Ming-3.0-tts đứng đầu Pronunciation Arena, và phần còn lại trong màn ra mắt của nó còn thú vị hơn

Ở mức 93,2%, Ming-3.0-tts và Fish Audio Drama 3 Preview chỉ cách nhau một phần trăm của một điểm phần trăm — 1.677 đoạn đúng trên 1.800 của mô hình Ant Group so với 1.785 trên 1.916 của Fish Audio — tức là một thế hòa về mọi mặt trừ con số thập phân. Cả hai đều đứng trên Eleven v4 ở mức 91,7%, con số mà hầu hết mọi người sẽ nhắc đến. Thế hòa này là thật và đáng được báo cáo thẳng thắn, nhưng đó là điều ít thông tin nhất trên bảng. Điều khiến Ming-3.0-tts đáng có một bài viết trong tuần này không phải là việc nó đã vươn lên vị trí đầu tiên trên bảng xếp hạng English Pronunciation Robustness của Artificial Analysis. Mà là bảng xếp hạng này cuối cùng đã tồn tại cho mô hình này, và bốn điểm phụ bên dưới dòng tiêu đề nói lên điều mà dòng tiêu đề không thể. Những thất bại AI và sự cố tác nhân đã được ghi nhận đằng sau các bản phát hành như bản này được tập hợp trong Kho lưu trữ sự cố AI OrcaRouter nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Các điểm phụ này rất chênh lệch. Ming-3.0-tts dẫn đầu trong cả 31 hệ thống được đo ở hạng mục Bảo toàn chuỗi chính xác, với 90,6%, và ở hạng mục Mở rộng chữ viết tắt, với 96,5%. Nó cũng xếp thứ 21 trong số 31 ở hạng mục Thuật ngữ độc lập, với 88,5%, hạng mục mà hầu hết người nghe sẽ gọi là "đọc sai tên riêng". Một điểm tổng hợp duy nhất che giấu một mô hình đọc .env.local và "Chapter XVII" tốt hơn bất cứ thứ gì khác trên bảng xếp hạng, đồng thời vấp phải những danh từ riêng thông thường thường xuyên hơn so với một hệ thống Gemini hay ElevenLabs. Đó có phải là một lợi thế hay không phụ thuộc hoàn toàn vào việc văn bản của bạn được cấu thành từ những gì.

Điều gì thực sự đã thay đổi, và điều gì thì không

Ant Group không ra mắt mô hình này trong tuần này, và không bài viết nào nên giả vờ điều ngược lại. Dòng thời gian trong các kho lưu trữ là công khai và có phần khó xử:

• Các kho lưu trữ Hugging Face cho Ming-3.0-tts-0.5B và Ming-3.0-tts-tiny đã được tạo vào ngày 22 tháng 9 năm 2026, với một thẻ giữ chỗ.

• Checkpoint 0.5B — 2,96 GB safetensors, giấy phép MIT — đã được đăng lên vào ngày 24 tháng 9.

• Kho lưu trữ GitHub chứa mã suy luận, sổ tay tác vụ và các tập lệnh ví dụ đã xuất hiện vào ngày 19 tháng 10, đây cũng là ngày mà README của Ant ghi là tháng phát hành và là ngày mà Artificial Analysis đóng dấu trên hàng mô hình của mình.

Vậy là các trọng số đã bốn tuần tuổi, còn bản phát hành sử dụng được mới một ngày tuổi. Điều thay đổi vào ngày 19 tháng 10 không phải là việc một mô hình đã được phát hành. Mà là mã suy luận đã được phát hành, và các phép đo độc lập đã đến cùng lúc với nó. Trước ngày đó, chỉ có một checkpoint không có cách chạy nào được công bố và không có con số nào từ bên thứ ba đi kèm; bất kỳ ai viết về nó đều đang trích dẫn chính các bảng của Ant.

Sự phân biệt đó quan trọng đối với cách bạn đọc con số 93,2%. Artificial Analysis vận hành bộ khung đánh giá riêng và có những người đánh giá thủ công riêng; đây không phải là các đánh giá của Ant được tái tạo lại. Ngày đánh giá và số lượng mẫu được liệt kê trên bảng, khoảng tin cậy được công bố, và các bài kiểm tra mức độ tập trung của người đánh giá được mô tả trong phương pháp luận. Đây là lần đầu tiên có người bên ngoài Ant gán một con số cho mô hình này, và hóa ra đó lại là một con số tốt.

Ba bảng, ba câu trả lời khác nhau

Artificial Analysis vận hành nhiều hơn một bảng xếp hạng text-to-speech và Ming-3.0-tts không thống trị tất cả các bảng đó. Những khác biệt đủ lớn đến mức việc trích dẫn bất kỳ bảng nào tôn vinh mô hình đều là một hình thức xuyên tạc.

• Controlled Voice, nơi mọi hệ thống nhân bản cùng tám giọng tham chiếu (bốn giọng Mỹ, bốn giọng Anh) và chỉ phần tổng hợp được so sánh — Ming-3.0-tts đạt 1.068 Elo, đứng đầu trong các mô hình open-weights và thứ 12 chung cuộc. Fish Audio Drama 3 Preview đứng thứ hai trong nhóm open weights với 1.059.

• Provider Voice, nơi mỗi hệ thống sử dụng giọng nói gốc của riêng mình — Ming-3.0-tts đạt 1.188 Elo, đứng thứ 18 toàn bảng và thứ ba trong số các mô hình trọng số mở, xếp sau Fish Audio Drama 3 Preview với 1.247 và Breeze T​TS 2 với 1.221. Eleven v4 Turbo dẫn đầu toàn bảng với 1.330.

• Độ ổn định phát âm, tiếng Anh, do con người đánh giá — Ming-3.0-tts đạt 93,2%, đứng đầu tổng thể, nhỉnh hơn một chút so với Fish Audio Drama 3 Preview ở 93,2% và vượt Eleven v4 ở 91,7%.

Mô thức này nhất quán: ngay khi các giọng nói không còn được giữ cố định, Ming-3.0-tts mất lợi thế. Đó là dấu hiệu đặc trưng của một mô hình có khả năng nhân bản mạnh hơn bộ giọng có sẵn — đúng như những gì một checkpoint không có danh mục giọng nói được lưu trữ trên nền tảng sẽ trông như vậy. Ant cung cấp hơn 100 giọng tiếng Trung tích hợp sẵn và năm giọng tiếng Anh; ba trong số các giọng tiếng Anh đó là những gì bảng Provider Voice thực sự đã nghe, so với các danh mục được chuẩn bị kỹ lưỡng của ElevenLabs và Cartesia. Với các giọng được nhân bản, sân chơi trở nên cân bằng và mô hình tăng năm bậc.

Cũng lưu ý rằng các con số đã lệch khỏi README của chính Ant. Bảng trong kho lưu trữ ghi 1.069 Controlled và đứng thứ 13 tổng thể, cùng 1.188 Provider và đứng thứ 17 tổng thể. Bảng hôm nay ghi 1.068 và thứ 12, cùng 1.187,8 và thứ 18. Các phiếu vẫn tiếp tục đến; con số vẫn dịch chuyển. Bất kỳ ai trích dẫn những con số này nên ghi kèm ngày tháng.

93.2 là hai trận thắng và hai trận thua.

Pronunciation Robustness không phải là một bài kiểm tra duy nhất. Artificial Analysis chia nó thành bốn hạng mục, mỗi hạng mục có mẫu số riêng, và chính cách phân tách này là điểm khiến mô hình này trở nên dễ hiểu.

• Bảo toàn chuỗi chính xác — mã, đường dẫn tệp, địa chỉ email, định danh. Ming-3.0-tts đạt 90,6%, đứng đầu trong 31, với mức tốt nhất tiếp theo là Fish Audio Drama 3 Preview ở 86,3% và Eleven v4 ở 78,8%. Đây là hạng mục quyết định liệu bot hỗ trợ có đọc đúng số đơn hàng hay không, và khoảng cách không hề sát sao.

• Mở rộng dạng viết tắt — số, ngày tháng, đơn vị và ký hiệu. Ming-3.0-tts đạt 96,5%, đứng đầu trong số 31, vượt qua Eleven v4 với 94,1% và Fish Audio Drama 3 Preview với 93,6%.

• Phù hợp với ngữ cảnh — các từ đồng hình dị âm như “a wound that is bandaged” so với “a bandage that is wound.” Ming-3.0-tts đạt 91,0%, đứng thứ 13 trong số 31. Gemini 3.8 Flash T​TS dẫn đầu với 98,0%.

• Thuật ngữ độc lập — tên thương hiệu, địa danh và tên kỹ thuật. Ming-3.0-tts đạt 88,5%, đứng thứ 21 trong số 31. Fish Audio Drama 3 Preview dẫn đầu với 95,9%.

Một điểm tổng hợp đồng hạng nhất trong khi xếp thứ 21 ở một trong bốn thành phần của nó không phải là nghịch lý; hai hạng mục mà nó thắng có mẫu số lớn nhất (1,084 trong số 1,800 span được đánh giá là các trường hợp viết tắt và chuỗi). README của chính Ant dựa chính xác vào hai chiến thắng này, nêu bật Expanding Shorthand ở 96.5% và Preserving Exact Sequences ở 90.6%, và lần chạy độc lập xác nhận cả hai. Chỉ là nó không nhắc đến vị trí thứ 21, hàng mà một nhóm voice-agent nên xem trước khi phát hành một mô hình phải đọc được họ của khách hàng.

Vị trí thứ 21 cũng là lời giải thích hợp lý nhất cho một chi tiết trong thẻ mô hình của Ant: bộ giọng tiếng Anh chỉ có năm giọng so với hơn 100 giọng tiếng Trung. Độ phủ danh từ riêng tiếng Anh là vấn đề dữ liệu trước khi trở thành vấn đề mô hình hóa, và con số về phát âm thuật ngữ chính là hình hài của khoảng cách đó khi có người đo lường nó.

Nửa gia đình không có trên bảng

Ming-3.0-tts-tiny, biến thể mixture-of-experts với tổng 7,9B tham số và 1,3B tham số hoạt động, được xây dựng trên xương sống Ling V3, không có dòng nào trên bất kỳ bảng xếp hạng nào trong số này. Mục trên arena được gắn nhãn Ming-3.0-tts liên kết đến checkpoint 0,5B, và mọi con số ở trên đều thuộc về checkpoint đó. Kết quả đã công bố của Tiny là của chính Ant — lỗi từ tiếng Trung 0,820% với độ tương đồng người nói 0,781, tiếng Đức 0,325%, tiếng Tây Ban Nha 0,971%, tiếng Hàn 6,000% — và chưa có ai độc lập tái lập được chúng. Hãy coi chúng là tuyên bố của nhà cung cấp; con số tiếng Hàn đáng xấu hổ ít nhất cũng là bằng chứng cho thấy Ant đang công bố toàn bộ bảng số liệu chứ không phải một bản tuyển chọn toàn điểm sáng.

Có một điểm mà tiny thực sự tỏ ra vượt trội so với mô hình anh em của nó trên harness của Ant: tạo podcast nhiều người nói, điều mà mô hình 0.5B hoàn toàn không làm được. Đó là một năng lực sản phẩm chứ không phải lợi thế trên benchmark, và nó không có trên đấu trường.

Vận hành nó, và cái giá phải trả.

Checkpoint 0.5B là bản tải xuống 2,96 GB — backbone, đầu patch DiT, tokenizer âm thanh, bộ mã hóa người nói và tokenizer văn bản — theo giấy phép MIT, xuất ra âm thanh 44,1 kHz. Ant đã thử nghiệm nó trên H800-80GB và H20-96G với PyTorch 2.6, CUDA 12.4 và transformers 4.46.3, và kho lưu trữ có kèm Dockerfile. Quá trình suy luận diễn ra qua infer.py hoặc MingTTS lớp Python; kho Hugging Face chỉ dùng để phân phối checkpoint và sẽ không tự chạy được.

Artificial Analysis đo endpoint Ant được lưu trữ ở tốc độ 44,3 ký tự mỗi giây thời gian tạo, với thời gian tạo trung vị là 2,56 giây. Để dễ hình dung quy mô: một triệu ký tự lời dẫn hoàn chỉnh tương đương khoảng 6,3 giờ tạo thuần túy trên cấu hình đó, trước khi tính thời gian tải mô hình hoặc xếp hàng. Không có giá niêm yết vì không có endpoint thương mại được lưu trữ; bạn đang mua giờ GPU, không phải ký tự.

Đây là lúc một lớp định tuyến thực sự hữu ích mà không giả vờ tự host mô hình. OrcaRouter không cung cấp Ming-3.0-tts — danh mục hoàn toàn không có mô hình giọng nói Ming nào — và muốn dùng mô hình này thì phải clone kho lưu trữ và tự chạy. Điều chúng tôi cung cấp là nửa văn bản của cùng quy trình: hơn 200 mô hình chỉ qua một khóa, theo giá niêm yết của nhà cung cấp và không cộng thêm phụ phí, chuyển đổi dự phòng tự động giữa các nhà cung cấp, và một DSL định tuyến để kết hợp chúng. Nếu bạn đang xây dựng một pipeline tường thuật hoặc agent, mô hình viết kịch bản là phần bạn có thể hợp nhất ngay hôm nay; mô hình giọng nói là phần bạn tự host.

Những điều cần theo dõi từ đây

Ba điều sẽ thay đổi bức tranh này, và chưa có điều nào trong số đó xảy ra.

Lộ trình của Ant vẫn đánh dấu báo cáo kỹ thuật là chưa hoàn thành. Cho đến khi báo cáo đó được công bố, phần mô tả kiến trúc chỉ là một đoạn văn và một sơ đồ, còn các bảng đánh giá là bằng chứng chi tiết duy nhất về cách mô hình hoạt động. Một báo cáo cũng sẽ giải thích khoảng cách phát âm thuật ngữ, hiện vẫn chỉ là một giả thuyết.

Provider Voice đã nghe ba giọng bản ngữ. Đó là một mẫu quá ít ỏi đối với một mô hình cung cấp hàng trăm giọng tiếng Trung và năm giọng tiếng Anh, và vị trí thứ 18 sẽ thay đổi khi có thêm nhiều giọng được chấm điểm — không thể biết từ đây nó sẽ dịch chuyển theo hướng nào.

Và checkpoint tiny vẫn chưa được bất kỳ ai độc lập đo đạc. Nếu nó thực sự có một dòng, câu hỏi thú vị là liệu một mixture-of-experts Ling V3 với 1.3B hoạt động mỗi token có giữ được lợi thế về độ trung thực chuỗi vốn làm nên nét khác biệt của mô hình 0.5B, hay đánh đổi nó để lấy độ tương đồng người nói mà chính các bảng số liệu của Ant gán cho nó. Theo số liệu của nhà cung cấp, tiny là giọng đã clone tốt hơn. Theo những con số độc lập duy nhất hiện có, 0.5B là mô hình đã được kiểm thử, và nó đã vượt qua phần của bài kiểm thử mà hầu hết mọi người không nghĩ tới việc thực hiện.