Ming-3.0-tts ขึ้นแท่นอันดับหนึ่งใน Pronunciation Arena และส่วนที่เหลือของการเปิดตัวก็ยิ่งน่าสนใจกว่า

ที่ 93.2% Ming-3.0-tts และ Fish Audio Drama 3 Preview ต่างกันเพียงหนึ่งในร้อยของจุดเปอร์เซ็นต์ — 1,677 ช่วงที่ถูกต้องจาก 1,800 ช่วงสำหรับโมเดลของ Ant Group เทียบกับ 1,785 จาก 1,916 ช่วงของ Fish Audio — ซึ่งเป็นการเสมอกันในทุกอย่างยกเว้นทศนิยม ทั้งคู่อยู่เหนือ Eleven v4 ที่ 91.7% ซึ่งเป็นตัวเลขที่คนส่วนใหญ่จะอ้างถึง การเสมอกันนี้เป็นเรื่องจริงและควรรายงานตรง ๆ แต่เป็นสิ่งที่มีข้อมูลน้อยที่สุดบนกระดานจัดอันดับ สิ่งที่ทำให้ Ming-3.0-tts คุ้มค่าที่จะเขียนถึงในสัปดาห์นี้ ไม่ใช่การที่มันขึ้นถึงอันดับหนึ่งบนกระดานจัดอันดับ English Pronunciation Robustness ของ Artificial Analysis แต่คือการที่ในที่สุดก็มีกระดานจัดอันดับสำหรับโมเดลนี้จริง ๆ และคะแนนย่อยทั้งสี่รายการใต้คะแนนหลักบอกอะไรบางอย่างที่คะแนนหลักบอกไม่ได้ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวลักษณะนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มาของตัวเอง ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะถูกโต้แย้ง

คะแนนย่อยเหล่านั้นไม่สมดุลเลย Ming-3.0-tts นำระบบที่วัดทั้งหมด 31 ระบบในด้านการรักษาลำดับที่แน่นอน (Preserving Exact Sequences) ด้วย 90.6% และด้านการขยายคำย่อ (Expanding Shorthand) ด้วย 96.5% นอกจากนี้ยังอยู่อันดับ 21 จาก 31 ในด้านคำเดี่ยว (Standalone Terms) ด้วย 88.5% ซึ่งเป็นหมวดที่ผู้ฟังส่วนใหญ่น่าจะเรียกว่า “ออกเสียงชื่อผิด” คะแนนรวมเพียงค่าเดียวซ่อนโมเดลที่อ่าน .env.local และ “Chapter XVII” ได้ดีกว่าสิ่งอื่นใดบนตารางคะแนน และสะดุดกับคำนามเฉพาะทั่วไปบ่อยกว่าที่ระบบ Gemini หรือ ElevenLabs ทำ

อะไรที่เปลี่ยนไปจริง ๆ และอะไรที่ไม่เปลี่ยน

Ant Group ไม่ได้เปิดตัวโมเดลนี้ในสัปดาห์นี้ และไม่มีบทความใดควรแสร้งทำเป็นอย่างอื่น ไทม์ไลน์ในรีโพซิทอรีเป็นข้อมูลสาธารณะและค่อนข้างน่าอึดอัด:

• รีโพซิทอรี Hugging Face สำหรับ {{1}}Ming-3.0-tts-0.5B{{/1}} และ {{2}}Ming-3.0-tts-tiny{{/2}} ถูกสร้างขึ้นเมื่อวันที่ 22 กันยายน 2026 พร้อมการ์ดชั่วคราว

• เช็กพอยต์ 0.5B — ไฟล์ safetensors ขนาด 2.96 GB ภายใต้สัญญาอนุญาต MIT — เปิดตัวเมื่อวันที่ 24 กันยายน

• GitHub repository ที่มีโค้ด inference, คุกบุ๊กสำหรับงาน และสคริปต์ตัวอย่าง ปรากฏขึ้นเมื่อวันที่ 19 ตุลาคม ซึ่งเป็นวันที่เดียวกับที่ README ของ Ant ระบุว่าเป็นเดือนที่เปิดตัว และเป็นวันที่ Artificial Analysis ประทับบนแถวโมเดลของมัน

ดังนั้นน้ำหนักโมเดลมีอายุสี่สัปดาห์ และรีลีสที่ใช้งานได้มีอายุหนึ่งวัน สิ่งที่เปลี่ยนไปเมื่อวันที่ 19 ตุลาคม ไม่ใช่การที่มีโมเดลถูกปล่อยออกมา แต่เป็นการที่โค้ดสำหรับการทำอินเฟอเรนซ์ถูกปล่อยออกมา และมีการวัดผลจากบุคคลภายนอกมาพร้อมกัน ก่อนวันนั้น มีเช็กพอยต์ที่ไม่มีวิธีรันที่เผยแพร่ไว้ และไม่มีตัวเลขจากบุคคลที่สามแนบมาด้วย ใครก็ตามที่เขียนเกี่ยวกับมันกำลังอ้างตารางของ Ant เอง

ความแตกต่างนี้สำคัญต่อวิธีที่คุณตีความค่า 93.2% Artificial Analysis ใช้ชุดทดสอบและผู้ตรวจสอบที่เป็นมนุษย์ของตนเอง สิ่งเหล่านี้ไม่ใช่การประเมินของ Ant ที่นำมาจำลองซ้ำ วันที่ประเมินและจำนวนตัวอย่างระบุไว้บนกระดานคะแนน มีการเผยแพร่ช่วงความเชื่อมั่น และมีการอธิบายการตรวจสอบความตั้งใจของผู้ตรวจสอบไว้ในระเบียบวิธีวิจัย นี่เป็นครั้งแรกที่มีคนนอก Ant ให้ตัวเลขกับโมเดลนี้ และบังเอิญว่าตัวเลขนั้นออกมาดี

สามบอร์ด สามคำตอบที่แตกต่างกัน

Artificial Analysis ดำเนินการบอร์ดจัดอันดับ text-to-speech มากกว่าหนึ่งแห่ง และ Ming-3.0-tts ไม่ได้ครองอันดับสูงสุดในทุกบอร์ด ความแตกต่างมีมากพอจนการอ้างอิงเฉพาะบอร์ดที่ทำให้โมเดลดูดีนั้นถือเป็นการนำเสนอข้อมูลที่บิดเบือนรูปแบบหนึ่ง

• Controlled Voice ซึ่งทุกระบบโคลนเสียงอ้างอิงแปดเสียงเดียวกัน (สหรัฐฯ สี่เสียง สหราชอาณาจักรสี่เสียง) และเปรียบเทียบเฉพาะการสังเคราะห์ — {{1}}Ming-3.0-tts{{/1}} ได้ 1,068 Elo เป็นอันดับหนึ่งในบรรดาโมเดล open-weights และอันดับ 12 โดยรวม Fish Audio Drama 3 Preview เป็นอันดับสองในกลุ่ม open weights ที่ 1,059

• Provider Voice ซึ่งแต่ละระบบใช้เสียงเนทีฟของตัวเอง — Ming-3.0-tts ได้ 1,188 Elo เป็นอันดับ 18 โดยรวม และเป็นอันดับสามในบรรดาโมเดล open-weights ตามหลัง Fish Audio Drama 3 Preview ที่ 1,247 และ Breeze T​TS 2 ที่ 1,221 ส่วน Eleven v4 Turbo นำเป็นอันดับหนึ่งของทั้งกระดานที่ 1,330

• ความทนทานต่อการออกเสียง ภาษาอังกฤษ ตัดสินโดยมนุษย์ — Ming-3.0-tts อยู่ที่ 93.2% เป็นอันดับหนึ่งโดยรวม เฉือน Fish Audio Drama 3 Preview ที่ 93.2% และนำหน้า Eleven v4 ที่ 91.7%

รูปแบบนี้สอดคล้องกันดี: ทันทีที่เสียงไม่ถูกตรึงให้คงที่ Ming-3.0-tts ก็ตกอันดับไป นั่นคือลักษณะเฉพาะของโมเดลที่ความสามารถในการโคลนเสียงแข็งแกร่งกว่าชุดเสียงสำเร็จรูปของตัวเอง — ซึ่งเป็นสิ่งที่เช็กพอยต์ที่ไม่มีแค็ตตาล็อกเสียงแบบโฮสต์ควรมีหน้าตาอย่างนั้นพอดี Ant มาพร้อมเสียงจีนในตัวกว่า 100 เสียงและเสียงอังกฤษห้าเสียง; สามในเสียงอังกฤษเหล่านั้นคือสิ่งที่คณะกรรมการ Provider Voice ได้ยินจริง เมื่อเทียบกับแค็ตตาล็อกที่ผลิตอย่างพิถีพิถันของ ElevenLabs และ Cartesia บนเสียงโคลน สนามแข่งขันก็เสมอกันมากขึ้น และโมเดลขยับขึ้นห้าอันดับ

โปรดทราบด้วยว่าตัวเลขได้คลาดเคลื่อนไปจาก README ของ Ant เองแล้ว ตารางในรีโพซิทอรีระบุว่า 1,069 Controlled และอันดับ 13 โดยรวม และ 1,188 Provider และอันดับ 17 โดยรวม บอร์ดวันนี้แสดง 1,068 และอันดับ 12 และ 1,187.8 และอันดับ 18 คะแนนโหวตยังคงเข้ามาเรื่อย ๆ ตัวเลขจึงยังเปลี่ยนแปลง ผู้ใดที่อ้างอิงตัวเลขเหล่านี้ควรระบุวันที่กำกับไว้ด้วย

93.2 คือชนะสองครั้งและแพ้สองครั้ง

Pronunciation Robustness ไม่ใช่การทดสอบเพียงอย่างเดียว Artificial Analysis แบ่งมันออกเป็นสี่หมวดหมู่ โดยแต่ละหมวดมีตัวส่วนของตัวเอง และการแบ่งเช่นนี้เองที่ทำให้โมเดลนี้เข้าใจได้อย่างชัดเจน

• การรักษาลำดับที่แน่นอน — รหัส เส้นทางไฟล์ ที่อยู่อีเมล ตัวระบุ Ming-3.0-tts ได้ 90.6% เป็นอันดับ 1 จาก 31 โดยอันดับถัดไปที่ดีที่สุดคือ Fish Audio Drama 3 Preview ที่ 86.3% และ Eleven v4 ที่ 78.8% นี่คือหมวดหมู่ที่ตัดสินว่าบอตสนับสนุนจะอ่านหมายเลขคำสั่งซื้อได้ถูกต้องหรือไม่ และช่องว่างคะแนนก็ไม่ใกล้เคียงเลย

• {{1}}การขยายคำย่อ{{/1}} — ตัวเลข วันที่ หน่วย และสัญกรณ์ Ming-3.0-tts ได้ 96.5% เป็นอันดับหนึ่งจาก 31 ราย นำหน้า Eleven v4 ที่ 94.1% และ Fish Audio Drama 3 Preview ที่ 93.6%

• เหมาะสมตามบริบท — คำที่สะกดเหมือนกันแต่ออกเสียงและความหมายต่างกัน เช่น "a wound that is bandaged" เทียบกับ "a bandage that is wound" Ming-3.0-tts ได้ 91.0% อยู่ในอันดับ 13 จาก 31 ส่วน Gemini 3.8 Flash TTS นำอยู่ที่ 98.0%

• คำศัพท์เดี่ยว — ชื่อแบรนด์ ชื่อสถานที่ และชื่อทางเทคนิค Ming-3.0-tts ได้คะแนน 88.5% อยู่อันดับ 21 จาก 31 ส่วน Fish Audio Drama 3 Preview นำอยู่ที่ 95.9%

คะแนนรวมที่เสมอกันในอันดับหนึ่ง ทั้งที่อยู่ในอันดับที่ 21 ในหนึ่งในสี่องค์ประกอบนั้นไม่ใช่เรื่องขัดแย้ง สองหมวดหมู่ที่มันชนะมีตัวส่วนใหญ่ที่สุด (1,084 จาก 1,800 ช่วงที่ถูกประเมินเป็นกรณี shorthand และ sequence) README ของ Ant เองก็อ้างอิงสองชัยชนะนี้อย่างแม่นยำ โดยระบุ Expanding Shorthand ที่ 96.5% และ Preserving Exact Sequences ที่ 90.6% และการรันอิสระยืนยันทั้งสองอย่าง เพียงแต่ไม่ได้กล่าวถึงอันดับที่ 21 ซึ่งเป็นแถวที่ทีม voice agent ควรดูก่อนปล่อยโมเดลที่ต้องเอ่ยนามสกุลลูกค้า

อันดับที่ 21 ยังเป็นคำอธิบายที่เป็นไปได้มากที่สุดสำหรับรายละเอียดหนึ่งใน model card ของ Ant: ชุดเสียงภาษาอังกฤษมีเพียงห้าเสียง เทียบกับกว่าหนึ่งร้อยเสียงในภาษาจีน ความครอบคลุมของคำวิสามานยนามภาษาอังกฤษเป็นปัญหาด้านข้อมูลก่อนที่จะเป็นปัญหาด้านการสร้างแบบจำลอง และตัวเลขการออกเสียงคำศัพท์คือสิ่งที่ช่องว่างนั้นดูเป็นเมื่อมีคนวัดมัน

ครึ่งหนึ่งของครอบครัวที่ไม่ได้อยู่ในบอร์ด

Ming-3.0-tts-tiny ซึ่งเป็นตัวแปร mixture-of-experts ขนาดรวม 7.9B และมีพารามิเตอร์ที่ใช้งานจริง 1.3B ที่สร้างบนโครงหลัก Ling V3 ไม่มีแถวอยู่ในลีดเดอร์บอร์ดใด ๆ เหล่านี้เลย รายการใน arena ที่ติดป้ายว่า Ming-3.0-tts ลิงก์ไปยัง checkpoint ขนาด 0.5B และตัวเลขทุกตัวข้างต้นเป็นของ checkpoint นั้น ผลลัพธ์ที่เผยแพร่ของ Tiny เป็นของ Ant เอง — อัตราคำผิดพลาดภาษาจีน 0.820% พร้อมความคล้ายของผู้พูด 0.781, เยอรมัน 0.325%, สเปน 0.971%, เกาหลี 6.000% — และยังไม่มีผู้ใดที่เป็นอิสระรายใดทำซ้ำผลเหล่านี้ได้ ให้ถือว่าสิ่งเหล่านี้เป็นคำกล่าวอ้างของผู้ขาย; ตัวเลขเกาหลีที่น่าอับอายอย่างน้อยก็เป็นหลักฐานว่า Ant กำลังเผยแพร่ตารางเต็มมากกว่าจะเป็นรีลไฮไลต์

มีอยู่จุดหนึ่งที่ tiny ดูเหนือกว่าโมเดลพี่น้องอย่างแท้จริงบน harness ของ Ant: การสร้างพอดแคสต์แบบหลายผู้พูด ซึ่งโมเดล 0.5B ไม่ทำเลย สิ่งนั้นเป็นความสามารถของผลิตภัณฑ์มากกว่าความได้เปรียบด้าน benchmark และไม่ได้อยู่ใน arena

การรันมัน และค่าใช้จ่ายที่ต้องจ่าย

เช็กพอยต์ 0.5B เป็นไฟล์ดาวน์โหลดขนาด 2.96 GB — backbone, DiT patch head, audio tokenizer, speaker encoder และ text tokenizer — ภายใต้ MIT ให้เอาต์พุตเสียงที่ 44.1 kHz Ant ทดสอบบน H800-80GB และ H20-96G ด้วย PyTorch 2.6, CUDA 12.4 และ transformers 4.46.3 และรีโพซิทอรีมี Dockerfileinfer.py หรือ MingTTS คลาส Python; รีโพซิทอรี Hugging Face เป็นเพียงการแจกจ่ายเช็กพอยต์เท่านั้นและจะไม่ทำงานด้วยตัวเอง

Artificial Analysis วัด endpoint Ant แบบโฮสต์ไว้ได้ที่ 44.3 ตัวอักษรต่อวินาทีของเวลาสร้าง โดยมีเวลาสร้างค่ามัธยฐานอยู่ที่ 2.56 วินาที เพื่อให้เห็นภาพ: หนึ่งล้านตัวอักษรของคำบรรยายที่เสร็จสมบูรณ์นั้นใช้เวลาสร้างล้วน ๆ ประมาณ 6.3 ชั่วโมงบนการกำหนดค่านั้น ก่อนจะมีการโหลดโมเดลหรือการเข้าคิว ไม่มีราคาที่ระบุไว้เพราะไม่มี endpoint เชิงพาณิชย์แบบโฮสต์ไว้ คุณกำลังซื้อชั่วโมง GPU ไม่ใช่ตัวอักษร

นี่คือจุดที่ชั้นการกำหนดเส้นทางมีประโยชน์อย่างแท้จริง โดยไม่แสร้งว่าเป็นผู้โฮสต์โมเดล OrcaRouter ไม่มี Ming-3.0-tts — แคตตาล็อกไม่มีโมเดลเสียง Ming เลย — และคุณเข้าถึงโมเดลได้โดยการโคลนรีพอซิทอรีแล้วรันด้วยตัวเอง สิ่งที่เราให้บริการคือครึ่งที่เป็นข้อความของไปป์ไลน์เดียวกัน: โมเดลมากกว่า 200 โมเดลภายใต้คีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกกำไรเพิ่ม, การสลับสำรองอัตโนมัติระหว่างผู้ให้บริการ และ DSL สำหรับกำหนดเส้นทางเพื่อประกอบโมเดลเหล่านี้เข้าด้วยกัน หากคุณกำลังสร้างไปป์ไลน์การบรรยายหรือเอเจนต์ โมเดลที่เขียนสคริปต์คือส่วนที่คุณรวมศูนย์ได้วันนี้ ส่วนโมเดลเสียงคือส่วนที่คุณโฮสต์เอง

สิ่งที่ต้องจับตาจากนี้ไป

มีสามสิ่งที่จะเปลี่ยนภาพนี้ไป และยังไม่มีสิ่งใดเกิดขึ้นเลย

Roadmap ของ Ant ยังระบุว่ารายงานทางเทคนิคยังไม่ถูกติ๊ก จนกว่ารายงานนั้นจะเผยแพร่ คำอธิบายสถาปัตยกรรมก็มีเพียงหนึ่งย่อหน้าและแผนภาพหนึ่งรูป และตารางการประเมินเป็นหลักฐานโดยละเอียดเพียงอย่างเดียวเกี่ยวกับพฤติกรรมของโมเดล รายงานยังจะอธิบายช่องว่างด้านการออกเสียงคำศัพท์ ซึ่งปัจจุบันเป็นเพียงสมมติฐาน

Provider Voice ได้ยินเสียงเจ้าของภาษามาแล้วสามเสียง นั่นเป็นตัวอย่างที่น้อยนิดสำหรับโมเดลที่มาพร้อมเสียงภาษาจีนหนึ่งร้อยเสียงและภาษาอังกฤษห้าเสียง และอันดับที่ 18 จะขยับเมื่อมีการให้คะแนนเสียงมากขึ้น — ณ จุดนี้ไม่อาจรู้ได้ว่าจะขยับไปในทิศทางใด

และเช็กพอยต์ tiny ยังคงไม่ถูกวัดโดยผู้ใดที่เป็นอิสระ หากมันได้มีแถวในตารางจริง คำถามที่น่าสนใจคือ Ling V3 แบบ mixture-of-experts ที่มี 1.3B active ต่อโทเคนจะรักษาความได้เปรียบด้านความเที่ยงตรงของลำดับ (sequence fidelity) ที่ทำให้โมเดล 0.5B โดดเด่นไว้ได้ หรือจะแลกสิ่งนั้นไปกับความคล้ายคลึงของผู้พูด (speaker similarity) ที่ตารางของ Ant เองมอบให้ เมื่อดูตัวเลขจากผู้จำหน่าย tiny คือเสียงโคลนที่ดีกว่า เมื่อดูตัวเลขอิสระชุดเดียวที่มีอยู่ 0.5B คือตัวที่ถูกทดสอบแล้ว และมันผ่านส่วนหนึ่งของการทดสอบที่คนส่วนใหญ่ไม่คิดจะรัน