Ming-3.0-tts

Ming-3.0-tts är en familj öppna text-till-tal-modeller från inclusionAI, Ant Groups AI-forskning. Det finns två varianter: Ming-3.0-tts-0.5b, en tät modell med 0,5 miljarder parametrar byggd på Qwen2.5-0.5B, och Ming-3.0-tts-tiny, en mixture-of-experts-modell byggd på Ling V3 med 7,9 miljarder parametrar totalt varav 1,3 miljarder är aktiva. Båda använder samma upplägg: text och särskilda styrtokens matas in i en språkmodell som har ett DiT-huvud och en ljudtokeniserare.

Modellerna kan klona en röst från ett kort referensklipp, skapa en helt ny röst utifrån en beskrivning i text, och använda färdiga röster (över 100 kinesiska och fem engelska). Man kan styra framförandet med fria instruktioner, ungefär som en regissör, och ställa in känsla, tempo, tonhöjd och volym. Det finns 14 taggar som kan skrivas in i texten för ljud som skratt, suckar, hosta och andning. Modellerna talar kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, och kan även sichuanesiska och kantonesiska. Bara tiny-modellen kan göra poddar med flera talare utifrån ett manus.

Enligt inclusionAI hamnade 0.5b-modellen i oktober 2026 först bland öppna modeller på Artificial Analysis topplista för styrd röst och delad förstaplats totalt på uttalsrobusthet. Skaparna nämner själva svagheter: tiny är sämre på tonhöjdsstyrning och koreanska, och rollspelsliknande röstdesign är en känd brist. Vikterna finns under MIT-licens på Hugging Face och ModelScope, och koden för att köra dem ligger på GitHub. En teknisk rapport är utlovad men inte publicerad än.

inclusionAI skriver att röstkloning och de inbyggda rösterna är till för forskning och legitimt kreativt bruk, och inte får användas för att utge sig för att vara en verklig person utan samtycke.