Ming-3.0-tts-tiny có giọng nói nhân bản tốt nhất trong dòng sản phẩm và xếp thứ sáu ở tiếng Hàn

Điểm tương đồng người nói cao nhất trong dòng mô hình giọng nói mới của Ant Group thuộc về mô hình có ít tham số hoạt động nhất. Ming-3.0-tts-tiny là một checkpoint mixture-of-experts 7,9B kích hoạt khoảng 1,3B tham số mỗi token, và trên tập Seed-TTS tiếng Trung, nó đạt 0,781 điểm tương đồng người nói — con số cao nhất trong toàn bộ các bảng đã công bố của Ant, và cao hơn 0,758 của mô hình anh em nhỏ hơn của chính nó. Trên tiếng Hàn, cùng mô hình này xếp thứ sáu trong tám hệ thống mà Ant đánh giá, với tỷ lệ lỗi ký tự 6,000%, trong khi mô hình anh em 0,5B đó đạt 1,728%. Cả hai con số đều đến từ cùng một bộ khung đánh giá của nhà cung cấp, do cùng một nhóm chạy, trong cùng một ngày. Khoảng cách giữa chúng là điều hữu ích nhất trong đợt phát hành này. Các lỗi AI và sự cố tác nhân đã được ghi nhận đằng sau những đợt phát hành như đợt này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục có các nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.

Không có điều nào trong số này được công bố. Checkpoint đã được đưa lên Hugging Face vào ngày 24 tháng 9 năm 2026, hai ngày sau khi chính kho lưu trữ được tạo; mã suy luận, các tập lệnh ví dụ và cẩm nang tác vụ phải đến ngày 19 tháng 10 mới xuất hiện, khi kho lưu trữ GitHub được mở và commit đầu tiên của nó được ghi nhận lúc 08:58 UTC. Tại thời điểm viết bài, kho lưu trữ Hugging Face có 20 lượt tải xuống và 3 lượt thích, còn kho lưu trữ GitHub có năm sao. Vì vậy, hãy coi những gì sau đây là một cách đọc các tạo tác thay vì một báo cáo về một lần ra mắt: mọi thứ ở đây đều có thể kiểm chứng trong các kho lưu trữ, và những phần không thể kiểm chứng sẽ được đánh dấu là như vậy.

Kết quả của Hàn Quốc không phải là một sai số làm tròn.

Bảng đa ngôn ngữ của Ant so sánh mô hình nhỏ với bảy hệ thống khác trên sáu ngôn ngữ. Hãy đọc toàn bộ hàng thay vì chỉ nhìn vào tiêu đề.

• Tiếng Đức — tỷ lệ lỗi ký tự 0,325%, đứng đầu trong tám ngôn ngữ, cao hơn mức tốt nhất tiếp theo là 0,612%.

• Tiếng Tây Ban Nha — 0,971%, đứng đầu, còn vị trí thứ hai ở mức 1,184%.

• Tiếng Nhật — 3,427%, đồng hạng nhì.

• Tiếng Pháp — 3.470%, đứng thứ hai, nhưng với độ tương đồng người nói là 0.733, không lọt vào top ba; bảng đã nói rõ điều đó trong phần hạn chế của chính nó.

• Tiếng Hàn — 6.000%, đứng thứ sáu trong tám, và là ngôn ngữ duy nhất mà mô hình bị một hệ thống đánh bại, trong khi ở mọi trường hợp khác mô hình đều đạt điểm cao hơn hệ thống đó.

• Tiếng Trung và tiếng Anh — hai ngôn ngữ mà mô hình thực sự được xây dựng xoay quanh, và cũng là hai ngôn ngữ mà nó dẫn đầu về độ tương đồng giọng nói.

Con số tiếng Hàn cao hơn khoảng ba lần rưỡi tỷ lệ lỗi của Ming-3.0-tts-0.5B trên cùng ngôn ngữ. Ant không giải thích tại sao, và thẻ mô hình cũng không đưa ra suy đoán. Điều có thể nói mà không phải đoán là mang tính cấu trúc: đây là một mô hình thưa, và các mô hình thưa định tuyến token qua một tập con chuyên gia, nên một ngôn ngữ nhận được ít tín hiệu huấn luyện hơn trong hỗn hợp có thể suy giảm nhanh hơn so với khi ở trong một mô hình dày đặc có tổng kích thước tương đương. Đó là một cơ chế hợp lý, không phải một phát hiện, và nên được coi là một giả thuyết cần kiểm chứng hơn là một lời giải thích. Cách hiểu thực tế thì hẹp hơn và dễ bảo vệ hơn: nếu tiếng Hàn nằm trong sản phẩm của bạn, đây không phải checkpoint nên dùng cho đến khi ai đó chạy nó trên văn bản tiếng Hàn thực tế.

7,9 tỷ tham số thực sự đi đâu

Tên thì nói là nhỏ; kích thước tệp lại cho thấy điều ngược lại, và khoảng cách đó chính là kiến trúc.

Tổng số tham số — siêu dữ liệu của Hugging Face báo cáo 8,980,964,372 ở BF16 cộng với 40,096 ở F32, và kho lưu trữ chiếm khoảng 18 GB. Bản phát hành mô tả mô hình là 7.9B-A1.3B, nghĩa là tổng cộng 7,9 tỷ và khoảng 1,3 tỷ tham số hoạt động trên mỗi token. Mô tả đó đã được sửa trong thẻ mô hình vào ngày 16 tháng 10, thay thế cách diễn đạt trước đó, vì vậy hãy trích dẫn cách diễn đạt mới hơn.

• Xương sống — Ling V3, cùng dòng mà Ant sử dụng cho các mô hình văn bản lớn hơn của mình, được chạy dưới dạng hỗn hợp các chuyên gia thay vì một ngăn xếp dày đặc.

• Head — một diffusion transformer chuyển các trạng thái ẩn của backbone thành audio latent, tiếp theo là một audio tokenizer riêng biệt giải mã chúng thành dạng sóng.

• Gói — checkpoint đi kèm backbone, đầu DiT, tokenizer âm thanh, bộ mã hóa người nói CAM++ và tokenizer văn bản trong một thư mục. Bạn đang tải xuống một pipeline, không phải một mô hình ngôn ngữ có adapter gắn thêm vào.

• Đầu ra và giọng nói — cùng bộ điều khiển rộng như phần còn lại của dòng sản phẩm: nhân bản zero-shot từ một đoạn clip tham chiếu ngắn, thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên, điều khiển phong cách tự do, hơn 100 giọng tiếng Trung tích hợp và năm giọng tiếng Anh, cùng 14 thẻ cận ngôn ngữ nội tuyến cho tiếng cười, tiếng thở dài, hơi thở và sự ngập ngừng, cộng với các cài đặt cảm xúc, tốc độ, cao độ và âm lượng rõ ràng.

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

• Giấy phép — MIT áp dụng cho trọng số và mã nguồn, kèm theo một lưu ý sử dụng yêu cầu bạn không mạo danh người khác khi chưa có sự đồng ý và dán nhãn âm thanh tổng hợp. Lưu ý đó là một đề nghị, không phải điều kiện của giấy phép.

Hệ quả kỳ lạ là "tiny" là một nhận định về tính toán trên mỗi token, không phải về ổ đĩa hay VRAM. Bạn tiêu tốn bộ nhớ của một mô hình 7.9B và nhận được tốc độ của một mô hình 1.3B, một sự đánh đổi hợp lý cho tổng hợp theo lô và không hợp lý cho laptop. Môi trường của chính Ant chỉ định H800 là card được khuyến nghị, và không có gì trong bản phát hành gợi ý điều ngược lại.

Năm cột mà nó giành được

Mọi số liệu trong phần này đều là của chính Ant, được đo trên harness của Ant với các cài đặt suy luận do Ant khuyến nghị, và model card là nơi duy nhất chúng tồn tại. Các nhãn ở đây quan trọng hơn bình thường, vì đây là những con số sẽ được trích dẫn ở nơi khác mà không có chúng.

• Độ tương đồng giọng nói, tiếng Trung zero-shot — 0,781, tốt nhất trong tập so sánh, với tỷ lệ lỗi từ là 0,820%. Tiếng Anh đạt độ tương đồng 0,728 ở tỷ lệ lỗi 1,666%, cũng là độ tương đồng tốt nhất trong cột của nó.

• Sự kiện đơn cận ngôn ngữ, NVBench — mô hình dẫn đầu cả sáu hạng mục gắn thẻ đơn: tiếng Trung lỗi 2,80 / tương đồng 17,23 / điểm 3,20, tiếng Anh 5,86 / 32,95 / 7,05. Trên các câu đa sự kiện, mô hình dẫn đầu cột tiếng Anh với 5,12 / 46,13 / 7,68 và nằm ở nhóm giữa đối với tiếng Trung với 4,49 / 32,88 / 5,81.

• Phương ngữ — WSC-Eval-TTS tập dễ: lỗi ký tự 2,53%, độ tương đồng 0,721, độ chính xác 86,09%; tập khó: 3,11%, 0,738, 88,94%. Cả hai đều đứng đầu trong bảng của Ant. Tiếng Quảng Đông đạt 7,40% / 0,605 / 92,90 trên tập cơ sở và 8,67% / 0,653 / 95,16 trên tập bao phủ.

• Emotion — trung bình 74,00% trên tập CV3 tiếng Trung và 30,67% trên CV3N, đứng đầu trên cả hai tập con Sad và không có gì nổi bật ở những tập khác.

• Thiết kế giọng nói — trung bình 75,37% trên InstructTTSEval-ZH, xếp thứ hai chung cuộc, với điểm prompt thuộc tính là 85,10, mô tả 79,90 và nhập vai 61,10. Nhập vai là điểm yếu: đứng thứ tư, và thẻ mô hình cũng ghi như vậy.

Bảng thuộc tính cơ bản là bảng ít hào nhoáng nhất và có lẽ là hữu ích nhất: 93% về tuổi, 93% về giới tính, 78,70% về cao độ, trung bình 88,23% với tỷ lệ lỗi từ 0,274% và độ tương đồng 0,742. Cao độ là yếu nhất trong bốn yếu tố kiểm soát, điều này khớp với những gì mọi hệ thống khác trong nhóm này báo cáo.

Con số podcast mới là lý do thực sự để chú ý đến điều này

Mô hình 0.5B không thể tạo podcast nhiều người nói. Mô hình tí hon thì có thể, và trên bảng podcast của Ant, đây là kết quả độ chính xác nội dung tốt nhất trong so sánh.

• Ming-3.0-tts-tiny — tỷ lệ lỗi ký tự 2,03%, độ tương đồng người nói có điều kiện 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.

Đứng đầu về tỷ lệ lỗi với khoảng cách nhỏ, đứng thứ hai ở cả độ tương đồng và độ tự nhiên, và khoảng cách về độ tự nhiên mới là điều đáng chú ý: ZipVoice-Dia dẫn trước 0,12 UTMOS trong khi kém hơn 1,36 điểm về độ chính xác. Đó là một sự đánh đổi thực sự chứ không phải chênh lệch do làm tròn, và nó gợi ý rằng ngữ điệu hội thoại của mô hình nhỏ là thứ cần cải thiện tiếp theo, chứ không phải phần phiên âm. Như mọi thứ khác trong phần này, chưa có ai bên ngoài Ant đưa một podcast qua đó rồi công bố kết quả.

Những gì các kho lưu trữ không thiết lập

Bốn khoảng trống đáng được nêu rõ trước khi ai đó đưa thứ này vào sản phẩm.

Không có điểm số độc lập nào cho checkpoint này. Artificial Analysis có liệt kê một mục Ming-3.0-tts trên speech arena của mình — 1,188 Elo trên bảng Provider Voice và 1,069 trên Controlled Voice tính đến ngày 19 tháng 10 — nhưng mục đó được liên kết với mô hình 0.5B, không phải mô hình này. README trên GitHub sao chép lại những số liệu arena đó trong phần kết quả mà không có sự phân biệt ấy, đây là kiểu chi tiết có thể biến thành một tuyên bố sai sau hai lần đăng lại. Ming-3.0-tts-tiny không có kết quả arena riêng, không có thông lượng được đo và không có tỷ lệ lỗi từ của bên thứ ba.

Không có báo cáo kỹ thuật nào. Lộ trình liệt kê nó như một ô chưa được đánh dấu, và vào ngày 16 tháng 10, thẻ mô hình đã được chỉnh sửa cụ thể để xóa tham chiếu đến một báo cáo như vậy. Điều đó khiến kiến trúc chỉ còn ở mức một sơ đồ và một đoạn văn: đủ để chạy mô hình, không đủ để tái tạo các tuyên bố huấn luyện.

Không có endpoint được host sẵn và cũng không có mức giá nào. Cách duy nhất để gọi thứ này là cấp phát một GPU và chạy mã, đây là một vấn đề khác hẳn so với việc so sánh nó với đơn giá theo từng ký tự.

Và không có tuyên bố nào về ý định. Hai mươi lượt tải xuống và ba lượt thích không phải là dấu hiệu của chất lượng — mà là dấu hiệu cho thấy chưa ai được thông báo. 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 nào theo sau hay không.

Chạy nó, nếu bạn muốn.

Kho Hugging Face chỉ là bản phát hành checkpoint, và model card của nó nói rõ rằng suy luận cần dự án GitHub. Đó là lý do commit tháng 10 quan trọng hơn bản tải lên tháng 9. Môi trường được cố định ở Python 3.10.15, PyTorch và torchaudio 2.7.1 với CUDA 11.8, và transformers 4.46.3, khuyến nghị dùng H800; điểm vào là infer_tiny.py chạy với lớp ming_tiny.MingTinyTTS, với một giao thức prompt tên là thinking_v1. Các giá trị mặc định được phát hành là hệ số classifier-free guidance bằng 2.0, temperature bằng 0, mười bước flow, sigma bằng 0.25 và seed bằng 1234 — 1235 cho tác vụ podcast — và kho phát hành một script riêng cho mỗi tác vụ thay vì một điểm vào duy nhất được điều khiển bằng cờ. Hỗ trợ vLLM-Omni nằm trong lộ trình và chưa được kiểm chứng, nên hiện chưa có đường phục vụ thông lượng cao.

Nếu bạn đang đánh giá mô hình này cho một sản phẩm, cách thử nghiệm hợp lý chính là cách bạn vẫn dùng cho bất kỳ checkpoint open-weights nào chưa được kiểm chứng: giữ nó ngoài đường dẫn quan trọng, chạy thử với chính âm thanh của bạn bằng những ngôn ngữ bạn thực sự triển khai, rồi mới quyết định. OrcaRouter không định tuyến Ming-3.0-tts-tiny, và không có gì ở đây nên được hiểu là khẳng định ngược lại — danh mục không có mô hình giọng nói Ming nào. Thứ nó có là phần còn lại của một hệ thống giọng nói: openai/tts-1, openai/tts-1-hd và openai/gpt-4o-mini-tts cùng các bản xem trước Ge​mini TT​S theo giá niêm yết của nhà cung cấp, không cộng thêm phụ phí, và hơn 200 mô hình văn bản dùng chung một khóa cho nửa quy trình lo phần viết kịch bản hoặc điều khiển tác tử. Tự động chuyển đổi dự phòng giữa các nhà cung cấp chính là thứ giữ cho nửa văn bản có thể tự vận hành luôn hoạt động trong khi bạn quyết định xem nửa giọng nói tự lưu trữ có xứng đáng với vị trí của nó hay không.

Tín hiệu thực sự tiếp theo sẽ không phải là một bảng của nhà cung cấp nữa. Mà sẽ là một người nào đó bên ngoài Ant chạy thứ này trên tiếng Hàn, hoặc trên một podcast, và công bố những gì đã hỏng. Cho đến khi điều đó tồn tại, bản tóm tắt có thể bảo vệ được thì hẹp: một mô hình giọng nói thưa, chín ngôn ngữ, được cấp phép MIT, với điểm số giọng nói nhân bản tốt nhất trong chính họ của nó, một kết quả podcast nhiều người nói thực sự, một cột tiếng Hàn cần được giải thích, và một thông báo chưa xảy ra.