Ming-3.0-tts 登上發音競技場榜首，而它首度亮相的其他部分更有看頭

在 93.2% 這個數字上，Ming-3.0-tts 與 Fish Audio Drama 3 Preview 只相差百分之一個百分點——螞蟻集團的模型在 1,800 個片段中有 1,677 個正確，Fish Audio 的模型則在 1,916 個中有 1,785 個——除了小數位之外，這在任何意義上都是平手。兩者都高於 Eleven v4 的 91.7%，而這個數字是多數人會引用的。這場平手是真實的，也值得如實報導，但它是榜單上最不具資訊價值的一件事。Ming-3.0-tts 本週值得一篇報導，並不是因為它登上 Artificial Analysis「英語發音穩健性」排行榜第一名。而是因為這個模型終於出現在榜單上，而且總分底下的四項子分數說出了總分無法表達的事。像這次發布這類產品背後有紀錄的 AI 失誤與代理事件，都收錄在 OrcaRouter AI Incident Archive，其中每筆紀錄都附有自己的來源、嚴重程度、信心等級與爭議標記。

這些子分數相當失衡。Ming-3.0-tts 在「保留精確序列」上以 90.6% 領先全部 31 個受測系統，在「展開縮寫」上則以 96.5% 領先。它在「獨立詞語」上以 88.5% 在 31 個系統中排名第 21，而這正是多數聽眾會稱作「名字唸錯」的類別。單一總分掩蓋了一個模型：它讀 .env.local 和「第十七章」比榜上任何其他系統都好，卻比 Gemini 或 ElevenLabs 系統更常在普通專有名詞上出錯。這算不算勝出，完全取決於你的文字由什麼組成。

實際上改變了什麼，什麼又沒有改變

Ant Group 本週並未推出這個模型，任何文章都不應假裝事實並非如此。這些儲存庫中的時間軸是公開的，而且略顯尷尬：

• Hugging Face 上 Ming-3.0-tts-0.5B 與 Ming-3.0-tts-tiny 的儲存庫建立於 2026 年 9 月 22 日，並附有一張佔位卡片。

• 0.5B 檢查點——2.96 GB 的 safetensors，採 MIT 授權——已於 9 月 24 日上線。

• 內含推論程式碼、任務手冊與範例腳本的 GitHub 儲存庫於 10 月 19 日出現，而這一天也正是 Ant 的 README 標示為發布月份的日期，以及 Artificial Analysis 在其模型列上標註的日期。

所以權重已經是四週前的東西，而可用的正式版本才剛推出一日。10 月 19 日真正改變的，並不是某個模型發布了，而是推論程式碼跟著釋出，且獨立的量測結果也同時到位。在那個日期之前，只有一個檢查點，既沒有公開的執行方式，也沒有任何第三方數字附在其上；任何人想寫相關內容，都只能引用螞蟻自家的表格。

這項區別會影響你如何解讀 93.2%。Artificial Analysis 運行自己的測試框架，並有自己的真人評審；這些並非重現 Ant 的評估。評估日期與樣本數列在榜單上，信賴區間已公布，評審的注意力檢查也在方法論中說明。這是 Ant 以外的人首次為這個模型給出數字，而這個數字恰好不錯。

三塊板，三種不同答案

Artificial Analysis 經營的不只一個語音轉文字排行榜，而 Ming-3.0-tts 並非在所有榜單上都獨占鰲頭。這些榜單之間的差異相當大，因此只引用對該模型最有利的那一個，本身就是一種誤導。

• 受控語音（Controlled Voice）中，每個系統都複製相同的八個參考語音（四個美國、四個英國），且只比較合成——Ming-3.0-tts 得分 1,068 Elo，在開放權重模型中排名第一，總排名第 12。Fish Audio Drama 3 Preview 以 1,059 分在開放權重中排名第二。

• Provider Voice，每個系統使用各自的原生語音——Ming-3.0-tts 得分 1,188 Elo，總排名第 18，在開源權重模型中排名第三，落後於 Fish Audio Drama 3 Preview 的 1,247 與 Breeze TTS 2 的 1,221。Eleven v4 Turbo 以 1,330 領先整個排行榜。

• 發音穩健性（英語，人工評測）—— Ming-3.0-tts 以 93.2% 位居總體第一，以些微優勢領先同為 93.2% 的 Fish Audio Drama 3 Preview，並領先 91.7% 的 Eleven v4。

模式相當一致：一旦聲音不再保持固定不變，Ming-3.0-tts 便落居下風。這正是克隆能力強於其內建音色集的模型所具有的特徵——而這恰恰是沒有託管音色目錄的檢查點應有的樣貌。Ant 內建超過 100 種中文音色與五種英文音色；其中三種英文音色正是 Provider Voice 榜單實際聽到的，相較於 ElevenLabs 與 Cartesia 精心製作的音色目錄。在克隆音色上，競爭環境趨於公平，模型排名上升五位。

{{1}}另外請注意，這些數字已經與 Ant 自己的 README 有所出入。{{2}}儲存庫表格{{/2}}顯示 {{3}}1,069 個 Controlled、總排名第 13{{/3}}，以及 {{4}}1,188 個 Provider、總排名第 17{{/4}}。{{5}}今日看板{{/5}}顯示 {{6}}1,068 與第 12 名{{/6}}，以及 {{7}}1,187.8 與第 18 名{{/7}}。投票不斷湧入；{{8}}排名持續變動{{/8}}。任何引用這些數字的人都應{{9}}註明日期{{/9}}。{{/1}}

93.2 是兩勝兩負

發音穩健性不是單一測試。Artificial Analysis 將其分為四個類別，每個類別各有自己的分母，而這項拆分正是這款模型變得清晰可讀的地方。

• 保留精確序列 — 代碼、檔案路徑、電子郵件地址、識別碼。Ming-3.0-tts 得分 90.6%，在 31 個中排名第一，次佳為 Fish Audio Drama 3 Preview 的 86.3%，Eleven v4 則為 78.8%。這個類別決定客服機器人能否正確讀出訂單編號，而差距並不小。

• 擴展縮寫 — 數字、日期、單位與符號標記。Ming-3.0-tts 得分 96.5%，在 31 個模型中排名第一，領先於得分 94.1% 的 Eleven v4 與得分 93.6% 的 Fish Audio Drama 3 Preview。

• 符合語境——像「a wound that is bandaged」對比「a bandage that is wound」這樣的同形異音詞。Ming-3.0-tts 得分 91.0%，在 31 個中排名第 13。Gemini 3.8 Flash T​TS 以 98.0% 領先。

• 獨立術語 — 品牌、地名與技術名稱。Ming-3.0-tts 得分 88.5%，在 31 個中排名第 21。Fish Audio Drama 3 Preview 以 95.9% 領先。

一個總分並列第一、卻在其中一個組成項目排名第 21 的彙總結果並不是悖論；它勝出的兩個類別擁有最大的分母（1,800 個受評 span 中有 1,084 個是縮寫與序列案例）。Ant 自己的 README 正是倚重這兩項勝利，特別點出 Expanding Shorthand 達 96.5%、Preserving Exact Sequences 達 90.6%，而獨立執行也證實了這兩項。它只是沒有提到第 21 名，而這正是語音代理團隊在部署必須說出客戶姓氏的模型之前應該查看的那一列。

第 21 名同時也是對 Ant 模型卡中某個細節最合理的解釋：英文語音集只有五種聲音，中文卻有 100 多種。英文專有名詞的覆蓋率說到底是資料問題，而非建模問題；而術語發音的那個數字，正是有人實際測量時，這道落差所呈現的模樣。

家族中不在董事會裡的那一半

Ming-3.0-tts-tiny 是建構在 Ling V3 骨幹上的 7.9B 總參數、1.3B 活躍參數混合專家變體，在這些排行榜上都沒有任何一列。標示為 Ming-3.0-tts 的競技場條目連到 0.5B 檢查點，而上述每個數字都屬於該檢查點。Tiny 公布的結果是 Ant 自家的——中文詞錯誤率 0.820%、說話者相似度 0.781，德語 0.325%、西班牙語 0.971%、韓語 6.000%——而且沒有任何獨立第三方重現過。請把它們視為廠商宣稱；令人尷尬的韓語數字至少是證據，證明 Ant 公布的是完整表格，而不是精選亮眼成績。

在 Ant 的測試框架上，有一個地方讓 tiny 看起來確實領先它的同系列模型：多講者 Podcast 生成，而這點是 0.5B 模型完全做不到的。那是產品能力，而不是基準測試上的優勢，而且它並不在競技場上。

執行它，以及這麼做的代價

0.5B 檢查點是 2.96 GB 的下載檔——包含主幹、DiT patch head、音訊 tokenizer、說話者編碼器與文字 tokenizer——以 MIT 授權，輸出 44.1 kHz 音訊。Ant 在 H800-80GB 與 H20-96G 上以 PyTorch 2.6、CUDA 12.4 和 transformers 4.46.3 進行測試，且該儲存庫包含 Dockerfile。推論可透過 infer.py 或 MingTTS Python 類別進行；Hugging Face 儲存庫僅供檢查點散布，無法自行執行。

Artificial Analysis 測得託管的 Ant 端點在生成時間內每秒可產生 44.3 個字元，生成時間中位數為 2.56 秒。作為規模參考：一百萬個字元的完成旁白，在該配置上大約需要 6.3 小時的純生成時間，還不包括模型載入或排隊時間。由於沒有託管的商業端點，因此未列出價格；你購買的是 GPU 時數，而不是字元數。

這正是路由層真正有用、又不必假裝託管模型的地方。OrcaRouter 並未提供 Ming-3.0-tts——型錄中完全沒有 Ming 語音模型——要使用該模型，必須複製儲存庫並自行執行。我們確實提供的是同一條管線中的文字部分：超過 200 個模型，透過單一金鑰即可使用，價格為供應商定價且不加價，供應商之間的自動容錯移轉，以及用來組合這些模型的路由 DSL。如果你正在建置旁白或代理管線，負責撰寫腳本的模型是你今天就能整合的部分；語音模型則是你必須自行託管的部分。

從這裡要關注什麼

有三件事會改變這個局面，而它們都還沒發生。

Ant 的路線圖仍將技術報告列為未勾選。在它發布之前，架構描述只有一段文字和一張圖，而評估表是關於模型行為的唯一詳細證據。一份報告也能說明術語發音的落差，而這目前僅是假設。

Provider Voice 目前只聽過三種母語語音。對一個中文出貨一百種、英文出貨五種的模型來說，這是個單薄的樣本；而且隨著更多語音被評分，第 18 名的位置還會變動——至於往哪個方向移動，從這裡無從得知。

而那個 tiny 檢查點仍未被任何獨立方量測。如果它真的被列上一行，有趣的問題會是：每個 token 啟用 1.3B 的 Ling V3 混合專家模型，究竟保留了讓 0.5B 模型與眾不同的序列保真度優勢，還是拿它去換取 Ant 自家表格所賦予的說話者相似度。就廠商數據而言，tiny 是更好的克隆聲音。就現有唯一的獨立數據而言，受測的是 0.5B，而且它通過了大多數人不會想到要跑的那部分測試。