Ant Groupdagi inclusionAI jamoasi Ming-3.0-tts — nutq yaratish uchun modellarning oilasini ochiq foydalanishga taqdim etdi. Ushbu modellar maqsadi lokal joylashtirish uchun yetarli darajada ixcham boʻlgan modellar ichida ovoz ustidan batafsil nazoratni taʼminlashdir. Kod, vazifalar qoʻllanmasi va baholash jadvallari GitHubda mavjud, ammo ogʻirliklar Hugging Face va ModelScope da joylashgan boʻlib, barcha materiallar MIT litsenziyasi ostida tarqatiladi.
Bu chiqarish ikkita modelni oʻz ichiga oladi. Ming-3.0-tts-0.5b taxminan yarim milliard parametrli zich model hisoblanadi. Ming-3.0-tts-tiny esa Antning Ling V3 arxitekturasi asosida qurilgan mixture-of-experts turidagi model boʻlib, uning umumiy hajmi 7,9 milliard parametrni tashkil etadi, bunda har bir token uchun 1,3 milliard faol parametr ishlaydi. Ikkala model ham yagona generativ tuzilmadan foydalanadi: til modeli, vazifaga xos boshqaruv tokenlari va matn tomonidan boshqariladi, u DiT patch-boshi va audio-tokenizatorga taʼsir qiladi.
Ushbu modellar imkoniyatlari keng. Foydalanuvchilar referens ovozni klonlashlari, matn tavsifiga asoslanib yangi ovoz yaratishlari yoki 100 dan ortiq oʻrnatilgan xitoycha ovozlar va beshta inglizcha ovozdan tanlashi mumkin. Nutq berilishi tabiiy til koʻrsatmalari yordamida sozlanishi mumkin, shuningdek, hissiyot, tezlik, ohang balandligi va ovoz kabi parametrlarni bevosita sozlash mumkin. Oʻn toʻrt ta oʻrnatilgan teg xitoycha va ingliz tilida kulgi, nafas olish va boshqa vokal tovushlarni kiritish imkonini beradi. Modellar xitoycha, inglizcha, nemischa, ispancha, fransuzcha, koreyscha va yaponcha tillarini, shuningdek, Sichuanni va Kantoncha tillarini qoʻllab-quvvatlaydi.
Tiny modeli qoʻshimcha ravishda skript va ovoz namunalari boʻyicha yaratilgan koʻp gapli dialoglarni qoʻllab-quvvatlaydi, bu uzoq podkast uslubidagi audio yaratishga qaratilgan. Jamoa bu imkoniyatlar alohida vazifa rejimlari sifatida, tasodifiy kombinatsiyalar sifatida emas, ishlayotganini taʼkidlaydi.
Repositoriya maʼlumotlariga koʻra, Ming-3.0-tts Artificial Analysis Controlled Voice reytingidagi ochiq ogʻirlikdagi modellar orasida birinchi oʻrinni egalladi va talaffuz barqarorligi koʻrsatkichi boʻyicha umumiy reytingda birinchi oʻrinni egallab, 2026-yil oktyabr holatiga koʻra aniq talaffuz qilingan ajratilgan segmentlar boʻyicha 93,2% ga erishdi. Biroq, jamoa bu reytinglar yangi modellar qoʻshilishi bilan oʻzgarib borishini ogohlantiradi. Ochiq benchmarklarda model barcha oltita NVBench paralingvistik metrikasida roʻyxatdagi ochiq kodli modellar orasida ilgʻor natijalarni, 0.5b modeli uchun kantoncha asosiy toʻplamdagi xato chastotasi boʻyicha va tiny modeli uchun nemischa va ispancha soʻzlardagi xato chastotasi boʻyicha namoyish etadi.
README faylida ham zaif tomonlar samimiy ravishda koʻrsatilgan. Yangi qoʻshilgan tillardagi ovozlar oʻxshashligi asosan liderlar uchligiga kirmaydi, ohang balandligini nazorat qilish eng noaniq atribut hisoblanadi, koreyscha tiny modelining xato chastotasi kichikroq modeldan sezilarli darajada orqada qoladi, shuningdek, podkastlar uchun audio sifati hali Ming-omni-tts ning avvalgi chiqarilishidan pastroqdir. Yoʻl xaritada keyingi qadamlar sifatida tezlashtirilgan vLLM-Omni chiqarilishi va texnik hisobot koʻrsatilgan. Loyiha foydalanuvchilarni real odamlarning ovozlarini ruxsatsiz klonlamaslikka va sintezlangan nutqni haqiqiy yozuv deb qabul qilinishi mumkin boʻlgan joylarda belgilashga chaqiradi.