Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
Type a plain-text description of a voice, and a speech model that fits on a local machine can produce it. That is the bet behind Ming-3.0-tts, released by Ant Group's inclusionAI team: two open speech models, with code, weights and evaluation tables published on GitHub, Hugging Face and ModelScope under the MIT license.
Describa en texto plano una voz y un modelo de voz que cabe en un equipo local puede generarla. Esa es la apuesta detrás de Ming-3.0-tts, publicado por el equipo inclusionAI de Ant Group: dos modelos de voz abiertos, con código, pesos y tablas de evaluación publicados en GitHub, Hugging Face y ModelScope bajo la licencia MIT.
The family has two members. Ming-3.0-tts-0.5b is a dense model of about half a billion parameters. Ming-3.0-tts-tiny is a mixture-of-experts model, an architecture where only part of the network works on each piece of text: it has 7.9 billion parameters in total, of which 1.3 billion are active per token. Both share one framework. Text and task-specific control tokens drive a language model, which steers a DiT (diffusion transformer) patch head and an audio tokenizer, the component that turns the generated sound into a compact sequence the model can work with.
La familia tiene dos miembros. Ming-3.0-tts-0.5b es un modelo denso de unos 500 millones de parámetros. Ming-3.0-tts-tiny es un modelo de mezcla de expertos, una arquitectura en la que solo una parte de la red trabaja sobre cada fragmento de texto: tiene 7.900 millones de parámetros en total, de los cuales 1.300 millones están activos por token. Ambos comparten un mismo marco de trabajo. El texto y los tokens de control específicos de cada tarea alimentan un modelo de lenguaje, que dirige un cabezal de parches DiT (transformador de difusión) y un tokenizador de audio, el componente que convierte el sonido generado en una secuencia compacta con la que el modelo puede trabajar.
The feature list is wide. A user can clone a reference voice, design a new one from a description, or pick from more than 100 built-in Chinese voices and five English ones. Delivery can be steered with natural-language instructions, and emotion, speed, pitch and volume can be set directly. Fourteen inline tags insert laughter, sighs and other vocal sounds in Chinese or English. Supported languages are Chinese, English, German, Spanish, French, Korean and Japanese, plus Sichuanese and Cantonese. The tiny model adds multi-speaker dialogue generated from a script and speaker references, aimed at long-form, podcast-style audio. The team stresses that these capabilities run as separate task modes, not as arbitrary combinations.
La lista de funciones es amplia. El usuario puede clonar una voz de referencia, diseñar una nueva a partir de una descripción o elegir entre más de 100 voces chinas integradas y cinco en inglés. La forma de expresión puede dirigirse con instrucciones en lenguaje natural, y la emoción, la velocidad, el tono y el volumen pueden ajustarse directamente. Catorce etiquetas insertadas añaden risas, suspiros y otros sonidos vocales en chino o en inglés. Los idiomas admitidos son chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés. El modelo tiny añade diálogos con varios hablantes generados a partir de un guion y de referencias de voz, orientados al audio de larga duración, al estilo de los pódcast. El equipo subraya que estas capacidades funcionan como modos de tarea separados, no como combinaciones arbitrarias.
The headline results come from the project's own repository. Ming-3.0-tts ranked first among open-weights models on the Artificial Analysis Controlled Voice leaderboard, and first overall on Pronunciation Robustness, with 93.2% of highlighted spans judged correctly pronounced. On open benchmarks, the team reports state-of-the-art results among listed open-source models on all six NVBench single-tag paralinguistic metrics, the sounds beyond words such as laughter or sighs, along with two language-specific scores. The team itself warns that these rankings shift as new models are added.
Los resultados principales proceden del propio repositorio del proyecto. Ming-3.0-tts quedó primero entre los modelos de pesos abiertos en la clasificación Artificial Analysis Controlled Voice, y primero en general en Pronunciation Robustness, con 93,2 % de fragmentos destacados juzgados correctamente pronunciados. En los bancos de pruebas abiertos, el equipo afirma haber obtenido resultados de vanguardia entre los modelos de código abierto listados en las seis métricas paralingüísticas de etiqueta única de NVBench, es decir, los sonidos que van más allá de las palabras, como las risas o los suspiros, junto con dos puntuaciones específicas de idioma. El propio equipo advierte de que estas clasificaciones cambiarán a medida que se añadan nuevos modelos.
The README is less flattering in places, and that matters for anyone who wants to use the models. Speaker similarity in the newly added languages mostly misses the top three. Pitch control is the least accurate attribute. The tiny model's Korean error rate trails the smaller model by a wide margin, and podcast audio quality still sits below an earlier Ming-omni-tts release. Emotion accuracy drops when the text carries no emotional cue of its own.
El README es en algunos puntos menos favorable, y eso importa a quien quiera usar los modelos. La similitud de los hablantes en los idiomas recién añadidos suele quedar fuera del podio de los tres primeros. El control del tono es el atributo menos preciso. La tasa de error en coreano del modelo tiny queda muy por detrás del modelo más pequeño, y la calidad del audio de los pódcast sigue por debajo de una versión anterior de Ming-omni-tts. La precisión emocional baja cuando el texto no contiene por sí mismo una pista emocional.
For developers and small teams, the change is that voice generation can run on hardware they control, under a permissive license, without a paid service in the loop. The roadmap lists vLLM-Omni accelerated inference and a technical report as next steps; neither is described as delivered yet. The project asks users not to clone real people's voices without consent, and to label synthetic speech where it could be mistaken for a real recording.
Para desarrolladores y equipos pequeños, el cambio es que la generación de voz puede ejecutarse en hardware que controlan, con una licencia permisiva y sin un servicio de pago de por medio. La hoja de ruta incluye la inferencia acelerada con vLLM-Omni y un informe técnico como próximos pasos; ninguno de los dos se describe todavía como disponible. El proyecto pide a los usuarios que no clonen voces de personas reales sin su consentimiento y que etiqueten la voz sintética cuando pueda confundirse con una grabación real.