Ming-3.0-tts ist eine Open-Source-Familie für Sprachsynthese von inclusionAI, dem KI-Team der Ant Group. Am 19. Oktober 2026 erschienen Inferenzcode, Modellgewichte und vollständige Evaluationstabellen gemeinsam unter der Organisation inclusionAI auf GitHub, unter MIT-Lizenz, mit Gewichten auch auf Hugging Face und ModelScope. Veröffentlicht wurden gleich zwei Modelle: eine dichte Variante mit 0,5 Milliarden Parametern und eine auf Ling V3 basierende Tiny-Version – eine Mixture-of-Experts-Architektur mit 7,9 Milliarden Gesamt- und 1,3 Milliarden aktiven Parametern.
Das Verkaufsargument ist nicht die Klangqualität, sondern der Vortrag
Diese Ming-Generation verlegt die Steuerung in den Text selbst: 14 paralinguistische Marker lassen sich direkt in den Text schreiben, um Lachen, Seufzen und andere Geräusche jenseits der Worte zu lenken; Anweisungen in natürlicher Sprache beschreiben den gewünschten Vortrag, oder eine Stilbeschreibung allein „entwirft" eine neue Stimme. Stimmen entstehen auf drei Wegen: Klonen einer Referenzaufnahme, Entwerfen per Text oder Auswahl aus über 100 eingebauten chinesischen und fünf englischen Stimmen. Die Sprachen umfassen Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch, dazu die Dialekte Sichuanesisch und Kantonesisch; podcastartige Dialoge mit mehreren Sprechern kann nur das Tiny-Modell.
Die Rangliste: Platz eins bei der Aussprache-Robustheit
In den vom Team veröffentlichten Artificial-Analysis-Ranglisten (Oktober 2026) belegt Ming-3.0-tts bei Controlled Voice den ersten Platz unter den Open-Weights-Modellen und bei Pronunciation Robustness mit 93,2 % Genauigkeit den ersten Platz insgesamt – auch in den Teilwertungen Expanding Shorthand (96,5 %) und Preserving Exact Sequences (90,6 %). Bei Provider Voice reicht es für Platz drei unter den offenen Modellen. Aussprache-Robustheit ist genau die Stelle, an der TTS im Produktiveinsatz stolpert: Eine falsch gelesene Zahl, Abkürzung oder ein Eigenname, und die Zuhörer verlieren das Vertrauen in den gesamten Clip. Dieser erste Platz zählt deshalb mehr als eine Klang-Trophäe.
Grenzen, die man vor dem Download kennen sollte
Die beiden Modelle teilen sich keine Laufzeitumgebung: Die 0,5B-Version wurde auf H800-80GB und H20-96G getestet, Tiny verlangt seine eigene Referenzumgebung (PyTorch 2.7.1 mit CUDA 11.8), und die Dokumentation schreibt getrennte Installationen vor. Auch lassen sich die Fähigkeiten nicht frei kombinieren – jeder Aufgabenmodus akzeptiert nur seine vorgegebenen Eingaben und weist Steuerungen anderer Modi zurück. Technischer Bericht und beschleunigte Inferenz per vLLM-Omni stehen noch auf der Roadmap; verfügbar sind heute Gewichte, Code und ein vollständiges Aufgaben-Kochbuch. Auf der offiziellen Demoseite liegen Hörproben zu jedem Modus bereit, sodass man vor dem Download anhören kann, ob sich die Gewichte lohnen.
