Ming-3.0-tts กับ Ming-3.0-tts-tiny: เช็กพอยต์ที่เล็กกว่าคือตัวเลือกที่ควรดาวน์โหลดมากกว่า และตัวที่ใหญ่กว่าคือตัวเดียวที่เคยมีคนวัดผล

Ant Group เปิดตัวโมเดลเสียงพูดสองรุ่นภายใต้ชื่อเดียวกัน และชื่อรุ่นคือสิ่งแรกที่จะทำให้คุณเข้าใจผิด Ming-3.0-tts-the-default คือโมเดล dense ขนาด 0.5B: ใช้พื้นที่ดิสก์ 2.96 GB มีแกนหลัก Qwen2.5-0.5B เร็ว ต้นทุนต่ำ และเป็นรุ่นเดียวในสองรุ่นนี้ที่มีคะแนนแยกต่างหาก Ming-3.0-tts-tiny กลับเป็นรุ่นที่ใหญ่กว่าอีกอย่างมาก — เป็น mixture of experts ขนาด 7.9B พารามิเตอร์ โดยมี 1.3B พารามิเตอร์ที่ใช้งานต่อโทเคน สร้างบนแกนหลัก Ling V3 น้ำหนักแบบ sharded 18 GB — และมันถูกเรียกว่า tiny เพราะต้นทุนในการรัน ไม่ใช่ต้นทุนในการดาวน์โหลด ถ้าเลือกตามป้ายชื่อ คุณจะได้ไฟล์ผิด ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่ถูกบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง

สิ่งถัดไปที่จะทำให้คุณเข้าใจผิดคือลีดเดอร์บอร์ด Artificial Analysis มีแถวของ Ming-3.0-tts ที่ 1,188 Provider Voice Elo และความทนทานต่อการออกเสียง 93.2% และแถวนั้นลิงก์ไปยัง checkpoint 0.5B ไม่มีข้อมูลส่วนใดเป็นของ tiny ตัวเลขของ Tiny มาจากตารางของ Ant เอง ซึ่งเผยแพร่ใน model card และ GitHub README และยังไม่มีบุคคลที่สามรายใดทำซ้ำผลลัพธ์ใด ๆ เหล่านั้นได้ ดังนั้นการเปรียบเทียบที่ซื่อสัตย์จึงมีสองส่วน คือ โมเดลหนึ่งมีหลักฐานอิสระและไม่มีโหมดพอดแคสต์ อีกโมเดลหนึ่งมีหลักฐานจากผู้ขายและมีความสามารถที่อีกโมเดลไม่มี คุณต้องการส่วนไหนเป็นคำถามเกี่ยวกับภาระงานของคุณ ไม่ใช่เกี่ยวกับว่าโมเดลไหนดีกว่า

สถาปัตยกรรมตระกูลเดียวกัน แต่เป็นเครื่องที่แตกต่างกันอย่างมากสองเครื่อง

ทั้งสองโมเดลใช้กรอบการสร้างเดียวกับที่ Ant อธิบายไว้ใน README: ข้อความและโทเค็นควบคุมเฉพาะงานจะกำหนดเงื่อนไขให้กับโมเดลภาษา ซึ่งขับเคลื่อนส่วนหัวแพตช์แบบ diffusion-transformer ที่สร้างโทเค็นเสียง ความแตกต่างอยู่ที่โมเดลภาษาที่อยู่เบื้องหลัง โมเดล 0.5B ใช้ Qwen2.5-0.5B แบบ dense ส่วน tiny ใช้ Ling V3 แบบ sparse mixture of experts ที่มีขนาดรวม 7.9B โดยเปิดใช้งานประมาณ 1.3B ต่อโทเค็น

• ขนาดดาวน์โหลด — Ming-3.0-tts 2.96 GB เทียบกับ Ming-3.0-tts-tiny ประมาณ 18 GB โดยแบ่งเป็น 30 shards

• พารามิเตอร์ — 0.5B แบบ dense เทียบกับ 7.9B ทั้งหมด / 1.3B ที่ใช้งานใน MoE

• โครงข่ายหลัก — Qwen2.5-0.5B เทียบกับ Ling V3

• รันไทม์ — PyTorch 2.6 + CUDA 12.4 บนสแตกยุค Python 3.8 เทียบกับ Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• ฮาร์ดแวร์ — ทดสอบบน H800-80GB และ H20-96G เทียบกับ H800 ที่แนะนำ โดย SGLang-Omni สามารถให้บริการบน GPU เพียงตัวเดียว

• การสร้างพอดแคสต์แบบมีผู้พูดหลายคน — ไม่รองรับ เทียบกับ รองรับ

• สัญญาอนุญาต — MIT กับ MIT

• คะแนน Arena แบบอิสระ — ใช่, 1,188 Provider / 1,068 Controlled / การออกเสียง 93.2% เทียบกับไม่มี

เช็กพอยต์ทั้งสองไม่ได้ใช้สภาพแวดล้อม Python ร่วมกัน นั่นไม่ใช่ความแปลกประหลาดในเอกสาร แต่หมายความว่าทีมที่ต้องการประเมินทั้งสองบนเครื่องเดียวกันต้องดูแล virtualenv สองชุด และทีมที่ต้องการทำ A/B ทั้งสองในโปรดักชันต้องดูแลอิมเมจสำหรับดีพลอยสองชุด หากแผนของคุณคือ "เริ่มจากตัวเล็กแล้วค่อยอัปเกรดทีหลัง" ให้จัดสรรทรัพยากรสำหรับการย้ายระบบเสมือนเป็นงานจริงชิ้นหนึ่ง ไม่ใช่แค่การแก้คอนฟิก

ในจุดที่ขนาดจิ๋วดีกว่าจริง ๆ โดยอิงจากตัวเลขของ Ant เอง

ความคล้ายคลึงของผู้พูดคือจุดที่ชัดเจนและสม่ำเสมอที่สุด และเป็นตัวเลขที่ตัดสินว่าเสียงโคลนจะฟังดูเหมือนบุคคลนั้นหรือไม่

• ความคล้ายคลึงของผู้พูดภาษาจีนใน Seed-TTS — Ming-3.0-tts 0.758 เทียบกับ tiny 0.781

• ความคล้ายคลึงของผู้พูดภาษาอังกฤษของ Seed-TTS — 0.691 เทียบกับ 0.728

• ความคล้ายคลึงของภาษาเยอรมัน — 0.753 เทียบกับ 0.791

• ความคล้ายคลึงของภาษาสเปน — 0.763 เทียบกับ 0.797

• ความคล้ายคลึงของภาษาฝรั่งเศส — 0.675 เทียบกับ 0.733

• ความคล้ายคลึงของภาษาญี่ปุ่น — 0.765 เทียบกับ 0.780

• ความคล้ายคลึงของภาษาเกาหลี — 0.793 เทียบกับ 0.797

Tiny ชนะทุกภาษาในด้านความคล้ายคลึง โดยทั่วไปราว 3 ถึง 6 คะแนน และรูปแบบนี้ยังคงอยู่บน benchmark ควบคุมเช่นกัน: เฉลี่ย 74.00% บน CV3 emotion เทียบกับ 72.33% และ 75.37% ในความแม่นยำด้าน voice-design เทียบกับ 72.29% สองสิ่งนี้คือสิ่งที่ลูกค้าสังเกตได้โดยไม่ต้องบอก — มันฟังดูเหมือนฉันไหม และมันทำในสิ่งที่ฉันอธิบายไว้หรือเปล่า ในทั้งสองด้าน 7.9B MoE นำหน้า

ความแม่นยำของเนื้อหาแยกไปอีกทางหนึ่ง และการแยกนั้นไม่สมมาตร

• อัตราคำผิดพลาดภาษาจีนของ Seed-TTS — 0.800% เทียบกับ 0.820% ถือว่าเสมอกันจริง ๆ โดยโมเดล dense นำอยู่เล็กน้อย

• อัตราคำผิดพลาดภาษาอังกฤษของ Seed-TTS — 1.584% เทียบกับ 1.666% Dense นำอยู่

• เยอรมัน — 0.365% vs 0.325% นำอยู่เล็กน้อย

• ภาษาสเปน — 1.099% เทียบกับ 0.971% นำอยู่เล็กน้อย

• ฝรั่งเศส — 4.264% เทียบกับ 3.470% โดย Tiny นำอยู่มาก

• ข้อผิดพลาดของตัวอักษรญี่ปุ่น — 3.765% เทียบกับ 3.427% นำอยู่เล็กน้อย

• ข้อผิดพลาดอักขระภาษาเกาหลี — 1.728% เทียบกับ 6.000% Dense นำหน้าอยู่ 3.5 เท่า

ภาษาเกาหลีเป็นค่าผิดปกติที่ควรหยุดไม่ให้ใครตีความว่า “tiny เก่งกว่าด้านหลายภาษา” จากตาราง การ์ดของ Ant เองก็ชี้ไว้: ภาษาเกาหลีมีช่องว่างความแม่นยำด้านหลายภาษาที่ใหญ่ที่สุดในโมเดล tiny และตัวเลข 6.000% นั้นมากกว่าสามเท่าของสิ่งที่โมเดลครึ่งพันล้านทำได้ ทีมที่สร้างสำหรับตลาดเกาหลีมีคำตอบที่ชัดเจน และคำตอบนั้นไม่ใช่โมเดลที่ใหญ่กว่า

ความสามารถที่ไม่ใช่เกณฑ์มาตรฐาน

Ming-3.0-tts-tiny สร้างบทสนทนาพอดแคสต์ที่มีผู้พูดหลายคนจากสคริปต์พร้อมข้อมูลอ้างอิงผู้พูดได้ ส่วน Ming-3.0-tts ทำไม่ได้ นั่นเป็นความสามารถของผลิตภัณฑ์ ไม่ใช่คะแนน และไม่ปรากฏบนกระดานผู้นำใด ๆ — ซึ่งเป็นเหตุผลว่าทำไมจึงมองข้ามได้ง่ายเมื่อเปรียบเทียบสเปกชีตที่ทั้งสองระบุว่า "voice cloning" และ "voice design"

การประเมินพอดแคสต์ของ Ant บนฮาร์เนสของตัวเองให้ผลว่า tiny อยู่ที่อัตราความผิดพลาดระดับอักขระ 2.03% พร้อมความคล้ายคลึงของผู้พูด 0.561 และ UTMOS 2.12 เทียบกับ ZipVoice-Dia ที่ UTMOS 2.24, FireRedTTS2 ที่ CER 3.34% และ MOSS-TTSD ที่ 8.62% ช่องว่างของ UTMOS คือสิ่งที่ควรสังเกต: tiny นำด้านความแม่นยำของเนื้อหา แต่ตามหลังคู่เปรียบเทียบที่ดีที่สุดด้านความเป็นธรรมชาติ ซึ่งเป็น trade-off แบบเดียวกับที่ตัวเลขความคล้ายคลึงของผู้พูดบ่งชี้ในอีกทิศทางหนึ่ง การสร้างพอดแคสต์ให้รางวัลกับการผลัดกันพูดและความสม่ำเสมอของผู้พูดมากกว่าคลิปเดียวที่สมบูรณ์แบบ และนั่นคือลักษณะของข้อได้เปรียบของ tiny

ถ้าคุณต้องการให้มีคนสองคนพูดคุยกัน กรณีนี้เทียบกันไม่ได้เลย — โมเดลหนึ่งทำได้ แต่อีกโมเดลหนึ่งทำไม่ได้ ส่วนเนื้อหาอื่น ๆ ในบทความนี้พูดถึงกรณีที่ทั้งสองโมเดลทำงานนี้ได้

สิ่งที่ช่องว่างด้านความเป็นอิสระทำให้คุณต้องเสียจริง ๆ

ตำแหน่งบนอารีนาของโมเดล 0.5B เป็นสิ่งที่น่าทำความเข้าใจก่อนที่คุณจะตัดสินใจว่าจะให้น้ำหนักกับมันมากแค่ไหน โมเดลทำคะแนนได้ 1,188 Provider Voice Elo อยู่อันดับ 18 จาก 97 และ 1,068 Controlled Voice เป็นอันดับหนึ่งในกลุ่มโมเดลแบบ open-weights และอันดับ 12 โดยรวม ด้านการออกเสียงอยู่ที่ 93.2% ซึ่งในทางปฏิบัติเสมอกับ Fish Audio Drama 3 Preview และนำหน้า Eleven v4 เหล่านี้เป็นการวัดที่เป็นอิสระพร้อมจำนวนตัวอย่างและช่วงความเชื่อมั่นที่เผยแพร่แล้ว

สิ่งที่คุณได้จากตรงนี้คือการปรับเทียบ คุณรู้คร่าว ๆ ว่าโมเดลแบบ dense อยู่ตรงไหนเมื่อเทียบกับ ElevenLabs และ Cartesia เพราะห้องทดลองเดียวกันวัดทั้งสามตัวบนกระดานเดียวกัน สำหรับ tiny คุณรู้เพียงสิ่งที่ Ant บอก ซึ่งวัดบนฮาร์เนสของ Ant ด้วยการตั้งค่าของ Ant และ Ant คือฝ่ายที่มีผลประโยชน์กับผลลัพธ์นั้น นี่ไม่ใช่ข้อกล่าวหา — ตารางเหล่านั้นเปิดเผยอย่างตรงไปตรงมาผิดปกติ รวมถึงตัวเลขภาษาเกาหลีและรายการข้อจำกัดที่ระบุว่าการควบคุมระดับเสียง (pitch control) และการออกแบบเสียงสำหรับ role-play เป็นจุดอ่อน มันเป็นข้อความเกี่ยวกับสิ่งที่ตัวเลขหนึ่งตัวสามารถรองรับได้ ตารางจากผู้ขายบอกคุณว่าโมเดลนั้นแข่งขันได้ในแกนที่ผู้ขายเลือกวัด แถวใน arena บอกคุณว่ามันไปอยู่ตรงไหนเมื่อเทียบกับระบบที่คุณใช้อยู่แล้ว

ยังมีอีกเรื่องเฉพาะเจาะจงที่คณะกรรมการอิสระไม่ได้บอกคุณเช่นกัน: มันวัดจากเสียงเพียงเสียงเดียว Artificial Analysis ระบุว่าแต่ละโมเดลได้รับการประเมินบนบอร์ดการออกเสียงด้วยเสียงเพียงเสียงเดียว และแถวของ Ming ใช้เอนด์พอยต์ของ Ant ซึ่งมีเสียงเจ้าของภาษาสามเสียงให้ใช้ ยังไม่ทราบว่า 93.2% จะยังคงอยู่เมื่อใช้กับเสียงโคลนที่ผลิตภัณฑ์จะวางจำหน่ายจริงหรือไม่ และนี่คือสิ่งแรกที่ควรทดสอบด้วยตัวเอง

การเลือกในทางปฏิบัติ

ต้นไม้การตัดสินใจนั้นสั้น

เลือก Ming-3.0-tts (0.5B) หากคุณต้องการไฟล์ดาวน์โหลดที่เล็กที่สุดเท่าที่ใช้งานได้ หากคุณกำลังติดตั้งใช้งานสำหรับภาษาเกาหลี หากฮาร์ดแวร์ของคุณเป็นการ์ด 80 GB เพียงใบเดียวที่คุณใช้ทำอย่างอื่นด้วย หรือหากคุณต้องการโมเดลที่พฤติกรรมได้รับการวัดโดยคนอื่นที่ไม่ใช่ผู้สร้างモデล ที่ 2.96 GB และ 44.3 ตัวอักษรต่อวินาทีบนชุดทดสอบอิสระ มันเป็นนักเล่าเรื่องที่ใช้งานได้ซึ่งเร็วกว่าการพูดแบบเรียลไทม์บน GPU เพียงตัวเดียว

เลือก Ming-3.0-tts-tiny หากความคล้ายคลึงของผู้พูดคือสิ่งที่คุณต้องการ — เสียงแบรนด์ที่โคลนมา การอ่านออกเสียงแบบเฉพาะบุคคล หรืออะไรก็ตามที่ผู้ฟังตัดสินเป็นอย่างแรกว่า "นี่ฟังดูเหมือนเขาไหม" — หรือหากคุณต้องการบทสนทนาสำหรับพอดแคสต์ หรือหากความแม่นยำของภาษาฝรั่งเศส เยอรมัน สเปน หรือญี่ปุ่นเป็นข้อจำกัด เตรียมพื้นที่ 18 GB สำหรับเวตของโมเดล สภาพแวดล้อม Python 3.10 แยกต่างหาก และการ์ดระดับ H800

ยังไม่ต้องเลือกทั้งสองอย่าง แต่หากคุณต้องการตัวเลขที่เป็นอิสระก่อนจะทุ่มกำลังการผลิตให้กับ tiny แถวของ arena ยังไม่มีอยู่ รายงานทางเทคนิคยังไม่ถูกติ๊กใน roadmap และการเร่งความเร็วของ vLLM-Omni ถูกทำเครื่องหมายว่าเสร็จแล้วใน README โดยไม่มีสูตรที่เผยแพร่ ช่องว่างทั้งสามนี้คือสามสิ่งเดียวกับที่จะทำให้ tiny ถูกแนะนำได้ง่าย

มีหมายเหตุด้านการใช้งานข้อหนึ่งที่ใช้กับทั้งสองตัว: ทั้งสองเช็กพอยต์ไม่รองรับการสตรีม ไม่มีเวลา-to-first-audio ที่เผยแพร่สำหรับโมเดลใดโมเดลหนึ่ง และตัวเลขทรูพุตของอารีนาคือการสร้างผลลัพธ์ตลอดคำขอที่เสร็จสมบูรณ์ หากแอปพลิเคชันของคุณเป็นการสนทนา ตระกูลนี้ก็ไม่ใช่เครื่องมือที่เหมาะ ไม่ว่าคุณจะเลือกขนาดใด

คำถามเกี่ยวกับการกำหนดเส้นทาง ซึ่งแตกต่างกันในที่นี้

บทเปรียบเทียบส่วนใหญ่ในเว็บไซต์นี้จบลงด้วยย่อหน้าที่เกี่ยวกับการรวมการเข้าถึงไว้ในที่เดียว บทนี้ทำเช่นนั้นไม่ได้ เพราะ OrcaRouter ไม่ได้โฮสต์เช็กพอยต์ของ Ming ทั้งสองตัว แคตตาล็อกไม่มีโมเดลเสียงพูด Ming และทั้งสองตัวต้องเข้าถึงโดยการโคลนที่เก็บ GitHub ของ Ant แล้วรันเวตส์ด้วยตัวเอง การพูดเป็นอย่างอื่นจะเป็นการโกหกที่ผู้อ่านสามารถตรวจสอบได้ภายในสามสิบวินาที

สิ่งที่เป็นจริงนั้นแคบกว่าและยังมีประโยชน์อยู่ ไปป์ไลน์เสียงมักเริ่มจากข้อความเป็นหลัก: มีบางอย่างเขียนสคริปต์ มีบางอย่างแปลสคริปต์นั้น มีบางอย่างตรวจสอบกับสไตล์ประจำองค์กร ขั้นตอนข้อความนั้นสามารถอยู่หลังคีย์เดียวได้ — โมเดลมากกว่า 200 รายการในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม, การสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง และ DSL สำหรับกำหนดเส้นทางเพื่อส่งงานไปยังโมเดลอื่นตามสิ่งที่คำขอมีอยู่ ขั้นตอนเสียงในการเปรียบเทียบนี้ยังคงอยู่บนฮาร์ดแวร์ของคุณไม่ว่าจะทางใด และเส้นทางแบบโฮสต์เองคือสิ่งที่ทำให้การเลือกระหว่างเช็กพอยต์ทั้งสองสามารถย้อนกลับได้: น้ำหนักโมเดลแบบ MIT ไม่หมดอายุ และโมเดลที่คุณมีอยู่บนดิสก์แล้วคือโมเดลที่คุณสามารถให้บริการต่อไปได้ในขณะที่คุณประเมินโมเดลที่จะมาแทน

อะไรจะยุติเรื่องนี้ได้

สามพัฒนาการ เรียงตามระดับที่จะส่งผลต่อคำแนะนำมากน้อยเพียงใด แถวเล็ก ๆ ใน arena จะบอกคุณว่าความได้เปรียบด้านความคล้ายคลึงยังคงอยู่หลังการเปรียบเทียบโดยผู้ฟังแบบปกปิดหรือไม่ ซึ่งเป็นการทดสอบเดียวที่ยังไม่ได้ดำเนินการ รายงานทางเทคนิคจะอธิบายว่าทำไม MoE ที่มี active พารามิเตอร์ 1.3B จึงได้ความคล้ายคลึงของผู้พูดเพิ่มขึ้นแต่สูญเสียความแม่นยำภาษาเกาหลี และสิ่งนั้นเป็นผลจากการแบ่งข้อมูลหรือผลสืบเนื่องทางสถาปัตยกรรม และสูตรการใช้งาน vLLM-Omni ที่เผยแพร่แล้วจะทำให้ checkpoint 18 GB ใช้งานได้จริงบนฮาร์ดแวร์ที่เช่า แทนที่จะเป็นการติดตั้งสำหรับงานวิจัย

จนถึงตอนนั้น กรอบความคิดที่มีประโยชน์คือ Ant ได้ปล่อยสองโมเดลสำหรับสองงาน และตั้งชื่อให้งานที่เล็กกว่าฟังดูเหมือนไฟล์ที่เล็กกว่า ซึ่งไม่ใช่เลย โมเดล 0.5B คือตัวที่คุณวัดผลได้ นำไปใช้งานได้ และปกป้องได้ในการทบทวนการออกแบบ ส่วน 7.9B คือตัวที่ฟังดูเหมือนคนที่คุณโคลนเสียงมามากกว่า ในหกจากเจ็ดภาษา หากคุณพอจะยอมเชื่อในเรื่องนั้นได้