Ming-3.0-tts-0.5B đã được phát hành hai lần, và Ant Group không công bố lần nào.

Ba ngày được gắn với Ming-3.0-tts-0.5B, và mỗi ngày đánh dấu một sự kiện khác nhau. Kho lưu trữ Hugging Face được tạo vào ngày 22 tháng 9 năm 2026, và trọng số được tải lên hai ngày sau đó. Kho lưu trữ GitHub không tồn tại cho đến ngày 19 tháng 10 năm 2026, khi commit đầu tiên xuất hiện với tiêu đề "Initial release of Ming-3.0-tts." Artificial Analysis đã mở một trang mô hình cùng ngày và chấm điểm cho nó. Không có bài đăng blog nào từ inclusionAI, không có thông cáo báo chí và không có luồng ra mắt nào mà chúng tôi có thể tìm thấy vào cả hai ngày đó. Vào thời điểm bài viết này được viết, checkpoint có sáu lượt tải xuống và không có lượt thích nào; kho lưu trữ GitHub có hai sao. Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục đi kèm nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.

Điều đó quan trọng đối với cách đọc phần còn lại của bài viết này. Mảng trọng số mở của Ant Group đã công bố một mô hình giọng nói hoàn chỉnh, được cấp phép MIT, với hệ thống cận ngôn ngữ 14 nhãn, thiết kế chuyển văn bản thành giọng nói, hai phương ngữ Trung Quốc và bảng đầy đủ kết quả đánh giá chuẩn. Tuy nhiên, cho đến nay, họ cũng từ chối thông báo cho bất kỳ ai về mô hình này. Phần tiếp theo phân tách những gì kho lưu trữ chứng minh khỏi những gì chỉ Ant mới có thể xác nhận.

Ba mốc ngày, và mỗi mốc thực sự bao gồm những gì

Sự nhầm lẫn không phải do bịa đặt. Hai kho mã của chính Ant công khai mâu thuẫn với nhau, và không kho nào sai.

• Ngày 22 tháng 9 năm 2026, 12:46 UTC — kho lưu trữ Hugging Face được tạo với một commit ban đầu chỉ gồm README giữ chỗ. Chưa có trọng số nào.

• 04:21 UTC ngày 24 tháng 9 năm 2026 — checkpoint được đưa lên qua một commit upload-large-folder, hai mươi phút sau là một README riêng cho mô hình. Kể từ thời điểm này, mô hình có thể tải xuống được, và gần như không ai tải xuống.

• Ngày 19 tháng 10 năm 2026, 07:03 UTC — kho lưu trữ GitHub được tạo. Lúc 08:58 UTC, commit đầu tiên, "Initial release of Ming-3.0-tts," mang đến mã suy luận, một Dockerfile, các tập lệnh ví dụ chạy bằng một cú nhấp và một cẩm nang tác vụ. Các commit tài liệu tiếp tục trong suốt buổi chiều.

Phần News trong README trên GitHub nói rằng các mô hình 0.5b và tiny được phát hành vào "2026.10". Thẻ Hugging Face không nói gì về ngày tháng cả. Cả hai đều đang mô tả cùng một artefact: checkpoint đã tồn tại vào tháng 9, còn bản phát hành dùng được — mã nguồn, ghim môi trường, ví dụ — đến vào tháng 10. Nếu bạn đang định ngày cho mô hình để đưa vào tài liệu mua sắm, ngày 22 tháng 9 là lúc nó trở thành công khai; nếu bạn định ngày nó như một thứ có thể chạy được, thì câu trả lời trung thực là ngày 19 tháng 10.

Điều chúng tôi không thể cho bạn biết là tại sao. Một đợt phát hành lặng lẽ là bình thường với một tổ chức nghiên cứu kỳ vọng model card sẽ tự nói lên tất cả. Đó cũng là dáng vẻ của một bản phát hành theo từng giai đoạn khi có một thông báo lớn hơn đang được lên kế hoạch. Không có gì trong cả hai kho lưu trữ cho biết là trường hợp nào, và chúng tôi sẽ không đoán.

Có gì bên trong checkpoint 0.5B

Mô hình là một bộ sinh giọng nói dense được xây trên xương sống Qwen2.5-0.5B, với đầu patch diffusion-transformer và một tokenizer âm thanh riêng. Gói phát hành không chỉ là một mô hình ngôn ngữ: kho lưu trữ cung cấp xương sống, đầu DiT, audio VAE, một bộ mã hóa người nói CAM++ ở dạng ONNX và tokenizer văn bản, tất cả trong một thư mục. Quyết định đóng gói đó giải thích một sự khác biệt mà bạn sẽ gặp ngay lập tức.

• Tham số — thẻ mô hình và tên mô hình ghi 0.5B; metadata của chính Hugging Face liệt kê kho lưu trữ ở 1B, và tệp model.safetensors duy nhất là 2.96 GB. Con số 0.5B là phần xương sống ngôn ngữ. Gói bạn thực sự tải xuống có kích thước khoảng gấp ba lần con số đó ở bf16.

• Đầu ra — âm thanh 44.1 kHz, cao hơn hầu hết các bản phát hành TTS mở và là một trong số ít tuyên bố ở đây mà bạn có thể kiểm tra trong mười giây bằng trình kiểm tra tệp.

• Ngôn ngữ — tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn và tiếng Nhật, cùng với tiếng Tứ Xuyên và tiếng Quảng Đông khi được cung cấp một đoạn clip tham chiếu bằng phương ngữ đó.

• Giọng nói — nhân bản zero-shot từ một đoạn clip tham chiếu ngắn, thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên, và bộ giọng dựng sẵn gồm hơn 100 giọng tiếng Trung và năm giọng tiếng Anh.

• Điều khiển — 14 thẻ nội tuyến cho tiếng cười, tiếng thở dài, tiếng ho, hơi thở và sự ngập ngừng, cùng các cài đặt rõ ràng về cảm xúc, tốc độ, cao độ và âm lượng. Thẻ này thẳng thắn cho biết cao độ là yếu tố kém chính xác nhất trong bốn yếu tố.

• Tác vụ — T​TS, chỉ dẫn dạng tự do, thiết kế giọng nói, đa ngôn ngữ, thuộc tính cơ bản, cảm xúc, phương ngữ và chế độ giọng nói tích hợp. Các điều khiển này loại trừ lẫn nhau theo thiết kế: dạng tự do không thể kết hợp với thiết kế giọng nói hoặc giọng nói tích hợp.

• Giấy phép — MIT, áp dụng cho cả trọng số và mã nguồn. Lưu ý sử dụng của Ant yêu cầu bạn không mạo danh người khác khi chưa có sự đồng ý và dán nhãn giọng nói tổng hợp, đây là một yêu cầu chứ không phải điều kiện giấy phép.

Có một mô hình thứ hai trong cùng bản phát hành. Ming-3.0-tts-tiny là thiết kế hỗn hợp chuyên gia (mixture-of-experts) trên nền tảng Ling V3, tổng cộng 7,9B với 1,3B hoạt động, và nó bổ sung tính năng tạo podcast nhiều người nói mà mô hình 0,5B không có. Nếu bạn đặc biệt quan tâm đến mô hình nhỏ, cách diễn giải hữu ích là 0,5B là bản triển khai nhẹ và tiny là trần năng lực — chứ không phải cái này thay thế cái kia.

Các bảng điểm chuẩn và ai đã tạo ra chúng

Mọi con số trong thẻ mô hình đều đến từ khung đánh giá của chính Ant. Đó không phải là lời chỉ trích — mà là bản chất của một bảng phát hành — nhưng các bảng này đang được trích dẫn ở nơi khác mà không kèm nhãn đó, nên đây là lời làm rõ.

• Zero-shot Seed-TTS, tiếng Trung — tỷ lệ lỗi từ 0,800%, độ tương đồng người nói 0,758.

• Zero-shot Seed-TTS, tiếng Anh — tỷ lệ lỗi từ 1,584%, độ tương đồng người nói 0,691.

• NVBench cận ngôn ngữ, sự kiện đơn — tỷ lệ lỗi ký tự tiếng Trung là 2,70, tiếng Anh là 7,60.

• Phương ngữ, WSC-Eval-TTS-easy — tỷ lệ lỗi ký tự 2,27%, độ chính xác 80,68%.

• Thiết kế giọng nói, InstructTTSEval-ZH — trung bình 72,29%.

• Kiểm soát thuộc tính cơ bản — trung bình 93,30%, với tỷ lệ lỗi từ 0,317%.

Phần thú vị là những gì cùng những bảng đó cho thấy khi đối chiếu với các đối thủ do chính mô hình lựa chọn. Về tỷ lệ lỗi zero-shot tiếng Trung, CosyVoice3-1.5B đạt 0.710% và Qwen3-TTS-12Hz-1.7B-Base đạt 0.770%, cả hai đều tốt hơn 0.800% của Ming. Về độ tương đồng người nói, 0.780 của CosyVoice3-0.5B vượt 0.758 của Ming. Về tỷ lệ lỗi tiếng Anh, Qwen3-TTS-12Hz-1.7B-Base đạt 1.240% so với 1.584% của Ming.

Vậy nên Ming-3.0-tts-0.5B không tự nhận ngôi vương về độ chính xác ngay cả trong bộ so sánh của chính nó, và nó cũng không cần phải thế. Điểm mạnh của nó nằm ở những cột mà các mô hình khác không lấp đầy: kiểm soát phương ngữ, thiết kế giọng nói, và một bộ tính năng cận ngôn ngữ nơi nó dẫn đầu hầu hết các hạng mục sự kiện đơn. Hãy đọc thẻ này là “kiểm soát rộng ở nửa tỷ tham số xương sống,” chứ không phải “tỷ lệ lỗi tốt nhất,” và nó vẫn đứng vững.

Thẻ này cũng sẵn sàng nêu ra các điểm yếu của chính mình một cách hiếm thấy, điều đáng nhắc lại vì hầu hết đều không làm vậy: độ tương đồng người nói còn kém hơn độ chính xác nội dung, độ tương đồng tiếng Pháp là khoảng trống đa ngôn ngữ rõ ràng nhất, các câu cận ngôn ngữ đa sự kiện vẫn chưa ổn định, khả năng kiểm soát cảm xúc bị giảm sút khi bản thân từ ngữ không mang tín hiệu cảm xúc, và thiết kế giọng nói dạng mở vẫn chưa sánh được với hệ thống mạnh nhất mà nó được đo so sánh.

Con số độc lập đầu tiên đến trước khi thông báo được đưa ra

Artificial Analysis đã thêm Ming-3.0-tts vào speech arena của mình vào ngày 19 tháng 10 và liên kết mục này với đúng checkpoint 0.5B này, điều đó giải đáp một câu hỏi mà model card để ngỏ: mô hình được chấm điểm là mô hình nhỏ. Hai bảng xếp hạng, hai kết quả, và chúng chỉ về những hướng khác nhau.

• Provider Voice, trong đó mỗi mô hình sử dụng giọng nói gốc của riêng mình — Elo 1.188, khoảng tin cậy 95% từ 1.173 đến 1.203, đứng thứ 19 trong số 98 mô hình trên bảng xếp hạng và thứ ba trong số các mô hình trọng số mở, sau Fish Audio Drama 3 Preview với 1.245 và Breeze T​TS 2 với 1.220.

• Controlled Voice, nơi mọi mô hình đều nhân bản cùng tám giọng tham chiếu — Elo 1.069, khoảng 1.053 đến 1.085, đứng thứ 14 chung cuộc và đứng đầu trong số các mô hình open-weights, xếp trên Fish Audio Drama 3 Preview ở 1.059 và Breeze T{{1}}TS{{/1}} 2 ở 1.019.

• Tốc độ — trung vị 42,1 ký tự mỗi giây thời gian tạo, trên phần cứng của Artificial Analysis, với thời gian tạo trung vị 2,46 giây mỗi yêu cầu. Để so sánh, Simba 3.2 đạt 77,8 ký tự mỗi giây và Qwen-Audio-3.0-TTS-Plus đạt 25,6 trên cùng cấu hình.

Sự phân tách đó là điều hữu ích nhất mà bất kỳ ai đã công bố về mô hình này. Giọng nhân bản của nó cạnh tranh được với những hệ thống trọng số mở tốt nhất trên bảng xếp hạng; còn dàn giọng nói riêng của nó thì không. Dù các bản ghi giọng nói gốc của Ant là gì đi nữa, chúng chính là phần đang kéo hạng giọng nói nhà cung cấp xuống, và đó là một vấn đề kỹ thuật có thể khắc phục được chứ không phải vấn đề kiến trúc.

Một tuyên bố của nhà cung cấp mà chúng tôi không thể xác minh: trang dự án nêu rằng Ming-3.0-tts đứng đầu tổng thể trên chỉ số độ bền vững phát âm của Artificial Analysis với 93.2%, và đứng đầu ở hai trong số các danh mục con của chỉ số này. Chỉ số này có tồn tại và Artificial Analysis có công bố nó, nhưng giá trị theo từng mô hình không được hiển thị trong dữ liệu trang mà chúng tôi có thể đọc, nên hãy coi 93.2% là con số do nhà cung cấp tự nêu cho đến khi bạn tự xem biểu đồ cột.

Chạy nó mất khoảng hai mươi phút và ba lần sửa.

Kho lưu trữ Hugging Face chỉ là một bản tải lên checkpoint. Điều này được nêu trong một khung lưu ý gần phía trên: suy luận cần dự án GitHub, và Python API cùng CLI được nhắc đến trong card đều đến từ đó. Đó là rào cản đầu tiên, và là lý do kho lưu trữ tháng Mười quan trọng hơn bản tải lên tháng Chín.

Thứ hai là chuẩn hóa văn bản. Số, ngày tháng, đơn vị và ký hiệu được xử lý bởi các ngữ pháp FST cần pynini, thứ không có wheel phổ quát; hướng dẫn của chính Ant sẽ chỉ bạn đến conda-forge cho phiên bản 2.1.6. Nếu bạn không muốn, --no_text_normalization sẽ bỏ qua bước này và bạn sẽ thừa hưởng nguyên trạng văn bản hiện có của mình. Đối với một pipeline tường thuật production, đó là một quyết định thực sự, không phải chú thích nhỏ.

Thứ ba là phần cứng. Môi trường được cố định ở PyTorch 2.6, CUDA 12.4 và transformers 4.46.3, có kèm Dockerfile, và đã được kiểm thử trên H800-80GB và H20-96G. flash-attn là tùy chọn và suy luận sẽ tự chuyển sang PyTorch SDPA. Không có gì trong bản phát hành cho thấy nó chạy thoải mái trên card tiêu dùng, và chưa ai ngoài Ant công bố con số thông lượng trên phần cứng nhỏ hơn.

Lệnh gọi tối thiểu khả thi, khi môi trường đã sẵn sàng, là một lần gọi CLI duy nhất với một clip tham chiếu và bản ghi lời thoại của nó — bản clone được điều kiện hóa trên cả hai, với --use_spk_emb bật điều kiện hóa bằng speaker embedding. Ngoài ra còn có một script kiểm tra trước để kiểm tra checkpoint và tokenizer mà không nạp trọng số; đáng để chạy trước khi bạn dùng một lượt cấp phát GPU cho một bản tải xuống lỗi.

Điều gì vẫn chưa thể biết được

Bốn yếu tố sẽ thay đổi cách mô hình này cần được đánh giá, và chưa có yếu tố nào trong số đó tồn tại.

Không có endpoint được host và không có giá. Artificial Analysis để trống trường giá vì không có gì để định giá — cách duy nhất để gọi thứ này là chạy nó. Điều đó ổn với một đội ngũ có GPU và là vấn đề với tất cả những người còn lại, đồng thời là khác biệt thực tế lớn nhất giữa bản phát hành này và những giọng nói được host mà nó sẽ được so sánh cùng.

Không có báo cáo kỹ thuật nào. Lộ trình trên GitHub liệt kê nó dưới dạng một ô chưa được đánh dấu, và Ant đã xóa một tham chiếu trước đó tới một báo cáo chưa được xác nhận khỏi thẻ mô hình. Điều đó khiến phần mô tả kiến trúc chỉ còn ở mức một sơ đồ và một đoạn văn, đủ để chạy mô hình nhưng không đủ để tái tạo các tuyên bố về huấn luyện.

Không có sự tái lập độc lập nào về tỷ lệ lỗi. Các số liệu Seed-TTS và NVBench là của Ant, được đo bằng giao thức của Ant và cài đặt suy luận được Ant khuyến nghị. Điểm arena là độc lập nhưng đo lường sở thích, không phải độ chính xác. Chưa ai bên ngoài phòng thí nghiệm công bố tỷ lệ lỗi từ cho checkpoint này.

Và không có tuyên bố nào về ý định. Không có thông báo nghĩa là không có cam kết hỗ trợ, không có chính sách ngừng hỗ trợ và không có dấu hiệu nào cho biết liệu có dịch vụ được lưu trữ (hosted) sắp ra mắt hay không. Đối với một bản phát hành nghiên cứu theo giấy phép MIT, điều đó có thể hoàn toàn là chủ ý. Đối với bất kỳ ai dự định đưa nó vào sản phẩm, đó là một rủi ro phải được tính đến.

OrcaRouter không định tuyến Ming-3.0-tts-0.5B, và bài viết này không nên được hiểu là ngụ ý điều ngược lại — danh mục không có mô hình giọng nói Ming nào. Những gì danh mục có là phần còn lại của một pipeline giọng nói: openai/tts-1 và tts-1-hd, gpt-4o-mini-tts và các bản xem trước G​emini T​TS, tất cả theo giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, và hơn 200 mô hình văn bản đằng sau cùng một khóa cho nửa hệ thống chịu trách nhiệm viết kịch bản hoặc điều khiển tác nhân. Nếu bạn đang đánh giá một mô hình giọng nói trọng số mở chưa được kiểm chứng, cách triển khai hợp lý là giữ nó ngoài đường dẫn tới hạn cho đến khi nó đủ sức đảm nhận vị trí đó; chuyển đổi dự phòng tự động giữa các nhà cung cấp là cách nửa phần văn bản của pipeline đó duy trì hoạt động trong khi bạn quyết định.

Tín hiệu thật sự tiếp theo sẽ không phải là một bảng benchmark khác. Đó sẽ là người đầu tiên bên ngoài Ant chạy checkpoint 0.5B trên âm thanh của chính họ và công bố những gì bị hỏng. Cho đến khi điều đó tồn tại, bản tóm tắt có thể bảo vệ được là hẹp: một giọng nói đa ngôn ngữ 44,1 kHz thực sự có năng lực, được cấp phép MIT, với điểm số giọng nói nhân bản trọng số mở tốt nhất trên bảng độc lập, một dàn giọng gốc yếu hơn, một bản phát hành không được công bố, và không có nơi lưu trữ được host. Đó là một hiện vật nghiên cứu đầy hứa hẹn, chưa phải là một quyết định sản phẩm.