Ming-3.0-tts vs Ming-3.0-tts-tiny: Den mindre checkpointen är den bättre nedladdningen, och den större är den enda som någon har mätt

Ant Group släppte två talmodeller under ett och samma namn, och namngivningen är det första som kommer att vilseleda dig. Ming-3.0-tts-the-default är den täta 0,5B-modellen: 2,96 GB på disk, en Qwen2.5-0.5B-stommme, snabb, billig och den enda av de två med ett oberoende betyg. Ming-3.0-tts-tiny är den större av de två med en storleksordning – en expertblandning med 7,9B parametrar och 1,3B aktiva per token, byggd på Ling V3-stommen, 18 GB shardade vikter – och den kallas tiny på grund av vad den kostar att köra, inte vad den kostar att ladda ner. Går du efter etiketten får du fel fil.De dokumenterade AI-felen och agentincidenterna bakom releaser som den här samlas i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensgrad och en flagga för omstridd status.

Det andra som kommer att vilseleda dig är resultattavlan. Artificial Analysis har en Ming-3.0-tts-rad med 1 188 Provider Voice Elo och 93,2 % uttalsrobusthet, och den raden länkar till 0.5B-checkpointen. Inget av det tillhör tiny. Tinys siffror är Ants egna tabeller, publicerade i modellkortet och GitHub README, och ingen tredje part har reproducerat någon av dem. Så den ärliga jämförelsen har två halvor: en modell med oberoende bevis och inget podcastläge, en modell med bevis från leverantören och en förmåga som den andra saknar. Vilken halva du behöver är en fråga om din arbetsbelastning, inte om vilken modell som är bättre.

Samma arkitekturfamilj, två väldigt olika maskiner

Båda modellerna delar generationsramverket som Ant beskriver i README: text och uppgiftsspecifika kontrolltoken betingar en språkmodell, som driver ett diffusion-transformer-patchhuvud som avger ljudtoken. Skillnaden är språkmodellen under. 0.5B använder en tät Qwen2.5-0.5B; tiny använder en gles Ling V3 mixture of experts med 7,9B totalt och ungefär 1,3B aktiverade per token.

• Nedladdningsstorlek – Ming-3.0-tts 2,96 GB jämfört med Ming-3.0-tts-tiny cirka 18 GB fördelat på 30 shards

• Parametrar – 0,5B dense kontra 7,9B totalt / 1,3B aktiva MoE

• Stomnät — Qwen2.5-0.5B vs Ling V3

• Körtid — PyTorch 2.6 + CUDA 12.4 på en stack från Python 3.8-eran kontra Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Hårdvara – testad på {{1}}H800-80GB{{/1}} och {{2}}H20-96G{{/2}} jämfört med rekommenderade {{3}}H800{{/3}}, {{4}}SGLang-Omni{{/4}} kan köras på en GPU

• Generering av podcast med flera talare — stöds inte vs stöds

• Licens — MIT vs MIT

• Oberoende arenapoäng — ja, 1 188 Provider / 1 068 Kontrollerad / 93,2 % uttal mot inget

De två checkpoints delar inte en Python-miljö. Det är inte en dokumentationsegenhet; det innebär att ett team som vill utvärdera båda på samma maskin underhåller två virtualenvs, och ett team som vill A/B-testa dem i produktion underhåller två avbildningar för driftsättning. Om din plan är "börja med den lilla och uppgradera senare" bör du räkna med migreringen som ett riktigt arbete, inte som en konfigurationsändring.

Där litet verkligen är bättre, enligt Ants egna siffror

Talarlikhet är den tydligaste och mest konsekventa vinsten, och det är siffran som avgör om en klonad röst låter som personen.

• Seed-TTS talarlikhet för kinesiska — Ming-3.0-tts 0.758 vs tiny 0.781

• Seed-TTS talarlikhet för engelska talare — 0,691 vs 0,728

• Tysk likhet — 0,753 mot 0,791

• Likhet med spanska — 0,763 mot 0,797

• Likhet med franska — 0,675 mot 0,733

• Japansk likhet — 0,765 mot 0,780

• Koreansk likhet — 0,793 vs 0,797

Tiny vinner på likhet i samtliga språk, vanligtvis med tre till sex punkter, och mönstret håller även på kontrollbenchmarkarna: 74,00 % i genomsnitt på CV3 emotion mot 72,33 %, och 75,37 % på röstdessignoggrannhet mot 72,29 %. Det är de två saker som en kund lägger märke till utan att få dem påpekade – låter det som mig, och gjorde det det jag beskrev. På båda ligger 7.9B MoE före.

Innehållsnoggrannhet delar sig åt andra hållet, och delningen är inte symmetrisk.

• Seed-TTS kinesisk ordfelsfrekvens — 0,800 % vs 0,820 %. I praktiken oavgjort; den täta modellen ligger marginellt före.

• Seed-TTS engelska ordfel — 1,584 % mot 1,666 %. Dense ligger före.

• Tyska — 0,365 % mot 0,325 %. Knappt före.

• Spanska — 1,099 % mot 0,971 %. Litet försprång.

• Franska — 4,264 % mot 3,470 %. Tiny leder med bred marginal.

• Japanskt teckenfel — 3,765 % mot 3,427 %. Liten ledning.

• Koreanskt teckenfel — 1,728 % mot 6,000 %. Dense ligger före med en faktor på tre och en halv.

Koreanska är undantaget som bör hindra alla från att läsa av "tiny är bättre på flerspråkighet" från tabellen. Ants eget modellkort flaggar det: koreanska har den största flerspråkiga noggrannhetsklyftan i tiny-modellen, och siffran 6,000 % är mer än tre gånger så stor som vad modellen på en halv miljard uppnår. Ett team som bygger för den koreanska marknaden har ett tydligt svar, och det är inte den större modellen.

Förmågan som inte är ett benchmark

Ming-3.0-tts-tiny genererar podcastdialog med flera talare utifrån ett manus med talarreferenser. Ming-3.0-tts gör det inte. Det är en produktfunktion, inte en poäng, och den visas inte på någon resultattavla – vilket är precis anledningen till att den är lätt att missa när man jämför specifikationsblad som båda listar "röstkloning" och "röstdesign."

Ants poddutvärdering, i deras eget testramverk, placerar tiny på 2,03 % teckenfel och 0,561 talarlikhet samt 2,12 UTMOS, jämfört med ZipVoice-Dia på 2,24 UTMOS, FireRedTTS2 på 3,34 % CER och MOSS-TTSD på 8,62 %. UTMOS-gapet är det man bör notera: tiny leder på innehållsnoggrannhet och ligger efter den bästa jämförelsen i naturlighet, vilket är samma avvägning som siffrorna för talarlikhet antyder från andra hållet. Poddgenerering belönar turtagning och talarkonsistens mer än en enskild perfekt ljudklipp, och det är formen på tinys försprång.

Om du behöver två personer som pratar finns det ingen jämförelse här – en modell klarar det och en gör det inte. Allt annat i den här artikeln handlar om fallet där båda kan utföra jobbet.

Vad självständighetsgapet faktiskt kostar dig

Det är värt att förstå 0,5B-modellens arenaposition innan du bestämmer hur mycket vikt du ska lägga vid den. Den får 1 188 i Provider Voice Elo, en 18:e plats av 97, och 1 068 i Controlled Voice, först bland modeller med öppna vikter och 12:a totalt. På uttal ligger den på 93,2 %, i praktiken lika med Fish Audio Drama 3 Preview och före Eleven v4. Det är oberoende mätningar med publicerade urvalsstorlekar och konfidensintervall.

Det du får av det är kalibrering. Du vet ungefär var den densa modellen står i förhållande till ElevenLabs och Cartesia, eftersom samma labb mätte alla tre på samma resultattavla. För tiny vet du bara vad Ant säger, mätt i Ants testharness med Ants inställningar, och Ant är den part som har ett intresse av resultatet. Detta är inte en anklagelse – tabellerna är ovanligt uppriktiga, inklusive den koreanska siffran och en lista över begränsningar som pekar ut tonhöjdskontroll och röstdesign för rollspel som svaga punkter. Det är ett uttalande om vad en siffra kan styrka. En leverantörstabell säger att modellen är konkurrenskraftig på de axlar leverantören valde att mäta; en rad i en arena talar om var den hamnar jämfört med system du redan använder.

Det finns en specifik sak som den oberoende nämnden inte heller berättar för dig: den mätte en enda röst. Artificial Analysis noterar att varje modell utvärderas på uttalsnämnden med en enda röst, och Mings rad använder Ants endpoint med tre inbyggda röster tillgängliga. Om de 93,2 % håller för de klonade röster som en produkt faktiskt skulle leverera är okänt, och det är det första som är värt att testa själv.

Att välja i praktiken

Beslutsträdet är kort.

Välj Ming-3.0-tts (0.5B) om du vill ha den minsta användbara nedladdningen, om du distribuerar för koreanska, om din hårdvara är ett enda 80 GB-kort som du även använder till annat, eller om du behöver en modell vars beteende har mätts av någon annan än dess skapare. Med 2,96 GB och 44,3 tecken per sekund på den oberoende testriggen är den en fungerande berättarröst som överträffar realtidstal på ett enda GPU.

Välj Ming-3.0-tts-tiny om talarlikhet är produkten – en klonad varumärkesröst, en personlig uppläsning, vad som helst där lyssnarens första bedömning är "låter det som hen" – eller om du behöver podd-dialog, eller om fransk, tysk, spansk eller japansk noggrannhet är begränsningen. Räkna med 18 GB vikter, en separat Python 3.10-miljö och ett H800-klassat kort.

Välj inget av dem, men ändå om du behöver en oberoende siffra innan du binder produktionskapacitet till tiny. Arenaraden finns inte, den tekniska rapporten är fortfarande inte avbockad på färdplanen, och vLLM-Omni-acceleration är markerad som klar i README utan ett publicerat recept. Dessa tre luckor är samma tre saker som skulle göra tiny lätt att rekommendera.

En driftnotering som gäller för båda: ingen av checkpointarna streamar. Det finns ingen publicerad tid till första ljud för någon av modellerna, och arenans genomströmningssiffra avser generering över en slutförd förfrågan. Om din applikation är konversationell är den här familjen inte verktyget, oavsett vilken storlek du väljer.

Routningsfrågan, som är annorlunda här

De flesta jämförelser på den här webbplatsen avslutas med ett stycke om att samla åtkomsten. Den här kan inte det, eftersom OrcaRouter inte är värd för någon av Ming-checkpointarna – katalogen innehåller ingen Ming-talmodell, och båda nås genom att klona Ants GitHub-repository och köra vikterna själv. Att påstå något annat vore en lögn som en läsare kan kontrollera på trettio sekunder.

Det som är sant är snävare och fortfarande användbart. En röstpipeline börjar vanligtvis med text: något skriver manuset, något översätter det, något kontrollerar det mot en stilguide. Det textsteget kan ligga bakom en enda nyckel — fler än 200 modeller till leverantörens listpris utan påslag, automatisk redundansväxling när en leverantörs tjänst försämras, och ett routing-DSL för att skicka en uppgift till en annan modell utifrån vad förfrågan innehåller. Röststeget i den här jämförelsen ligger kvar på din hårdvara oavsett, och den självhostade vägen är det som gör valet mellan de två checkpoint-modellerna reversibelt: MIT-vikter går inte ut, och en modell som du redan har på disk är en du kan fortsätta köra medan du utvärderar dess ersättare.

Vad skulle avgöra det?

Tre utvecklingar, i ordning efter hur mycket de skulle påverka rekommendationen. En liten rad i arenan skulle visa om likhetsfördelen står sig i blind lyssnarjämförelse, vilket är det enda testet som inte har körts. Den tekniska rapporten skulle förklara varför en MoE med 1,3 B aktiva parametrar ökar talarlikheten och förlorar koreansk noggrannhet, och om det är en datauppdelning eller en arkitektonisk konsekvens. Och ett publicerat vLLM-Omni-recept skulle göra den 18 GB stora checkpointen praktisk på hyrd hårdvara i stället för en forskningsdriftsättning.

Fram till dess är den användbara inramningen att Ant har levererat två modeller för två uppgifter och gett dem namn som får den mindre uppgiften att låta som den mindre filen. Det är den inte. 0.5B-modellen är den du kan mäta, driftsätta och försvara i en designgranskning; 7.9B-modellen är den som låter mer som personen du klonade, på sex av sju språk, om du har råd att lita på det.