Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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.
Décrivez une voix en texte brut, et un modèle de synthèse vocale suffisamment petit pour tenir sur une machine locale peut la produire. C'est le pari de Ming-3.0-tts, publié par l'équipe inclusionAI d'Ant Group : deux modèles vocaux ouverts, avec code, poids et tableaux d'évaluation publiés sur GitHub, Hugging Face et ModelScope, sous licence 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 famille compte deux membres. Ming-3.0-tts-0.5b est un modèle dense d'environ un demi-milliard de paramètres. Ming-3.0-tts-tiny est un modèle à mélange d'experts, une architecture où seule une partie du réseau traite chaque fragment de texte : il comporte 7,9 milliards de paramètres au total, dont 1,3 milliard sont actifs par jeton. Les deux partagent un même cadre. Le texte et des jetons de contrôle propres à chaque tâche pilotent un modèle de langage, lequel guide une tête de patch DiT (transformeur à diffusion) et un tokenizer audio, le composant qui convertit le son généré en une séquence compacte que le modèle peut manipuler.
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 liste des fonctionnalités est large. Un utilisateur peut cloner une voix de référence, en concevoir une nouvelle à partir d'une description, ou choisir parmi plus de 100 voix chinoises intégrées et cinq voix anglaises. Le ton peut être orienté par des instructions en langage naturel, et l'émotion, la vitesse, la hauteur et le volume se règlent directement. Quatorze balises en ligne insèrent rires, soupirs et autres sons vocaux, en chinois ou en anglais. Les langues prises en charge sont le chinois, l'anglais, l'allemand, l'espagnol, le français, le coréen et le japonais, ainsi que le sichuanais et le cantonais. Le modèle tiny ajoute la génération de dialogues à plusieurs locuteurs à partir d'un script et de références de voix, destinée aux contenus longs de type podcast. L'équipe insiste sur le fait que ces capacités fonctionnent comme des modes de tâche distincts, et non comme des combinaisons libres.
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.
Les principaux résultats proviennent du dépôt du projet lui-même. Ming-3.0-tts s'est classé premier parmi les modèles à poids ouverts sur le classement Artificial Analysis Controlled Voice, et premier au global sur Pronunciation Robustness, avec 93,2 % des portions mises en évidence jugées correctement prononcées. Sur des benchmarks ouverts, l'équipe revendique des résultats à l'état de l'art parmi les modèles open source listés sur les six métriques paralinguistiques à balise unique de NVBench, c'est-à-dire les sons qui vont au-delà des mots, comme les rires ou les soupirs, ainsi que sur deux scores propres à certaines langues. L'équipe elle-même prévient que ces classements évolueront à mesure que de nouveaux modèles seront ajoutés.
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.
Le README est moins flatteur sur certains points, et cela compte pour quiconque veut utiliser ces modèles. La similarité de locuteur dans les langues nouvellement ajoutées ne figure souvent pas dans le top 3. Le contrôle de la hauteur est l'attribut le moins précis. Le taux d'erreur en coréen du modèle tiny est nettement moins bon que celui du plus petit modèle, et la qualité audio des podcasts reste inférieure à celle d'une version antérieure, Ming-omni-tts. La précision émotionnelle baisse lorsque le texte ne porte pas de signal émotionnel propre.
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.
Pour les développeurs et les petites équipes, le changement tient à ceci : la génération de voix peut tourner sur un matériel qu'ils contrôlent, sous une licence permissive, sans service payant dans la chaîne. La feuille de route prévoit une inférence accélérée vLLM-Omni et un rapport technique comme prochaines étapes ; aucun des deux n'est présenté comme livré pour l'instant. Le projet demande aux utilisateurs de ne pas cloner la voix de personnes réelles sans leur consentement, et de signaler la parole synthétique lorsqu'elle pourrait être prise pour un enregistrement réel.