Ming-3.0-tts-tiny 擁有家族中最佳的克隆語音，並在韓語項目中獲得第六名

螞蟻集團全新語音系列中，說話者相似度最高分落在活躍參數量最少的模型身上。Ming-3.0-tts-tiny是一個 7.9B 的混合專家檢查點，每個 token 約啟用 1.3B 參數，在中文 Seed-TTS 測試集上取得 0.781 的說話者相似度——這是螞蟻公開表格中出現的最高數字，也高於自家較小同系列模型的 0.758。在韓語上，同一模型在螞蟻基準測試的八個系統中排名第六，字元錯誤率為 6.000%，而那個 0.5B 的同系列模型則達到 1.728%。這兩個數字出自同一套廠商測試框架、由同一組團隊、在同一天執行。兩者之間的落差，是這次發布中最有價值的資訊。像這次發布背後有據可查的 AI 失敗案例與代理事件，都收錄在the OrcaRouter AI Incident Archive，其中每一條紀錄都附有自己的來源、嚴重程度、信心等級與爭議標記。

這一切都沒有對外公告。該檢查點於 2026 年 9 月 24 日上傳到 Hugging Face，時間就在該儲存庫本身建立兩天後；推論程式碼、範例腳本與任務手冊直到 10 月 19 日才出現，當時 GitHub 儲存庫開放，其首次提交於 UTC 08:58 落地。截至撰寫本文時，Hugging Face 儲存庫有 20 次下載與 3 個讚，GitHub 儲存庫則有五顆星。因此，以下內容應視為對這些產物的解讀，而非關於某次發布的報導：這裡的一切都可以在儲存庫中查核，無法查核的部分則會標明。

韓國的結果可不是什麼四捨五入的誤差

Ant 的多語言表格將這個微型模型與另外七個系統在六種語言上進行比較。要看完整行，而不是只看標題。

• 德語 — 字元錯誤率 0.325%，在八者中排名第一，領先次佳的 0.612%。

• 西班牙語 — 0.971%，排名第一，第二名為 1.184%。

• 日語 — 3.427%，並列第二。

• 法語 — 3.470%，排名第二，但說話者相似度為 0.733，未能進入前三名；表格在其自身的限制說明部分中已如此指出。

• 韓語——6.000%，在八個語言中排名第六，也是唯一一個模型被某系統擊敗、而模型在其他所有語言上都勝過該系統的語言。

• 中文與英文——這是模型實際上主要建構所依據的兩種語言，也是其說話者相似度表現領先的兩種語言。

韓語的數字大約是 Ming-3.0-tts-0.5B 在同一語言上錯誤率的三倍半。Ant 並未解釋原因，模型卡也沒有推測。在不作臆測的前提下，能說的是結構性的問題：這是一個稀疏模型，而稀疏模型會讓 token 只經過一部分專家，因此在混合訓練中獲得較少訓練訊號的語言，其表現退化得可能比在總規模相近的稠密模型中更快。這是一個可能的機制，而不是一項發現，應被視為待驗證的假設，而非解釋。實務上的解讀更狹窄、也更站得住腳：如果你的產品包含韓語，在有人用真實韓語文本實測之前，這不是該採用的檢查點。

79 億個參數究竟去了哪裡

名稱號稱小巧；檔案大小卻不是這麼回事，而這段落差就出在架構上。

• 總參數量 — Hugging Face 中繼資料回報：BF16 為 8,980,964,372 個參數，另加 F32 的 40,096 個，而儲存庫約佔 18 GB。該發佈說明將此模型描述為 7.9B-A1.3B，意思是總計 79 億個參數、每個 token 約有 13 億個活躍參數。此描述已於 10 月 16 日在模型卡中更正，取代先前的措辭，因此請引用較新的版本。

• 主幹 — Ling V3，與 Ant 旗下較大型文字模型屬於同一系列，以混合專家（mixture of experts）方式運行，而非採用稠密堆疊。

{{1}}頭部{{/1}}——一個擴散變換器，將主幹的隱藏狀態轉換為音訊潛在表示，接著由獨立的音訊分詞器將其解碼為波形。

• 套件 — 這個檢查點將主幹、DiT 頭部、音訊分詞器、CAM++ 說話者編碼器和文字分詞器打包在同一個資料夾中。你下載的是一整套管線，而不是一個硬加裝轉接器的語言模型。

• 輸出與語音——與家族其他成員相同的大範圍控制介面：從短參考音檔進行零樣本複製、依自然語言描述設計語音、自由形式風格控制、100 多種內建中文語音與五種英文語音，以及 14 個行內副語言標籤，用於笑聲、嘆息、呼吸與猶豫，另加明確的情緒、速度、音高與音量設定。

• 語言 — 中文、英文、德文、西班牙文、法文、韓文及日文，並在提供該方言的參考音檔時，可支援四川話與粵語。

• 授權條款 — 權重與程式碼採用 MIT 授權，並附帶一則使用說明，請求您勿在未經同意的情況下冒充他人，並為合成音訊加上標示。該說明僅屬請求，並非授權條件。

古怪的結果是，「tiny」說的是每個 token 的運算量，而不是磁碟或 VRAM。你耗費 7.9B 模型的記憶體，卻換來 1.3B 模型的速度，這對批次合成來說是合理的取捨，對筆記型電腦則不然。Ant 自己的環境將 H800 列為建議顯示卡，而發布資訊中沒有任何內容暗示相反。

它贏得的五個欄位

本節的每一項數據都來自 Ant 本身，是在 Ant 的測試框架上、以 Ant 建議的推論設定測量而得，而模型卡是這些數據唯一存在的地方。這裡的標籤比平常更重要，因為這些數字日後在其他地方被引用時，不會連同這些標籤一起被引用。

• 說話者相似度，中文零樣本 — 0.781，為比較組中最佳，詞錯誤率為 0.820%。英文以 1.666% 的錯誤率達到 0.728 的相似度，同樣是其欄位中最佳的相似度。

• 副語言單一事件，NVBench——此模型在全部六個單一標籤類別中領先：中文 2.80 錯誤 / 17.23 相似度 / 3.20 分數，英文 5.86 / 32.95 / 7.05。在多事件句子上，它在英文欄以 5.12 / 46.13 / 7.68 領先，並在中文以 4.49 / 32.88 / 5.81 位居中段。

• 方言 — WSC-Eval-TTS 簡易集字元錯誤率 2.53%、相似度 0.721、準確率 86.09%；困難集 3.11%、0.738、88.94%。這兩項都是 Ant 表格中的首次紀錄。粵語在基礎集達到 7.40% / 0.605 / 92.90，在覆蓋集達到 8.67% / 0.653 / 95.16。

• 情緒 — 在中文 CV3 資料集上平均為 74.00%，在 CV3N 上為 30.67%，在兩個 Sad 子集上均排名第一，其他方面則表現平平。

• 語音設計 — 在 InstructTTSEval-ZH 上平均 75.37%，整體排名第二，其中屬性提示分數為 85.10、描述為 79.90、角色扮演為 61.10。角色扮演是弱項：排名第四，而模型卡也如此註明。

基本屬性表最不吸睛，但可能最有用：年齡 93%、性別 93%、音高 78.70%，平均 88.23%，字錯率 0.274%，相似度 0.742。音高是四項控制中最弱的一項，這與此類系統中其他所有系統所報告的結果一致。

Podcast 的編號才是真正該留意這件事的原因。

0.5B 模型無法進行多講者 podcast 生成。微型模型可以，而且在 Ant 的 podcast 表中，它是比較中內容準確度最佳的結果。

• Ming-3.0-tts-tiny — 2.03% 字元錯誤率、0.561 條件式說話者相似度、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.

在錯誤率上以些微差距排名第一，在相似度與自然度上則都排名第二，而自然度的落差才是值得注意的地方：ZipVoice-Dia 的 UTMOS 領先 0.12，準確度卻差了 1.36 分。這是實質的取捨，而非四捨五入造成的差異，也意味著這個微型模型下一步該改善的是對話韻律，而不是轉錄。一如本節其他內容，Ant 以外沒有人用它跑過播客並公布結果。

儲存庫未能確立的事項

在任何人將此納入產品之前，有四個缺口值得先點名。

這個檢查點沒有獨立評分。Artificial Analysis 確實在其語音競技場列出了 Ming-3.0-tts 條目——截至 10 月 19 日，在 Provider Voice 排行榜上為 1,188 Elo，在 Controlled Voice 上為 1,069——但該條目連結的是 0.5B 模型，而非這個模型。GitHub README 在結果章節重現了那些競技場數字，卻沒有作出這個區分，而這種細節在兩次轉發後就會變成錯誤主張。Ming-3.0-tts-tiny 沒有獨立的競技場結果、沒有測得的吞吐量，也沒有第三方詞錯誤率。

沒有技術報告。路線圖把它列為一個未勾選的方框，而到了 10 月 16 日，模型卡被特別編輯，以移除對技術報告的提及。這讓架構只停留在圖示和一段文字的程度：足以執行模型，但不足以重現訓練主張。

這裡沒有託管端點，也沒有價格。唯一能呼叫它的方式，就是配置一顆 GPU 並執行程式碼，這與拿它跟每字元費率相比是兩回事。

而且沒有意向聲明。二十次下載和三個讚不是品質的訊號——它們是沒有人被告知的訊號。沒有公告就意味著沒有支援承諾、沒有棄用政策，也沒有任何跡象顯示是否會推出託管服務。

如果你想的話，就執行它。

Hugging Face 儲存庫是一個 checkpoint 釋出包，而其模型卡明確表示推論需要 GitHub 專案。這就是十月 commit 比九月上傳更重要的原因。環境固定為 Python 3.10.15、PyTorch 與 torchaudio 2.7.1（搭配 CUDA 11.8），以及 transformers 4.46.3，並建議使用 H800；進入點是 infer_tiny.py，對接 ming_tiny.MingTinyTTS 類別，並使用名為 thinking_v1 的提示協定。釋出的預設值為無分類器引導尺度 2.0、溫度為零、十個 flow 步數、sigma 為 0.25，以及種子 1234——播客任務則為 1235——而且該儲存庫為每個任務提供個別腳本，而不是單一以旗標驅動的進入點。vLLM-Omni 支援已列入藍圖，但尚未驗證，因此目前沒有高吞吐量的服務路徑。

如果你是在為產品評估這項方案，合理的階段性做法，就跟評估任何未經證實的開放權重檢查點一樣：別讓它進入關鍵路徑，用你實際會上線的語言、拿自己的音訊來跑，然後再做決定。OrcaRouter 不會路由 Ming-3.0-tts-tiny，本文任何內容都不應被解讀為主張相反——其目錄中沒有任何 Ming 語音模型。它確實提供的是語音系統的其他部分：openai/tts-1、openai/tts-1-hd 與 openai/gpt-4o-mini-tts，再加上 Ge​mini TT​S 預覽版，以供應商定價提供，未額外加價，以及同一把金鑰背後的 200 多個文字模型，供流程中負責撰寫腳本或驅動代理的那一半使用。跨供應商的自動容錯移轉，能讓可託管的文字那一半持續運作，同時讓你決定自架的語音那一半是否值得佔有一席之地。

下一個真正的訊號不會是另一張廠商比較表。而是 Ant 以外的人用韓語跑這個，或在播客上跑，並公布哪裡出問題。在那出現之前，站得住腳的總結很狹窄：一個稀疏、MIT 授權、支援九種語言的語音模型，在同系列中擁有最佳的克隆語音分數、一個真正的多說話者播客結果、一個需要解釋的韓語欄位，以及一項尚未發生的公告。