Ming-3.0-tts-tiny 拥有该系列中最佳的克隆语音，并在韩语排名中位列第六

在蚂蚁集团全新的语音系列中，说话人相似度得分最高的是激活参数最少的模型。Ming-3.0-tts-tiny 是一个 7.9B 的专家混合检查点，每个 token 激活约 1.3B 参数；在中文 Seed-TTS 数据集上，它取得 0.781 的说话人相似度——这是蚂蚁已公布表格中的最高数值，也高于其自身更小同系列模型的 0.758。在韩语上，同一模型在蚂蚁基准测试的八个系统中排名第六，字符错误率为 6.000%，而那个 0.5B 的同系列模型达到 1.728%。这两个数字都来自同一厂商评测框架，由同一团队在同一天运行。二者之间的差距是此次发布中最有价值的信息。 此类发布背后有记录的 AI 故障和智能体事件，均收录于 OrcaRouter AI Incident Archive 中，其中每个条目都带有自己的来源、严重程度、置信度等级和存疑标记。

这一切均未事先宣布。该检查点于 2026 年 9 月 24 日上传到 Hugging Face，距该仓库本身创建仅两天；推理代码、示例脚本和任务指南直到 10 月 19 日才出现，当时 GitHub 仓库开放，其首个提交于 UTC 08:58 落地。截至撰写本文时，Hugging Face 仓库有 20 次下载和 3 个赞，GitHub 仓库有 5 颗星。因此，请将以下内容视为对相关产物的解读，而非关于一次发布的报道：此处的一切均可在仓库中核查，无法核查的部分已作相应标注。

韩国的结果并非舍入误差

Ant 的多语言对比表将这个小模型与另外七个系统在六种语言上进行比较。要看整行数据，而不是只看标题。

德语——字符错误率 0.325%，在八种语言中位居第一，领先于以 0.612% 排名第二的语言。

• 西班牙语 — 0.971%，排名第一，第二名以 1.184% 紧随其后。

• 日语——3.427%，并列第二。

• 法语——3.470%，位居第二，但说话人相似度为 0.733，未能进入前三；表格在其自身的局限性部分也说明了这一点。

• 韩语 — 6.000%，在八种语言中排名第六；这也是唯一一种该模型被某个系统击败的语言，而在其他所有方面，该模型的得分都高于该系统。

• 中文和英语——模型实际围绕构建的两种语言，也是其说话人相似度领先的两种语言。

韩语数值大约是 Ming-3.0-tts-0.5B 在同一语言上错误率的三倍半。Ant 没有解释原因，模型卡也没有作出推测。可以在不猜测的前提下说的是结构层面的情况：这是一个稀疏模型，而稀疏模型会将 token 路由到一部分专家，因此，在混合数据中获得的训练信号较少的语言，其退化速度可能比在总规模相当的稠密模型中更快。这是一种可能的机制，而不是一项发现，应将其视为有待检验的假设，而不是解释。更实际、也更站得住脚的解读范围更窄：如果你的产品涉及韩语，那么在有人用真实韩语文本运行过它之前，这不是应当选用的检查点。

79亿参数究竟去了哪里

名字里写着 tiny，文件大小却并非如此，而这其中的差距就在于架构。

• 总参数量——Hugging Face 元数据显示，BF16 格式下为 8,980,964,372 个参数，另有 F32 格式的 40,096 个参数，仓库占用约 18 GB。该发布将模型描述为 7.9B-A1.3B，即总参数量 79 亿，每个 token 约 13 亿激活参数。这一描述已于 10 月 16 日在模型卡片中更正，替换了早前的措辞，因此请引用较新的版本。

• 主干 — Ling V3，与 Ant 用于其更大规模文本模型的是同一系列，采用专家混合而非密集堆栈的方式运行。

• 头 — 一个扩散 Transformer，将主干的隐藏状态转换为音频潜变量，随后由一个独立的音频分词器将其解码为波形。

• 打包——检查点将主干网络、DiT 头、音频分词器、CAM++ 说话人编码器和文本分词器打包在同一个文件夹中。你下载的是一套流水线，而不是一个外挂了适配器的语言模型。

• 输出与音色——与同系列其他成员一样拥有广泛的控制能力：可从短参考音频进行零样本克隆，可根据自然语言描述设计音色，支持自由风格控制，内置 100 多种中文音色和五种英文音色，并提供 14 个用于笑声、叹气、呼吸和犹豫的内联副语言标签，以及明确的情感、语速、音调和音量设置。

• 语言 — 中文、英语、德语、西班牙语、法语、韩语和日语；提供该方言的参考片段后，还可以使用四川话和粤语。

• 许可证 — 权重和代码采用 MIT 许可证，并附有一则使用说明，要求你未经同意不得冒充他人，并需标注合成音频。该说明是一项请求，而非许可证条件。

反常的结果是，“tiny”说的是每 token 的计算量，而不是磁盘或显存。你付出的是 7.9B 模型的显存占用，换来的却是 1.3B 模型的速度；这对批量合成来说是合理的权衡，对笔记本电脑来说则很不划算。Ant 自己的环境将 H800 指定为推荐显卡，发布说明中没有任何内容表明并非如此。

它赢得的五列

本节中的每一个数字都是 Ant 自己的，是在 Ant 的测试框架上、使用 Ant 推荐的推理设置测得的，而模型卡是这些数字唯一出现的地方。这里的标签比平时更重要，因为这些数字会在别处被引用，而那时却不会带上这些标签。

• 说话人相似度，中文零样本——0.781，为对比集中最佳，词错误率为 0.820%。英文在 1.666% 错误率下达到 0.728 相似度，同样是其所在列中最佳的相似度。

• 副语言单事件，NVBench——该模型在全部六个单标签类别中均领先：中文 2.80 错误 / 17.23 相似度 / 3.20 得分，英文 5.86 / 32.95 / 7.05。在多事件句子上，它在英文列以 5.12 / 46.13 / 7.68 领先，在中文列以 4.49 / 32.88 / 5.81 处于中游。

• 方言——WSC-Eval-TTS 简单集字符错误率 2.53%，相似度 0.721，准确率 86.09%；困难集为 3.11%、0.738、88.94%。两者均为 Ant 表格中的首次。粤语在基础集上达到 7.40% / 0.605 / 92.90，在覆盖集上达到 8.67% / 0.653 / 95.16。

• 情感 — 在中文 CV3 集上平均为 74.00%，在 CV3N 上为 30.67%，在两个 Sad 子集上均排名第一，其余表现一般。

• 语音设计——在 InstructTTSEval-ZH 上平均得分 75.37%，综合排名第二，其中属性提示词得分为 85.10，描述为 79.90，角色扮演为 61.10。角色扮演是弱项：排名第四，模型卡上也如此说明。

基本属性表是最不起眼、但可能最有用的：年龄 93%，性别 93%，音高 78.70%，平均 88.23%，词错误率 0.274%，相似度 0.742。音高是四项控制指标中最弱的一项，这与同类其他所有系统报告的情况一致。

播客编号才是注意到这一点的真正原因。

0.5B 模型无法完成多说话人播客生成。小模型可以，而且在 Ant 的播客表格上，它在对比中取得了最佳的内容准确率结果。

• Ming-3.0-tts-tiny — 2.03% 字符错误率，0.561 条件说话人相似度，2.12 UTMOS。

• 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。

在错误率上以微弱优势排名第一，在相似度和自然度上均排名第二，而自然度上的差距才是有意思的地方：ZipVoice-Dia 的 UTMOS 高出 0.12，但准确率却差了 1.36 分。这是真正的取舍，而不是四舍五入造成的差异，它表明这个小模型接下来要改进的是对话韵律，而不是转录。正如本节中的其他所有内容一样，Ant 之外的任何人都还没有用它跑过播客并公布结果。

这些存储库未能确立的内容

在任何人把它投入产品之前，有四个缺口值得点明。

此检查点没有独立评分。Artificial Analysis 确实在其语音竞技场中列出了 Ming-3.0-tts 条目——截至 10 月 19 日，在 Provider Voice 榜上为 1,188 Elo，在 Controlled Voice 上为 1,069——但该条目关联的是 0.5B 模型，而不是这一个。GitHub README 在其结果部分转载了这些竞技场数据，却没有作出这一区分；这种细节在两次转发之后就会变成错误说法。Ming-3.0-tts-tiny 没有单独的竞技场结果，没有实测吞吐量，也没有第三方词错误率。

没有技术报告。路线图将其列为未勾选的方框，而在10月16日，模型卡被专门编辑，以删除对技术报告的引用。这使得架构只停留在图加一段文字的水平：足以运行模型，但不足以复现其训练声明。

没有托管端点，也没有价格。调用它的唯一方式就是分配一块 GPU 并运行代码，这与拿它和按字符计费的价格作比较是两回事。

而且没有任何意向声明。二十次下载和三个赞并不能说明质量——它们只能说明根本没人被告知。没有公告就意味着没有支持承诺、没有弃用政策，也没有任何迹象表明是否会推出托管服务。

如果你想的话，那就跑吧

Hugging Face 仓库只是一个检查点发布包，其模型卡明确表示推理需要依赖 GitHub 项目。这就是为什么十月的提交比九月的上传更重要。环境固定为 Python 3.10.15、PyTorch 和 torchaudio 2.7.1（CUDA 11.8）以及 transformers 4.46.3，推荐使用 H800；入口点是 infer_tiny.py，针对 ming_tiny.MingTinyTTS 类，提示协议名为 thinking_v1。发布的默认值为无分类器引导尺度 2.0、温度为零、十个流步数、sigma 为 0.25、种子为 1234——播客任务为 1235——并且仓库为每个任务提供单独脚本，而不是一个由标志驱动的入口点。vLLM-Omni 支持已在路线图中，尚未验证，因此目前还没有高吞吐服务路径。

如果你是在为某个产品评估它，合理的分阶段方式就是对待任何尚未经验证的开源权重检查点所用的方式：让它远离关键路径，用你实际发布语言中的自有音频来跑它，然后再做决定。OrcaRouter 不会路由 Ming-3.0-tts-tiny，这里任何内容都不应被解读为声称相反——目录中并没有 Ming 语音模型。它确实承载的是语音系统的其余部分：openai/tts-1、openai/tts-1-hd 和 openai/gpt-4o-mini-tts，以及 Ge​mini TT​S 预览版按提供商标价且不加价，以及同一密钥背后的 200 多个文本模型，用于管道中编写脚本或驱动代理的那一半。跨提供商自动故障转移能让可托管的文本那一半保持运行，同时你决定自托管语音那一半是否值得占有一席之地。

下一个真正的信号不会是又一张厂商对比表。它会是 Ant 之外的人用韩语运行它，或在播客上运行它，并公布哪里出了问题。在此之前，站得住脚的总结很有限：一个稀疏的、MIT 许可的、九语种语音模型，在其自身系列中拥有最好的克隆语音得分，一个真正的多说话人播客结果，一个需要解释的韩语列，以及一个尚未发生的公告。