As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
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.
Escreva uma descrição em texto simples de uma voz, e um modelo de voz que cabe numa máquina local pode produzi-la. É essa a aposta do Ming-3.0-tts, lançado pela equipa inclusionAI da Ant Group: dois modelos de voz abertos, com código, pesos e tabelas de avaliação publicados no GitHub, Hugging Face e ModelScope sob a licença 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.
A família tem dois membros. O Ming-3.0-tts-0.5b é um modelo denso com cerca de 500 milhões de parâmetros. O Ming-3.0-tts-tiny é um modelo de mistura de especialistas, uma arquitetura em que apenas uma parte da rede trabalha sobre cada fragmento de texto: tem 7,9 mil milhões de parâmetros no total, dos quais 1,3 mil milhões estão ativos por token. Ambos partilham a mesma estrutura. Texto e tokens de controlo específicos de cada tarefa alimentam um modelo de linguagem, que orienta uma cabeça de patches DiT (transformador de difusão) e um tokenizador de áudio, o componente que transforma o som gerado numa sequência compacta com que o modelo consegue trabalhar.
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.
A lista de funcionalidades é ampla. O utilizador pode clonar uma voz de referência, criar uma nova a partir de uma descrição, ou escolher entre mais de 100 vozes chinesas incorporadas e cinco vozes em inglês. A forma de declamar pode ser orientada com instruções em linguagem natural, e a emoção, a velocidade, a entoação e o volume podem ser definidos diretamente. Catorze etiquetas inline inserem risos, suspiros e outros sons vocais em chinês ou em inglês. As línguas suportadas são chinês, inglês, alemão, espanhol, francês, coreano e japonês, além do sichuanês e do cantonês. O modelo tiny acrescenta diálogo com vários falantes gerado a partir de um guião e de referências de falantes, pensado para áudio de longa duração, em estilo podcast. A equipa sublinha que estas capacidades funcionam como modos de tarefa separados, e não como combinações arbitrárias.
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.
Os resultados em destaque provêm do repositório do próprio projeto. O Ming-3.0-tts ficou em primeiro lugar entre os modelos de pesos abertos no ranking Controlled Voice da Artificial Analysis, e em primeiro lugar no conjunto em Pronunciation Robustness, com 93,2 % dos trechos destacados considerados corretamente pronunciados. Em benchmarks abertos, a equipa reivindica resultados de estado da arte entre os modelos de código aberto listados em todas as seis métricas NVBench de etiqueta única para paralinguística, isto é, os sons para lá das palavras, como risos ou suspiros, além de duas pontuações específicas por língua. A própria equipa avisa que estes rankings mudam à medida que forem acrescentados novos 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.
O README é menos lisonjeiro em alguns pontos, e isso importa para quem queira usar os modelos. A semelhança do falante nas línguas recém-acrescentadas fica, na maioria dos casos, fora do top três. O controlo da entoação é o atributo menos preciso. A taxa de erro em coreano do modelo tiny fica muito atrás do modelo mais pequeno, e a qualidade do áudio tipo podcast continua abaixo de uma versão anterior, o Ming-omni-tts. A precisão emocional cai quando o texto não traz pistas emocionais próprias.
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 programadores e pequenas equipas, a novidade é que a geração de voz pode correr em hardware que controlam, sob uma licença permissiva, sem um serviço pago pelo meio. O roteiro indica a inferência acelerada com vLLM-Omni e um relatório técnico como próximos passos; nenhum é apresentado como já concluído. O projeto pede aos utilizadores que não cloném vozes de pessoas reais sem consentimento e que identifiquem a fala sintética sempre que possa ser confundida com uma gravação real.