Ant Group inclusionAI, Ming-3.0-tts ses sentezi modellerini MIT lisansıyla açtı

Ant Group’a bağlı inclusionAI ekibi, çok dilli ve serbest biçimli kontrol sunan metinden konuşmaya (TTS) model ailesi Ming-3.0-tts‘i GitHub’da yayınladı. Depo MIT lisansı taşıyor; model ağırlıkları Hugging Face ve ModelScope üzerinden indirilebiliyor. Depoda çıkarım kodu, görev odaklı bir “cookbook” ve değerlendirme tabloları da yer alıyor.

İki model: 0.5b ve tiny

• Ming-3.0-tts-0.5b: 0,5 milyar parametreli yoğun (dense) model.
• Ming-3.0-tts-tiny: Ling V3 üzerine kurulu MoE model; toplam 7,9 milyar, aktif 1,3 milyar parametre.

İki model de aynı üretim çerçevesini paylaşıyor: metin ve göreve özel kontrol token’ları, DiT yama başlığı ve bir ses tokenizer’ı ile birlikte çalışan bir dil modelini koşullandırıyor. Her sürüm paketi omurga, DiT başlığı, ses tokenizer’ı, konuşmacı kodlayıcısı ve metin tokenizer’ını birlikte içeriyor. Ekip 0.5b ortamını NVIDIA H800-80GB ve H20-96G üzerinde test ettiğini, tiny için ise H800 önerdiğini belirtiyor.

Öne çıkan yetenekler

• Ses oluşturma: Referans bir sesi klonlama, metinden ses tasarlama veya 100’ü aşkın Çince ve beş İngilizce hazır sesten seçme.
• Serbest biçimli kontrol: Konuşmanın nasıl seslendirileceğini doğal dil talimatlarıyla yönlendirme.
• Paralinguistik kontrol: Gülme, iç çekme gibi ses ifadeleri için Çince veya İngilizce metne 14 satır içi etiket ekleme.
• Diller ve lehçeler: Çince, İngilizce, Almanca, İspanyolca, Fransızca, Korece ve Japoncanın yanı sıra Sichuan lehçesi ve Kantonca.
• Duygu ve nitelikler: Duygu kontrolü; hız, perde ve ses yüksekliği ayarı.
• Çok konuşmacılı diyalog: Senaryo ve konuşmacı referanslarından sohbet/podcast üretimi (yalnızca tiny).

Ekip, yeteneklerin keyfi kombinasyonlar yerine ayrı görev modları olarak çalıştığını vurguluyor.

Artificial Analysis sıralamaları

Depoya göre Ming-3.0-tts, Ekim 2026 itibarıyla bağımsız Artificial Analysis TTS sıralamalarında Controlled Voice kategorisinde açık ağırlıklı modeller arasında birinci (genelde 13.), Pronunciation Robustness (telaffuz sağlamlığı) kategorisinde %93,2 ile genel sıralamada birinci ve Provider Voice kategorisinde açık modeller arasında üçüncü (genelde 17.) sırada. Telaffuz kategorisinde kısaltma açma (%96,5) ve dizileri aynen koruma (%90,6) alt başlıklarında da birinci olduğu belirtiliyor.

Ekibin kabul ettiği sınırlamalar

README, modelin zayıf kaldığı noktaları da açıkça listeliyor: Almanca dışındaki yeni dillerde konuşmacı benzerliği ilk üçe giremiyor; tek cümlede çok sayıda etiket olduğunda kararlılık hâlâ gelişiyor; kelimeler duygusal ipucu taşımadığında duygu doğruluğu belirgin biçimde düşüyor. Tiny modelde perde kontrolü (%78,70) ve Korece doğruluğu (CER %6,0) 0.5b’nin gerisinde; podcast ses kalitesinde (UTMOS 2,12) de rakip ZipVoice-Dia’nın arkasında kalıyor. Yol haritasında vLLM-Omni hızlandırmalı çıkarım ve teknik rapor henüz tamamlanmamış adımlar olarak görünüyor.

Kaynak: GitHub: inclusionAI/Ming-3.0-tts