Ming-3.0-tts-tiny มีเสียงโคลนที่ดีที่สุดในครอบครัวและได้อันดับที่หกในภาษาเกาหลี

คะแนนความคล้ายของผู้พูดที่ดีที่สุดในตระกูลโมเดลเสียงพูดใหม่ของ Ant Group เป็นของโมเดลที่มีพารามิเตอร์ที่ใช้งานอยู่น้อยที่สุด Ming-3.0-tts-tiny เป็นเช็กพอยต์แบบ mixture-of-experts ขนาด 7.9B ที่เปิดใช้งานพารามิเตอร์ราว 1.3B ต่อโทเค็น และบนชุด Seed-TTS ภาษาจีนให้ค่าความคล้ายของผู้พูด 0.781 — ซึ่งเป็นตัวเลขสูงสุดในตารางที่ Ant เผยแพร่ทั้งหมด และสูงกว่า 0.758 ของโมเดลพี่น้องที่เล็กกว่าของตัวเอง ในภาษาเกาหลี โมเดลเดียวกันจบอันดับที่หกจากแปดระบบที่ Ant นำมาทดสอบ โดยมีอัตราความผิดพลาดระดับอักขระ 6.000% ขณะที่โมเดลพี่น้องขนาด 0.5B นั้นทำได้ 1.728% ตัวเลขทั้งสองมาจากฮาร์เนสของผู้ขายรายเดียวกัน ซึ่งดำเนินการโดยทีมเดียวกัน ในวันเดียวกัน ช่องว่างระหว่างสองตัวเลขนี้คือสิ่งที่มีประโยชน์ที่สุดในการเปิดตัวครั้งนี้ ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวลักษณะนี้ ถูกเก็บรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง

ไม่มีส่วนใดของเรื่องนี้ถูกประกาศออกมา เช็กพอยต์ถูกอัปโหลดขึ้น Hugging Face เมื่อวันที่ 24 กันยายน 2026 สองวันหลังจากที่รีโพซิทอรีนั้นถูกสร้างขึ้น โค้ดสำหรับการอนุมาน สคริปต์ตัวอย่าง และคู่มือสูตรการทำงาน เพิ่งจะมาในวันที่ 19 ตุลาคม เมื่อรีโพซิทอรี GitHub ถูกเปิดขึ้นและคอมมิตแรกถูกบันทึกเมื่อเวลา 08:58 UTC ณ ขณะที่เขียน รีโพซิทอรี Hugging Face มียอดดาวน์โหลด 20 ครั้งและมี 3 ไลก์ ส่วนรีโพซิทอรี GitHub มีห้าดาว ดังนั้นโปรดมองสิ่งที่ตามมาเป็นการตีความอาร์ติแฟกต์ มากกว่าจะเป็นรายงานเกี่ยวกับการเปิดตัว ทุกอย่างในที่นี้ตรวจสอบได้ในรีโพซิทอรี และส่วนที่ตรวจสอบไม่ได้ก็ถูกทำเครื่องหมายไว้ตามนั้น

ผลลัพธ์ของเกาหลีไม่ใช่ข้อผิดพลาดจากการปัดเศษ

ตารางหลายภาษาของ Ant เปรียบเทียบโมเดลขนาดจิ๋วกับระบบอื่นอีกเจ็ดระบบในหกภาษา ควรอ่านทั้งแถวแทนที่จะดูแค่พาดหัว

• เยอรมัน — อัตราข้อผิดพลาดระดับอักขระ 0.325% เป็นอันดับหนึ่งในแปด นำหน้าคู่แข่งที่ดีที่สุดเป็นอันดับถัดไปที่ 0.612%

• สเปน — 0.971% เป็นอันดับหนึ่ง โดยอันดับรองลงมาอยู่ที่ 1.184%

• ภาษาญี่ปุ่น — 3.427% อยู่ในอันดับที่สองร่วม

• ภาษาฝรั่งเศส — 3.470% เป็นอันดับสอง แต่มีความคล้ายคลึงของผู้พูดที่ 0.733 ซึ่งไม่ติดสามอันดับแรก ตารางระบุไว้ในส่วนข้อจำกัดของตารางเอง

• เกาหลี — 6.000% อันดับที่หกจากแปด และเป็นภาษาเดียวที่โมเดลถูกระบบซึ่งโมเดลมีคะแนนเหนือกว่าในทุกที่อื่นเอาชนะ

• จีนและอังกฤษ — สองภาษาที่โมเดลนี้ถูกสร้างขึ้นมาโดยยึดเป็นหลัก และเป็นสองภาษาที่ความคล้ายคลึงของผู้พูดอยู่ในระดับนำ

ค่าของภาษาเกาหลีนั้นมีอัตราความผิดพลาดประมาณสามเท่าครึ่งของ Ming-3.0-tts-0.5B ในภาษาเดียวกัน Ant ไม่ได้อธิบายว่าเพราะเหตุใด และการ์ดโมเดลก็ไม่ได้คาดเดา สิ่งที่พูดได้โดยไม่ต้องเดาคือเชิงโครงสร้าง: นี่คือโมเดลแบบ sparse และโมเดลแบบ sparse จะกำหนดเส้นทางโทเค็นผ่านผู้เชี่ยวชาญเพียงบางส่วน ดังนั้นภาษาที่ได้รับสัญญาณการฝึกน้อยกว่าในส่วนผสมอาจเสื่อมประสิทธิภาพได้เร็วกว่าเมื่อเทียบกับโมเดลแบบ dense ที่มีขนาดรวมใกล้เคียงกัน นั่นเป็นกลไกที่เป็นไปได้ ไม่ใช่ข้อค้นพบ และควรถือเป็นสมมติฐานที่ต้องทดสอบมากกว่าคำอธิบาย การตีความเชิงปฏิบัตินั้นแคบกว่าและมีเหตุผลรองรับมากกว่า: หากผลิตภัณฑ์ของคุณมีภาษาเกาหลี นี่ไม่ใช่ checkpoint ที่ควรเลือกใช้จนกว่าจะมีคนรันกับข้อความภาษาเกาหลีจริง

พารามิเตอร์ 7.9 พันล้านตัวไปอยู่ที่ไหนกันแน่

ชื่อบอกว่าเล็ก แต่ขนาดไฟล์กลับบอกอีกอย่าง และช่องว่างนั้นคือสถาปัตยกรรม

• จำนวนพารามิเตอร์ทั้งหมด — เมทาดาทาของ Hugging Face รายงานว่า 8,980,964,372 ใน BF16 บวก 40,096 ใน F32 และที่เก็บข้อมูลใช้พื้นที่ประมาณ 18 GB เอกสารเผยแพร่ระบุว่าโมเดลนี้เป็น 7.9B-A1.3B ซึ่งหมายถึง 7.9 พันล้านพารามิเตอร์ทั้งหมด และประมาณ 1.3 พันล้านพารามิเตอร์ที่ใช้งานต่อโทเคน คำอธิบายดังกล่าวได้รับการแก้ไขในการ์ดโมเดลเมื่อวันที่ 16 ตุลาคม โดยแทนที่ถ้อยคำเดิม ดังนั้นให้อ้างอิงคำอธิบายที่ใหม่กว่า

• โครงหลัก — Ling V3 ซึ่งเป็นตระกูลเดียวกับที่ Ant ใช้สำหรับโมเดลข้อความขนาดใหญ่กว่า โดยทำงานแบบ mixture of experts แทนที่จะเป็นสแตกแบบ dense

• Head — ทรานส์ฟอร์เมอร์แบบดิฟฟิวชันที่เปลี่ยนสถานะที่ซ่อนอยู่ของแบ็กโบนให้เป็นเลเทนต์เสียง ตามด้วยโทเคไนเซอร์เสียงแยกต่างหากที่ถอดรหัสเลเทนต์เหล่านั้นเป็นรูปคลื่น

• Bundle — checkpoint นี้มาพร้อมกับ backbone, DiT head, audio tokenizer, CAM++ speaker encoder และ text tokenizer ทั้งหมดในโฟลเดอร์เดียว คุณกำลังดาวน์โหลดไปป์ไลน์ ไม่ใช่โมเดลภาษาที่มีอะแดปเตอร์ติดเพิ่มเข้ามา

• เอาต์พุตและเสียง — ชุดควบคุมที่กว้างขวางเหมือนกับรุ่นอื่น ๆ ในตระกูลเดียวกัน: การโคลนแบบ zero-shot จากคลิปอ้างอิงสั้น ๆ การออกแบบเสียงจากคำอธิบายภาษาธรรมชาติ การควบคุมสไตล์แบบอิสระ เสียงภาษาจีนในตัวมากกว่า 100 เสียงและเสียงภาษาอังกฤษ 5 เสียง และแท็กทางพาราภาษาศาสตร์แบบอินไลน์ 14 แท็กสำหรับเสียงหัวเราะ เสียงถอนหายใจ เสียงหายใจ และความลังเล พร้อมการตั้งค่าอารมณ์ ความเร็ว ระดับเสียงสูงต่ำ และความดังอย่างชัดเจน

• ภาษา — จีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น โดยมีภาษาจีนเสฉวนและภาษากวางตุ้งให้ใช้งานได้เมื่อมีคลิปอ้างอิงที่พูดภาษาถิ่นนั้น

• สัญญาอนุญาต — MIT สำหรับน้ำหนักโมเดลและโค้ด พร้อมบันทึกการใช้งานที่ขอให้คุณอย่าปลอมตัวเป็นผู้อื่นโดยไม่ได้รับความยินยอม และให้ติดป้ายกำกับเสียงสังเคราะห์ บันทึกนั้นเป็นคำขอ ไม่ใช่เงื่อนไขของสัญญาอนุญาต

ผลลัพธ์ที่แปลกก็คือ "tiny" เป็นข้อความเกี่ยวกับกำลังประมวลผลต่อโทเค็น ไม่ใช่เกี่ยวกับดิสก์หรือ VRAM คุณใช้หน่วยความจำของโมเดล 7.9B และได้ความเร็วของโมเดล 1.3B ซึ่งเป็นการแลกที่สมเหตุสมผลสำหรับการสังเคราะห์แบบแบตช์ และเป็นการแลกที่แย่สำหรับแล็ปท็อป สภาพแวดล้อมของ Ant เองระบุให้ H800 เป็นการ์ดที่แนะนำ และไม่มีสิ่งใดในการประกาศเปิดตัวที่บ่งชี้เป็นอย่างอื่น

ห้าคอลัมน์ที่มันชนะ

ตัวเลขทุกตัวในส่วนนี้เป็นของ Ant เอง วัดบนฮาร์เนสของ Ant ด้วยการตั้งค่าการอนุมานที่ Ant แนะนำ และการ์ดโมเดลเป็นที่เดียวที่มีข้อมูลนี้ ป้ายกำกับมีความสำคัญกว่าปกติในที่นี้ เพราะสิ่งเหล่านี้คือตัวเลขที่จะถูกอ้างอิงที่อื่นโดยไม่มีป้ายกำกับ

• ความคล้ายคลึงของผู้พูด ภาษาจีนแบบ zero-shot — 0.781 ดีที่สุดในชุดการเปรียบเทียบ โดยมีอัตราความผิดพลาดระดับคำที่ 0.820% ภาษาอังกฤษมีความคล้ายคลึง 0.728 ที่อัตราความผิดพลาด 1.666% และยังเป็นความคล้ายคลึงที่ดีที่สุดในคอลัมน์ของตนเช่นกัน

• เหตุการณ์เดี่ยวด้านพาราภาษา (paralinguistic), NVBench — โมเดลเป็นผู้นำในทั้งหกหมวดหมู่แท็กเดี่ยว: ภาษาจีน ข้อผิดพลาด 2.80 / ความคล้ายคลึง 17.23 / คะแนน 3.20, ภาษาอังกฤษ 5.86 / 32.95 / 7.05 สำหรับประโยคที่มีหลายเหตุการณ์ โมเดลเป็นผู้นำในคอลัมน์ภาษาอังกฤษที่ 5.12 / 46.13 / 7.68 และอยู่ในกลุ่มกลางในภาษาจีนที่ 4.49 / 32.88 / 5.81

• ภาษาถิ่น — WSC-Eval-TTS ชุด easy มีข้อผิดพลาดระดับตัวอักษร 2.53% ความคล้ายคลึง 0.721 ความแม่นยำ 86.09%; ชุด hard 3.11%, 0.738, 88.94% ทั้งสองรายการเป็นครั้งแรกในตารางของ Ant ภาษากวางตุ้งทำได้ 7.40% / 0.605 / 92.90 บนชุดฐาน และ 8.67% / 0.653 / 95.16 บนชุดครอบคลุม

• อารมณ์ — เฉลี่ย 74.00% บนชุด CV3 ภาษาจีน และ 30.67% บน CV3N เป็นอันดับหนึ่งในชุดย่อย Sad ทั้งสองชุด และไม่โดดเด่นในส่วนอื่น ๆ

• การออกแบบเสียง — เฉลี่ย 75.37% บน InstructTTSEval-ZH เป็นอันดับสองโดยรวม โดยมีคะแนนพรอมต์ด้านคุณลักษณะ 85.10 คำอธิบาย 79.90 และการเล่นบทบาท 61.10 การเล่นบทบาทเป็นจุดอ่อน: อันดับสี่ และการ์ดโมเดลระบุไว้เช่นนั้น

ตารางคุณลักษณะพื้นฐานเป็นสิ่งที่ไม่หวือหวาที่สุดและอาจเป็นประโยชน์ที่สุด: 93% ด้านอายุ, 93% ด้านเพศ, 78.70% ด้านระดับเสียง (pitch), เฉลี่ย 88.23% โดยมีอัตราคำผิด 0.274% และความคล้ายคลึง 0.742 ระดับเสียงเป็นตัวควบคุมที่อ่อนที่สุดในสี่ตัว ซึ่งสอดคล้องกับที่ระบบอื่น ๆ ในประเภทนี้รายงาน

หมายเลขพอดแคสต์เป็นเหตุผลที่แท้จริงที่ควรสังเกตสิ่งนี้

โมเดล 0.5B ไม่สามารถสร้างพอดแคสต์แบบหลายผู้พูดได้ ส่วนโมเดลตัวเล็กทำได้ และบนตารางพอดแคสต์ของ Ant ผลลัพธ์นี้คือความแม่นยำของเนื้อหาที่ดีที่สุดในการเปรียบเทียบ

• Ming-3.0-tts-tiny — อัตราความผิดพลาดระดับตัวอักษร 2.03%, ความคล้ายคลึงของผู้พูดตามเงื่อนไข 0.561, UTMOS 2.12

• 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

เป็นที่หนึ่งด้านอัตราความผิดพลาดด้วยส่วนต่างเพียงเล็กน้อย เป็นที่สองทั้งด้านความคล้ายคลึงและความเป็นธรรมชาติ และช่องว่างด้านความเป็นธรรมชาตินี่เองคือจุดที่น่าสนใจ: ZipVoice-Dia นำอยู่ 0.12 UTMOS ขณะที่ความแม่นยำแย่กว่าอยู่ 1.36 คะแนน นี่คือการแลกเปลี่ยนที่แท้จริง ไม่ใช่ความต่างจากการปัดเศษ และบ่งชี้ว่าสิ่งที่ควรปรับปรุงเป็นลำดับถัดไปของโมเดลขนาดจิ๋วนี้คือฉันทลักษณ์ในการสนทนา ไม่ใช่การถอดเสียง เช่นเดียวกับทุกสิ่งในหัวข้อนี้ ไม่มีใครนอก Ant ที่ลองรันพอดแคสต์ผ่านมันแล้วเผยแพร่ผลลัพธ์ออกมา

สิ่งที่คลังเก็บข้อมูลไม่ได้กำหนด

มีช่องว่างสี่จุดที่ควรกล่าวถึงก่อนที่ใครจะนำไปใช้ในผลิตภัณฑ์

ไม่มีคะแนนอิสระสำหรับเช็กพอยต์นี้ Artificial Analysis มีรายการ Ming-3.0-tts อยู่ใน speech arena ของตน — 1,188 Elo บนบอร์ด Provider Voice และ 1,069 บน Controlled Voice ณ วันที่ 19 ตุลาคม — แต่รายการนั้นเชื่อมโยงกับโมเดล 0.5B ไม่ใช่โมเดลนี้ README บน GitHub นำตัวเลขจาก arena เหล่านั้นมาแสดงในส่วนผลลัพธ์โดยไม่มีข้อแยกแยะดังกล่าว ซึ่งเป็นรายละเอียดประเภทที่กลายเป็นคำกล่าวอ้างที่ผิดได้หลังถูกนำไปโพสต์ซ้ำอีกสองทอด Ming-3.0-tts-tiny ไม่มีผลลัพธ์จาก arena แยกต่างหาก ไม่มี throughput ที่วัดได้ และไม่มีอัตราความผิดพลาดระดับคำจากบุคคลที่สาม

ยังไม่มีรายงานทางเทคนิค แผนงานระบุไว้เป็นช่องที่ยังไม่ได้ติ๊ก และเมื่อวันที่ 16 ตุลาคม การ์ดโมเดลถูกแก้ไขโดยเจาะจงเพื่อลบการอ้างอิงถึงรายงานดังกล่าว สิ่งที่เหลืออยู่จึงเป็นสถาปัตยกรรมเพียงระดับแผนภาพหนึ่งรูปกับย่อหน้าหนึ่งย่อหน้า ซึ่งพอจะรันโมเดลได้ แต่ไม่พอจะทำซ้ำข้อกล่าวอ้างเกี่ยวกับการฝึกได้

ไม่มีเอนด์พอยต์แบบโฮสต์และไม่มีราคา วิธีเดียวที่จะเรียกใช้สิ่งนี้ได้คือจัดสรร GPU และรันโค้ด ซึ่งเป็นคนละเรื่องกับการนำไปเปรียบเทียบกับอัตราคิดค่าบริการต่อตัวอักษร

และไม่มีการแถลงเจตนาใด ๆ การดาวน์โหลด 20 ครั้งและไลก์ 3 ครั้งไม่ใช่สัญญาณของคุณภาพ — มันเป็นสัญญาณว่ายังไม่มีใครได้รับการบอกกล่าว การไม่ประกาศใด ๆ หมายความว่าไม่มีความมุ่งมั่นในการสนับสนุน ไม่มีนโยบายการเลิกใช้งาน และไม่มีข้อบ่งชี้ว่าบริการแบบโฮสต์จะตามมาหรือไม่

จะรันมันก็ได้ ถ้าคุณต้องการ

รีโป Hugging Face เป็นการปล่อยเช็กพอยต์ และการ์ดของรีโประบุตรงๆ ว่าการทำอินเฟอเรนซ์ต้องใช้โปรเจกต์ GitHub นี่คือเหตุผลที่คอมมิตในเดือนตุลาคมสำคัญกว่าการอัปโหลดในเดือนกันยายน สภาพแวดล้อมถูกล็อกไว้ที่ Python 3.10.15, PyTorch และ torchaudio 2.7.1 พร้อม CUDA 11.8 และ transformers 4.46.3 โดยแนะนำ H800 จุดเข้าใช้งานคือ infer_tiny.py ที่ทำงานกับคลาส ming_tiny.MingTinyTTS พร้อมโปรโตคอลพรอมป์ชื่อ thinking_v1 ค่าเริ่มต้นที่เผยแพร่คือสเกล classifier-free guidance 2.0, อุณหภูมิ 0, ขั้นตอนโฟลว์ 10 ขั้น, ซิกมา 0.25 และซีด 1234 — 1235 สำหรับงานพอดแคสต์ — และรีโปมีสคริปต์แยกต่อหนึ่งงาน แทนที่จะเป็นจุดเข้าเดียวที่ขับเคลื่อนด้วยแฟล็ก การรองรับ vLLM-Omni อยู่ในโรดแมปและยังไม่ได้ตรวจสอบ ดังนั้นปัจจุบันจึงยังไม่มีเส้นทางการให้บริการที่มีทรูพุตสูง

หากคุณกำลังประเมินสิ่งนี้สำหรับผลิตภัณฑ์ การจัดลำดับขั้นตอนที่สมเหตุสมผลคือแบบเดียวกับที่คุณจะใช้กับเช็กพอยต์ open-weights ที่ยังไม่ผ่านการพิสูจน์ใด ๆ: เก็บมันไว้นอกเส้นทางวิกฤต ทดสอบกับเสียงของคุณเองในภาษาที่คุณให้บริการจริง แล้วจึงค่อยตัดสินใจ OrcaRouter ไม่ได้จัดเส้นทางให้ Ming-3.0-tts-tiny และไม่มีสิ่งใดในที่นี้ที่ควรถูกตีความว่าเป็นการอ้างเช่นนั้น — แคตตาล็อกไม่มีโมเดลเสียงพูด Ming สิ่งที่มันมีคือส่วนที่เหลือของระบบเสียง: openai/tts-1, openai/tts-1-hd และ openai/gpt-4o-mini-tts พร้อมพรีวิว Ge​mini TT​S ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม และโมเดลข้อความมากกว่า 200 โมเดลภายใต้คีย์เดียวกัน สำหรับครึ่งหนึ่งของไปป์ไลน์ที่เขียนสคริปต์หรือขับเคลื่อนเอเจนต์ การ failover อัตโนมัติข้ามผู้ให้บริการคือสิ่งที่ทำให้ครึ่งข้อความที่โฮสต์ได้ยังคงทำงานอยู่ ขณะที่คุณตัดสินใจว่าครึ่งเสียงที่โฮสต์เองได้นั้นคู่ควรกับตำแหน่งของมันแล้วหรือไม่

สัญญาณจริงครั้งถัดไปจะไม่ใช่ตารางเปรียบเทียบจากผู้ขายอีกราย แต่จะเป็นคนนอก Ant ที่นำสิ่งนี้ไปรันบนภาษาเกาหลี หรือในพอดแคสต์ แล้วเผยแพร่ว่าอะไรพังไปบ้าง จนกว่าสิ่งนั้นจะมีอยู่ สรุปที่ปกป้องได้ก็แคบ: โมเดลเสียงแบบ sparse ที่ใช้สัญญาอนุญาต MIT รองรับเก้าภาษา พร้อมคะแนนเสียงโคลนที่ดีที่สุดในตระกูลเดียวกัน ผลพอดแคสต์แบบหลายผู้พูดที่ genuine คอลัมน์ภาษาเกาหลีที่ยังต้องอธิบาย และประกาศที่ยังไม่เกิดขึ้น