Ming-3.0-tts 登顶发音竞技场，而其首秀的其余部分更有看头

在93.2%这一成绩上，Ming-3.0-tts与Fish Audio Drama 3 Preview仅相差0.01个百分点——Ant Group的模型在1,800个片段中正确1,677个，Fish Audio的模型则在1,916个片段中正确1,785个——这除了小数点之外，完全就是平局。两者都高于91.7%的Eleven v4，而后者才是大多数人会引用的数字。这场平局是真实的，也值得直接如实报道，但它是榜单上信息量最少的一点。让Ming-3.0-tts本周值得单独成文的，并不是它登上了Artificial Analysis英语发音稳健性排行榜第一名。而是这个模型终于出现在这个榜单上了，并且主分数之下的四个子分数说出了主分数无法表达的东西。 像此次发布这类发布背后有记录的AI故障和智能体事故，均收录于OrcaRouter AI Incident Archive 其中每条记录都带有各自的来源、严重程度、置信等级和争议标记。

这些子分数很不均衡。Ming-3.0-tts 在“保留精确序列”上以 90.6% 领先全部 31 个被测系统，在“展开简写”上以 96.5% 领先。它在“独立术语”上以 88.5% 在 31 个系统中排名第 21，而这一类别正是大多数听众会称为“念错名字”的那一类。一个聚合分数掩盖了这样一个模型：它读取.env.local和“Chapter XVII”的表现比榜单上任何其他模型都好，却在普通专有名词上比 Gemini 或 ElevenLabs 系统更常出错。这算不算优势，完全取决于你的文本由什么构成。

实际改变了什么，什么没有改变

Ant Group 本周并未发布此模型，任何文章都不应假装并非如此。仓库中的时间线是公开的，而且略显尴尬：

• Ming-3.0-tts-0.5B 和 Ming-3.0-tts-tiny 的 Hugging Face 仓库创建于 2026 年 9 月 22 日，并附带一张占位卡片。

• 0.5B 检查点——2.96 GB 的 safetensors，采用 MIT 许可——已于 9 月 24 日发布。

• 包含推理代码、任务手册和示例脚本的 GitHub 仓库于 10 月 19 日出现，而 10 月也正是 Ant 的 README 所标注的发布月份，10 月 19 日也是 Artificial Analysis 在其模型行上标注的日期。

所以权重已经有四周了，而可用的发布版本才一天。10月19日发生变化，并不是因为某个模型发布了。而是因为推理代码发布了，并且独立测量结果也随之而来。在那一天之前，只有一个检查点，没有公开的运行方式，也没有附上任何第三方数字；任何写它的人都在引用 Ant 自己的表格。

这种区别对于你如何解读 93.2% 很重要。Artificial Analysis 运行自己的评测框架和自己的真人评审员；这些并非复现 Ant 的评估。评估日期和样本数量都列在榜单上，置信区间已公布，评审员的注意力检查也在方法说明中有所描述。这是 Ant 之外的任何人首次为这个模型给出数字，而这个数字恰好很不错。

三块板，三种不同的答案

Artificial Analysis 运营着不止一个文本转语音排行榜，而 Ming-3.0-tts 并非在所有榜单上都占据主导地位。这些榜单之间的差异足够大，因此只引用那个最能美化该模型的榜单，属于一种误导性陈述。

• 受控语音：每个系统都克隆相同的八个参考语音（四个美式、四个英式），仅比较合成效果——Ming-3.0-tts 获得 1,068 Elo，在开放权重模型中排名第一，总排名第十二。Fish Audio Drama 3 Preview 以 1,059 位列开放权重模型第二。

• 提供商语音，即每个系统使用其自有的原生语音——Ming-3.0-tts 得分 1,188 Elo，总排名第 18，在开放权重模型中排名第三，落后于得分 1,247 的 Fish Audio Drama 3 Preview 和得分 1,221 的 Breeze TTS 2。Eleven v4 Turbo 以 1,330 分领跑整个榜单。

• 发音稳健性，英语，人工评判——Ming-3.0-tts 以 93.2% 位居综合第一，以微弱优势领先于 93.2% 的 Fish Audio Drama 3 Preview，并领先于 91.7% 的 Eleven v4。

规律是一致的：一旦不再固定使用同一组声音，Ming-3.0-tts 就会落后。这正是那种克隆能力比自带音色集更强的模型的特征——也正是一个没有托管音色目录的检查点该有的样子。Ant 提供 100 多种中文内置音色和五种英文音色；Provider Voice 榜单实际听到的英文音色就是其中三种，而对手是 ElevenLabs 和 Cartesia 精心制作的音色目录。在克隆音色上，竞争变得公平，该模型上升了五位。

另请注意，这些数字已经与 Ant 自己的 README 不一致了。仓库表格显示的是 1,069 Controlled、总排名第 13，以及 1,188 Provider、总排名第 17。而今天的排行榜显示的是 1,068 和第 12，以及 1,187.8 和第 18。投票仍在不断涌入；排名线也在移动。任何引用这些数字的人都应注明日期。

93.2 是两胜两负。

发音稳健性并不是一项测试。Artificial Analysis 将其拆分为四个类别，每个类别都有自己的分母，而正是这种拆分让这款模型的表现变得清晰可读。

• 精确保留完全序列——代码、文件路径、电子邮件地址、标识符。Ming-3.0-tts 得分 90.6%，在 31 个中排名第一，紧随其后的是 Fish Audio Drama 3 Preview 的 86.3%，以及 Eleven v4 的 78.8%。这一类别决定了客服机器人能否正确读出订单号，而领先幅度相当悬殊。

• 扩展简写——数字、日期、单位和符号。Ming-3.0-tts 得分 96.5%，在 31 个中排名第一，领先于得分 94.1% 的 Eleven v4 和得分 93.6% 的 Fish Audio Drama 3 Preview。

• 语境恰当——同形异音词，如“a wound that is bandaged”（被包扎的伤口）与“a bandage that is wound”（缠好的绷带）。Ming-3.0-tts 得分 91.0%，在 31 个中排名第 13。Gemini 3.8 Flash T​TS 以 98.0% 领先。

• 独立术语——品牌、地点和技术名称。Ming-3.0-tts 得分 88.5%，在 31 个中排名第 21。Fish Audio Drama 3 Preview 以 95.9% 领先。

综合得分并列第一，却在四项组成指标之一中排名第21，这并非悖论；它胜出的两个类别拥有最大的分母（在1,800个已评判片段中，有1,084个是简写和序列案例）。Ant自己的README恰恰倚重这两个胜项，点名“Expanding Shorthand”达到96.5%、“Preserving Exact Sequences”达到90.6%，而独立运行也证实了这两项。它只是没有提到第21名，而这正是语音智能体团队在发布一个必须说出客户姓氏的模型之前应该关注的那一行。

第21名也是对 Ant 模型卡中一个细节最合理的解释：英语语音集只有五个语音，而中文有 100 多个。英语专有名词的覆盖情况首先是数据问题，然后才是建模问题，而术语发音数量正是有人测量这一差距时它所呈现的样子。

家族中不在董事会的那一半

Ming-3.0-tts-tiny 是基于 Ling V3 主干构建的混合专家变体，总参数 7.9B、激活参数 1.3B，但在这些排行榜上都没有它的条目。竞技场中标注为 Ming-3.0-tts 的条目链接到 0.5B 检查点，上面所有数字都属于那个检查点。Tiny 公布的结果来自 Ant 自家——中文词错误率 0.820%，说话人相似度 0.781，德语 0.325%，西班牙语 0.971%，韩语 6.000%——尚无独立方复现。应将其视为厂商声明；至少那个尴尬的韩语数字证明 Ant 公布的是完整表格，而不是高光集锦。

有一处，tiny 在 Ant 的测试框架上确实明显领先于它的同门：多说话人播客生成，而 0.5B 模型完全不做这件事。那是一项产品能力，而不是基准测试上的优势，而且它不在 arena 上。

运行它，以及这样做的成本

0.5B 检查点是一个 2.96 GB 的下载包——包含主干网络、DiT patch 头、音频分词器、说话人编码器和文本分词器——采用 MIT 许可证，输出 44.1 kHz 音频。Ant 在 H800-80GB 和 H20-96G 上使用 PyTorch 2.6、CUDA 12.4 和 transformers 4.46.3 对其进行了测试，代码仓库中还包含一个 Dockerfile。推理通过 infer.py 或 MingTTS Python 类进行；Hugging Face 仓库仅用于分发检查点，无法单独运行。

Artificial Analysis 测得托管的 Ant 端点按生成时间计为每秒 44.3 个字符，生成时间中位数为 2.56 秒。作为规模参照：一百万个字符的成品旁白，在该配置上仅生成就需要约 6.3 小时，还不包括模型加载或排队时间。没有列出价格，因为不存在托管的商业端点；你购买的是 GPU 小时，而不是字符数。

这正是路由层真正有用、又无需假装托管模型的地方。OrcaRouter 并不提供 Ming-3.0-tts——其目录中根本没有 Ming 语音模型——要使用该模型，需要克隆仓库并自行运行。我们确实提供的是同一流水线中的文本部分：超过 200 个模型，只需一个密钥，按提供商标价提供，且不额外加价，提供商之间的自动故障转移，以及用于组合它们的路由 DSL。如果你正在构建旁白或智能体流水线，编写脚本的模型是今天就可以整合的部分；语音模型则是你需要自行托管的部分。

接下来要关注什么

有三件事会改变这一局面，而它们都尚未发生。

Ant 的路线图仍将技术报告标记为未勾选。在它发布之前，架构描述只有一段文字和一张图，而评估表是关于模型行为的唯一详细证据。一份报告还将解释术语发音差距，而目前这只是一个假设。

Provider Voice 已经听过三个母语语音。对于一个在中文中提供一百个、在英语中只提供五个语音的模型来说，这个样本太单薄了；而且随着更多语音被打分，第18名的位置会发生变化——至于朝哪个方向变化，目前无从得知。

而那个 tiny 检查点仍未被任何独立方测量。如果它真的获得一行结果，有趣的问题是：Ling V3 这个每 token 激活 1.3B 的混合专家模型，是能保持让 0.5B 模型与众不同的序列保真度优势，还是会用它来换取 Ant 自家表格所赋予它的说话人相似度。按厂商数字，tiny 是更好的克隆声音。而在现存的唯一独立数字中，0.5B 才是被测试过的那个，并且它通过了大多数人不会想到要去跑的那部分测试。