Ming-3.0-tts: 0,5-Milliarden-Sprachmodell unter MIT-Lizenz auf Spitzenplatz

Worum es geht

Ants Team inclusionAI hat die Sprachfamilie Ming-3.0 am 20. Oktober 2026 unter MIT-Lizenz veröffentlicht, mit Gewichten auf Hugging Face und ModelScope und Inferenzcode in einem separaten GitHub-Repository. Die Familie umfasst fünf Modelle in drei Linien: Sprachsynthese (TTS), Audioverständnis und Dialog sowie Spracherkennung. Im Mittelpunkt steht Ming-3.0-tts-0.5B, das trotz kleiner Größe in einer unabhängigen Rangliste ganz oben mitspielt. Die Quelle ist ein Blogbeitrag des Router-Anbieters OrcaRouter, der selbst eigene Produkte erwähnt; die Einordnung ist deshalb nicht ganz neutral.

Die zwei TTS-Modelle

Ming-3.0-tts-0.5B: ein dichtes Modell (alle Parameter immer aktiv) auf Qwen2.5-0.5B-Basis mit DiT-Patch-Head (Diffusions-Baustein für Audiodetails), Audio-Tokenizer, Sprecher-Encoder und Text-Tokenizer. Etwa 2,96 GB Safetensors-Dateien. Dieses Modell wurde unabhängig gemessen.
Ming-3.0-tts-tiny: ein Mixture-of-Experts-Modell (pro Wort wird nur ein Teil der Experten genutzt) auf Ants Ling-V3-Basis mit 7,9 Mrd. Parametern insgesamt, rund 1,3 Mrd. aktiv, etwa 18 GB in 30 Dateien. Es ergänzt Mehrsprecher-Podcasts. „Tiny“ bezieht sich auf die Laufzeitkosten, nicht auf den Download.

Die 0,5B-Gewichte lagen laut Quelle schon vor der Ankündigung auf Hugging Face; neu waren der GitHub-Code, die koordinierte Ankündigung und die unabhängigen Benchmarks.

Messwerte

Artificial Analysis hat das 0,5B-Modell im Oktober 2026 getestet (menschlich bewertet, nicht Ants eigene Tabellen):

Rangliste	Ergebnis	Platz
Pronunciation Robustness	93,2 %	geteilt Platz 1
Controlled Voice (geklonte Stimmen)	1.069 Elo	1. unter Open-Weight, ca. 13. gesamt
Provider Voice (eigene Stimmen)	1.188 Elo	3. unter Open-Weight, ca. 18. gesamt

Elo ist ein Wertungssystem aus Paarvergleichen. Das Modell ist beim Klonen einer Stimme deutlich stärker als mit seinen eigenen Stimmen. Der Grund: Der Katalog enthält über 100 chinesische, aber nur fünf englische Stimmen. Außerdem liegt es bei einzelnen Begriffen wie Markennamen, Ortsnamen oder Eigennamen nur auf Platz 21 von 31. Wer „Kubernetes“ oder Kundennamen vertonen will, sollte das vorher testen.

Was du zum Ausprobieren brauchst

Die 0,5B-Gewichte (rund 3 GB) passen in BF16 problemlos auf eine einzelne 24-GB-Consumer-Karte, auch mit Audio-Tokenizer und mehreren parallelen Anfragen; getestet wurde auf H800-80GB und H20-96G, nötig sind solche Karten nicht. Die kleinere Variante läuft vermutlich auch auf weniger VRAM, das ist aber nicht belegt. Das tiny-MoE braucht mehr Speicher und laut Repo eine eigene Umgebung. Voraussetzungen: CUDA 12.4, PyTorch, optional flash-attn (Rückfall auf PyTorch SDPA) und pynini für die FST-Textnormalisierung (außer man schaltet sie ab). pynini macht auf neuen Python-Versionen oft Installationsprobleme. Mac, CPU oder Colab werden in der Quelle nicht erwähnt. Auf Hugging Face gibt es keinen gehosteten Inference-Provider.

Lizenz und Betrieb

Beide Checkpoints stehen unter MIT: ohne Gate, ohne Nutzungsklausel, Feintuning auch mit eigenen Stimmdaten und Weiterverbreitung in Produkten erlaubt. Zum Vergleich nennt die Quelle Sesames CSM-1B (Apache-2.0, aber hinter Zustimmung, und nicht die Demo-Stimme) und Qwen-Audio-3.0-TTS (nur API, 48 kHz, ohne Gewichte). Ming gibt 44,1 kHz aus, mehr als die oft üblichen 24 kHz.

Die Hugging-Face-Repos liefern nur Checkpoints; die Inferenz erfordert das GitHub-Repo, dessen Code laut Quelle forschungsnah ist. In China bietet Ant eine API über Ling Studio und setzt die Familie intern in Alipay-Suche, der Gesundheits-App Afu und Büro-Tools ein. International gibt es keinen gehosteten Endpunkt.

Einordnung

Für Teams mit eigener GPU verschiebt sich die Rechnung von Pro-Zeichen-Gebühren hin zu festen GPU-Kosten; wo die Grenze liegt, hängt von Auslastung und Preis ab. Offen ist vieles: Es gibt noch keinen technischen Bericht, also bleibt unklar, ob die Effizienz an der Architektur oder an sehr guten Trainingsdaten liegt. vLLM-Omni-Unterstützung steht nur auf der Roadmap. Deutsch wird in der Quelle nicht erwähnt, die Messungen beziehen sich auf Englisch. Die Aussage „Podium“ gilt nur für die Aussprache-Rangliste; bei eigenen Stimmen ist es ein gutes Ergebnis für die Größe, aber kein Spitzenplatz. Die OrcaRouter-Passage zu Fallbacks ist Eigenwerbung.