd för modellen. OrcaRouter tillhandahåller inte Ming-3.0-tts – katalogen har ingen Ming-talmodell alls – och modellen nås genom att klona repot och köra den själv. Det vi tillhandahåller är texthalvan av samma pipeline: över 200 modeller bakom en enda nyckel till leverantörens listpris utan påslag, automatisk redundansväxling mellan leverantörer, och en routing-DSL för att komponera dem. Om du bygger en berättar- eller agentpipeline är modellen som skriver manuset den del du kan konsolidera idag; röstmodellen är den del du själv hostar.

Vad att se upp för härifrån

Tre saker skulle ändra den här bilden, och ingen av dem har hänt ännu.

Ants färdplan listar fortfarande den tekniska rapporten som ej avbockad. Tills den publiceras består arkitekturbeskrivningen av ett stycke och ett diagram, och utvärderingstabellerna är den enda detaljerade bevisningen för hur modellen beter sig. En rapport skulle också förklara termuttalsgapet, som för närvarande är en hypotes.

Provider Voice har hört tre inhemska röster. Det är ett tunt urval för en modell som levereras med hundra på kinesiska och fem på engelska, och den 18:e platsen kommer att förändras när fler röster poängsätts – åt vilket håll går inte att veta härifrån.

Och den tiny-checkpointen förblir omätt av någon oberoende. Om den väl får en rad är den intressanta frågan huruvida en Ling V3 mixture-of-experts med 1.3B aktiva per token behåller den sekvenstrohetsfördel som gör 0.5B-modellen särpräglad, eller byter bort den mot den talarlikhet som Ants egna tabeller tillskriver den. Enligt leverantörens siffror är tiny den bättre klonade rösten. Enligt de enda oberoende siffror som finns är 0.5B den som har testats, och den klarade den del av testet som de flesta inte tänker på att köra.