Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
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.
Descrivi a parole una voce e un modello vocale che sta su una macchina locale può generarla. È la scommessa alla base di Ming-3.0-tts, rilasciato dal team inclusionAI di Ant Group: due modelli vocali aperti, con codice, pesi e tabelle di valutazione pubblicati su GitHub, Hugging Face e ModelScope sotto licenza 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 famiglia comprende due membri. Ming-3.0-tts-0.5b è un modello denso di circa mezzo miliardo di parametri. Ming-3.0-tts-tiny è un modello mixture-of-experts, un'architettura in cui solo una parte della rete lavora su ciascun frammento di testo: ha 7,9 miliardi di parametri in totale, di cui 1,3 miliardi attivi per token. Entrambi condividono un'unica struttura. Il testo e i token di controllo specifici per attività guidano un modello linguistico, che a sua volta pilota una testa DiT (diffusion transformer) e un tokenizer audio, il componente che trasforma il suono generato in una sequenza compatta con cui il modello può lavorare.
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.
L'elenco delle funzionalità è ampio. L'utente può clonare una voce di riferimento, crearne una nuova a partire da una descrizione oppure scegliere tra oltre 100 voci cinesi integrate e cinque inglesi. Lo stile di esecuzione può essere guidato con istruzioni in linguaggio naturale, mentre emozione, velocità, intonazione e volume si possono impostare direttamente. Quattordici tag inline inseriscono risate, sospiri e altri suoni vocali in cinese o in inglese. Le lingue supportate sono cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, più sichuanese e cantonese. Il modello tiny aggiunge la generazione di dialoghi a più parlanti a partire da un copione e da riferimenti vocali, pensata per audio lunghi in stile podcast. Il team sottolinea che queste capacità funzionano come modalità di attività separate, non come combinazioni arbitrarie.
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.
I risultati principali provengono dal repository del progetto stesso. Ming-3.0-tts si è classificato primo tra i modelli a pesi aperti nella classifica Artificial Analysis Controlled Voice e primo in assoluto in Pronunciation Robustness, con il 93,2% delle porzioni evidenziate giudicate pronunciate correttamente. Nei benchmark aperti, il team riferisce risultati allo stato dell'arte tra i modelli open source elencati su tutte e sei le metriche paralinguistiche NVBench a tag singolo, cioè i suoni che vanno oltre le parole, come risate o sospiri, insieme a due punteggi specifici per lingua. Il team avverte però che queste classifiche cambieranno man mano che verranno aggiunti nuovi modelli.
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.
Il README è in alcuni punti meno lusinghiero, e questo conta per chi vuole usare i modelli. La somiglianza del parlante nelle lingue aggiunte di recente resta in gran parte fuori dai primi tre posti. Il controllo dell'intonazione è l'attributo meno accurato. Il tasso di errore del modello tiny in coreano è molto più alto di quello del modello più piccolo, e la qualità audio dei podcast resta inferiore a una precedente versione di Ming-omni-tts. L'accuratezza emotiva cala quando il testo non contiene di per sé un indizio emotivo.
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.
Per sviluppatori e piccoli team il cambiamento è che la generazione vocale può girare su hardware sotto il proprio controllo, con una licenza permissiva e senza un servizio a pagamento di mezzo. La roadmap indica come prossimi passi l'inferenza accelerata con vLLM-Omni e un rapporto tecnico; nessuno dei due è ancora descritto come disponibile. Il progetto chiede agli utenti di non clonare la voce di persone reali senza consenso e di segnalare il parlato sintetico quando potrebbe essere scambiato per una registrazione reale.