Ming-3.0-tts so với Ming-3.0-tts-tiny: Checkpoint nhỏ hơn là bản tải xuống tốt hơn, còn bản lớn hơn là bản duy nhất từng được ai đó đo đạc

Ant Group đã phát hành hai mô hình giọng nói dưới cùng một tên, và cách đặt tên là thứ đầu tiên sẽ khiến bạn hiểu nhầm. Ming-3.0-tts-the-default là mô hình dense 0.5B: 2.96 GB trên đĩa, xương sống Qwen2.5-0.5B, nhanh, rẻ và là mô hình duy nhất trong cặp có điểm số độc lập. Ming-3.0-tts-tiny là mô hình lớn hơn trong hai mô hình, lớn hơn một bậc độ lớn — một hỗn hợp chuyên gia 7.9 tỷ tham số với 1.3 tỷ tham số hoạt động mỗi token, được xây dựng trên xương sống Ling V3, 18 GB trọng số được phân mảnh — và nó được gọi là tiny vì chi phí để chạy nó, không phải chi phí để tải xuống. Chọn theo nhãn và bạn sẽ lấy nhầm tệp. Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như thế này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Điều thứ hai dễ khiến bạn hiểu nhầm là bảng xếp hạng. Artificial Analysis có một dòng Ming-3.0-tts ở 1.188 Provider Voice Elo và 93,2% độ ổn định phát âm, và dòng đó liên kết đến checkpoint 0.5B. Không có số nào trong đó thuộc về tiny. Các con số của tiny là từ chính các bảng của Ant, được công bố trong model card và GitHub README, và chưa có bên thứ ba nào tái lập được bất kỳ con số nào trong đó. Vì vậy, so sánh trung thực có hai nửa: một mô hình có bằng chứng độc lập và không có chế độ podcast, một mô hình có bằng chứng do nhà cung cấp đưa ra và có một năng lực mà mô hình kia thiếu. Bạn cần nửa nào là câu hỏi về khối lượng công việc của bạn, không phải về việc mô hình nào tốt hơn.

Cùng một họ kiến trúc, hai cỗ máy rất khác nhau.

Cả hai mô hình đều dùng chung khung sinh mà Ant mô tả trong README: văn bản và các token điều khiển dành riêng cho từng tác vụ làm điều kiện cho một mô hình ngôn ngữ, mô hình này dẫn dắt một đầu patch diffusion-transformer phát ra các token âm thanh. Khác biệt nằm ở mô hình ngôn ngữ bên dưới. Bản 0.5B dùng Qwen2.5-0.5B dense; bản tiny dùng Ling V3 mixture of experts thưa với tổng 7.9B tham số, trong đó khoảng 1.3B được kích hoạt cho mỗi token.

• Kích thước tải xuống — Ming-3.0-tts 2,96 GB so với Ming-3.0-tts-tiny khoảng 18 GB trải trên 30 shard

• Tham số — 0.5B dense so với 7.9B tổng / 1.3B active MoE

• Backbone — Qwen2.5-0.5B so với Ling V3

• Môi trường chạy — PyTorch 2.6 + CUDA 12.4 trên bộ công nghệ thời Python 3.8 so với Python 3.10.15 + PyTorch/torchaudio 2.7.1+cu118

• Phần cứng — đã kiểm thử trên H800-80GB và H20-96G so với H800 được khuyến nghị, SGLang-Omni có thể phục vụ trên một GPU

• Tạo podcast nhiều người nói — không hỗ trợ so với có hỗ trợ

• Giấy phép — MIT vs MIT

• Điểm số đấu trường độc lập — có, 1.188 Provider / 1.068 Controlled / 93,2% phát âm so với không có

Hai checkpoint không dùng chung một môi trường Python. Đó không phải là một chi tiết kỳ quặc trong tài liệu; điều đó có nghĩa là một nhóm muốn đánh giá cả hai trên cùng một máy thì phải duy trì hai virtualenv, và một nhóm muốn A/B chúng trên production thì phải duy trì hai image triển khai. Nếu kế hoạch của bạn là “bắt đầu với cái nhỏ rồi nâng cấp sau”, hãy dự trù việc migration như một hạng mục công việc thực sự, chứ không phải một thay đổi cấu hình.

Nơi sự nhỏ gọn thực sự tốt hơn, theo chính những con số của Ant

Độ tương đồng với người nói là lợi thế rõ ràng và ổn định nhất, đồng thời cũng là con số quyết định liệu một giọng nói được nhân bản có nghe giống người đó hay không.

• Độ tương đồng người nói tiếng Trung của Seed-TTS — Ming-3.0-tts 0.758 so với tiny 0.781

• Độ tương đồng người nói tiếng Anh của Seed-TTS — 0.691 so với 0.728

• Độ tương đồng tiếng Đức — 0.753 so với 0.791

• Độ tương đồng tiếng Tây Ban Nha — 0.763 so với 0.797

• Độ tương đồng tiếng Pháp — 0.675 so với 0.733

• Độ tương đồng tiếng Nhật — 0.765 so với 0.780

• Độ tương đồng tiếng Hàn — 0.793 so với 0.797

Tiny thắng ở mọi ngôn ngữ về độ tương đồng, thường cao hơn từ ba đến sáu điểm, và xu hướng này cũng đúng trên các benchmark đối chứng: trung bình 74,00% trên CV3 emotion so với 72,33%, và 75,37% về độ chính xác thiết kế giọng nói so với 72,29%. Đó là hai điều khách hàng nhận ra mà không cần được nói — liệu nó có nghe như tôi không, và liệu nó có làm đúng điều tôi mô tả không. Ở cả hai, 7.9B MoE đều dẫn trước.

Độ chính xác của nội dung phân tách theo hướng ngược lại, và sự phân tách đó không đối xứng.

• Lỗi từ tiếng Trung của Seed-TTS — 0.800% so với 0.820%. Thực chất là hòa; mô hình dense nhỉnh hơn một chút.

• Tỷ lệ lỗi từ tiếng Anh của Seed-TTS — 1,584% so với 1,666%. Dense dẫn trước.

• Tiếng Đức — 0,365% so với 0,325%. Nhỉnh hơn một chút.

• Tiếng Tây Ban Nha — 1.099% so với 0.971%. Nhỉnh hơn một chút.

• Tiếng Pháp — 4.264% so với 3.470%. Tiny dẫn trước với khoảng cách lớn.

• Lỗi ký tự tiếng Nhật — 3,765% so với 3,427%. Chỉ nhỉnh hơn một chút.

• Lỗi ký tự tiếng Hàn — 1,728% so với 6,000%. Dense dẫn trước gấp ba lần rưỡi.

Tiếng Hàn là ngoại lệ đủ để khiến bất kỳ ai không thể gạt bỏ nhận định "tiny tốt hơn ở đa ngôn ngữ". Thẻ mô hình của chính Ant đánh dấu điều đó: tiếng Hàn có khoảng cách độ chính xác đa ngôn ngữ lớn nhất trong mô hình tiny, và con số 6.000% cao hơn gấp ba lần mức mà mô hình nửa tỷ tham số đạt được. Một đội đang xây dựng cho thị trường Hàn Quốc có câu trả lời rõ ràng, và đó không phải là mô hình lớn hơn.

Năng lực không phải là một thước đo chuẩn

Ming-3.0-tts-tiny tạo hội thoại podcast nhiều người nói từ một kịch bản có tham chiếu người nói. Ming-3.0-tts thì không. Đó là một năng lực của sản phẩm, không phải điểm số, và nó không xuất hiện trên bất kỳ bảng xếp hạng nào — chính vì vậy rất dễ bị bỏ qua khi so sánh các bảng thông số mà cả hai đều liệt kê "voice cloning" và "voice design."

Đánh giá podcast của Ant, trên harness riêng của nó, đưa tiny đạt tỷ lệ lỗi ký tự 2,03% với độ tương đồng người nói 0,561 và UTMOS 2,12, so với ZipVoice-Dia ở UTMOS 2,24, FireRedTTS2 ở CER 3,34% và MOSS-TTSD ở 8,62%. Khoảng cách UTMOS là điều đáng chú ý: tiny dẫn đầu về độ chính xác nội dung và xếp sau mô hình so sánh tốt nhất về độ tự nhiên, đây cũng chính là sự đánh đổi mà các con số tương đồng người nói gợi ý từ chiều ngược lại. Việc tạo podcast coi trọng sự luân phiên lượt nói và tính nhất quán của người nói hơn là một clip hoàn hảo duy nhất, và đó chính là hình thái lợi thế của tiny.

Nếu bạn cần cảnh hai người nói chuyện, thì ở đây không có gì để so sánh — một mô hình làm được việc đó, còn mô hình kia thì không. Mọi nội dung còn lại trong bài viết này đều nói về trường hợp cả hai đều có thể đảm nhận công việc.

Cái giá thực sự mà khoảng cách độc lập gây ra cho bạn

Vị thế của mô hình 0.5B trên đấu trường đáng để hiểu rõ trước khi bạn quyết định đặt bao nhiêu trọng lượng vào nó. Nó đạt 1.188 Elo Provider Voice, đứng thứ 18 trong số 97, và 1.068 Controlled Voice, đứng đầu trong các mô hình trọng số mở và thứ 12 tổng thể. Về phát âm, nó đạt 93,2%, thực tế ngang bằng với Fish Audio Drama 3 Preview và vượt Eleven v4. Đó là những phép đo độc lập với số lượng mẫu và khoảng tin cậy đã được công bố.

Điều đó mang lại cho bạn là sự hiệu chuẩn. Bạn biết đại khái mô hình dense đứng ở đâu so với ElevenLabs và Cartesia, vì cùng một phòng thí nghiệm đã đo cả ba trên cùng một bảng. Với tiny, bạn chỉ biết những gì Ant nói, được đo trên harness của Ant với cấu hình của Ant, và Ant là bên có lợi ích liên quan đến kết quả. Đây không phải là một lời buộc tội — các bảng này thẳng thắn một cách bất thường, bao gồm con số tiếng Hàn và một danh sách các hạn chế nêu rõ kiểm soát cao độ và thiết kế giọng cho nhập vai là những điểm yếu. Đó là một nhận định về việc một con số có thể chống đỡ được gì. Một bảng của nhà cung cấp cho bạn biết mô hình có tính cạnh tranh trên các trục mà nhà cung cấp chọn để đo; một dòng trên arena cho bạn biết nó xếp ở đâu so với những hệ thống bạn đã dùng.

Có một điều cụ thể mà bảng đánh giá độc lập cũng không nói với bạn: nó chỉ đo một giọng. Artificial Analysis lưu ý rằng mỗi mô hình được đánh giá trên bảng phát âm bằng một giọng duy nhất, và dòng của Ming dùng endpoint của Ant với ba giọng bản ngữ có sẵn. Liệu 93.2% có giữ nguyên trên các giọng đã nhân bản mà một sản phẩm thực sự sẽ phát hành hay không vẫn chưa rõ, và đó là điều đầu tiên đáng để bạn tự kiểm chứng.

Lựa chọn trên thực tế

Cây quyết định thì ngắn.

Hãy chọn Ming-3.0-tts (0.5B) nếu bạn muốn bản tải xuống nhỏ nhất khả thi, nếu bạn đang triển khai cho tiếng Hàn, nếu phần cứng của bạn là một thẻ 80 GB mà bạn còn dùng cho việc khác, hoặc nếu bạn cần một mô hình mà hành vi của nó đã được đo đạc bởi người khác ngoài tác giả. Ở 2.96 GB và 44.3 ký tự mỗi giây trên bộ kiểm thử độc lập, đây là một trình tường thuật dùng được, vượt tốc độ nói thời gian thực trên một GPU.

Chọn Ming-3.0-tts-tiny nếu độ tương đồng giọng nói là yếu tố then chốt — giọng thương hiệu được nhân bản, tính năng đọc to được cá nhân hóa, bất cứ thứ gì mà phán đoán đầu tiên của người nghe là "nghe có giống họ không" — hoặc nếu bạn cần hội thoại podcast, hoặc nếu độ chính xác tiếng Pháp, tiếng Đức, tiếng Tây Ban Nha hay tiếng Nhật là ràng buộc. Hãy dự trù 18 GB trọng số, một môi trường Python 3.10 riêng và một card hạng H800.

Không chọn cái nào, nhưng nếu bạn cần một con số độc lập trước khi cam kết năng lực sản xuất cho tiny. Mục arena không tồn tại, báo cáo kỹ thuật vẫn chưa được kiểm tra trên roadmap, và tăng tốc vLLM-Omni được đánh dấu là đã hoàn thành trong README mà không có công thức nào được công bố. Ba khoảng trống đó chính là ba điều sẽ khiến việc đề xuất tiny trở nên dễ dàng.

Một lưu ý vận hành áp dụng cho cả hai: không checkpoint nào stream. Không có thời gian đến âm thanh đầu tiên được công bố cho cả hai mô hình, và con số thông lượng của arena là thời gian sinh trên một yêu cầu đã hoàn tất. Nếu ứng dụng của bạn mang tính hội thoại, dòng mô hình này không phải công cụ phù hợp bất kể bạn chọn kích thước nào.

Câu hỏi về định tuyến, vốn khác ở đây

Hầu hết các so sánh trên trang này đều kết thúc bằng một đoạn về việc hợp nhất khả năng truy cập. Bài này thì không thể, vì OrcaRouter không lưu trữ bất kỳ checkpoint Ming nào — danh mục không có mô hình giọng nói Ming nào, và cả hai đều chỉ truy cập được bằng cách clone kho GitHub của Ant rồi tự chạy các trọng số. Nói khác đi sẽ là một lời nói dối mà người đọc có thể kiểm chứng trong ba mươi giây.

Điều đúng đắn thì hẹp hơn và vẫn hữu ích. Một pipeline giọng nói thường ưu tiên văn bản trước: một thứ gì đó viết kịch bản, một thứ gì đó dịch nó, một thứ gì đó kiểm tra nó theo phong cách nội bộ. Giai đoạn văn bản đó có thể nằm sau một khóa — hơn 200 mô hình ở mức giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, chuyển đổi dự phòng tự động khi một nhà cung cấp bị suy giảm, và một DSL định tuyến để gửi một tác vụ đến một mô hình khác dựa trên nội dung của yêu cầu. Giai đoạn giọng nói trong so sánh này vẫn nằm trên phần cứng của bạn dù theo cách nào, và hướng tự lưu trữ là thứ khiến lựa chọn giữa hai checkpoint có thể đảo ngược: trọng số MIT không hết hạn, và một mô hình bạn đã có trên đĩa là mô hình bạn có thể tiếp tục phục vụ trong khi đánh giá bản thay thế của nó.

Điều gì sẽ giải quyết được nó?

Ba diễn biến, theo thứ tự mức độ chúng sẽ tác động đến khuyến nghị. Một dòng nhỏ trên arena sẽ cho bạn biết liệu lợi thế về độ tương đồng có còn giữ được khi so sánh với người nghe mù hay không — phép thử duy nhất chưa được chạy. Báo cáo kỹ thuật sẽ giải thích vì sao một 1.3B-active MoE lại tăng độ tương đồng người nói và giảm độ chính xác tiếng Hàn, và liệu đó là hệ quả của cách chia dữ liệu hay của kiến trúc. Và một công thức vLLM-Omni được công bố sẽ khiến checkpoint 18 GB trở nên thực tế trên phần cứng thuê ngoài thay vì một triển khai nghiên cứu.

Cho đến lúc đó, cách diễn giải hữu ích là Ant đã tung ra hai mô hình cho hai công việc và đặt tên khiến công việc nhỏ hơn nghe như thể tệp nhỏ hơn. Thực tế không phải vậy. Mô hình 0.5B là mô hình bạn có thể đo lường, triển khai và bảo vệ trong một buổi đánh giá thiết kế; mô hình 7.9B là mô hình nghe giống người bạn đã nhân bản hơn, ở sáu trong bảy ngôn ngữ, nếu bạn đủ khả năng chấp nhận tin điều đó mà không cần kiểm chứng.