Ming-3.0-tts est une famille de modèles de synthèse vocale publiée en open source par inclusionAI, l'équipe IA du groupe Ant. Le 19 octobre 2026, le code d'inférence, les poids des modèles et les tableaux d'évaluation complets ont été publiés ensemble sous l'organisation inclusionAI sur GitHub, sous licence MIT, avec les poids également disponibles sur Hugging Face et ModelScope. Deux modèles sortent en même temps : une version dense de 0,5 milliard de paramètres et une version tiny fondée sur Ling V3 — une architecture MoE de 7,9 milliards de paramètres au total, dont 1,3 milliard actifs.
L'argument n'est pas la qualité sonore, c'est l'interprétation
Cette génération de Ming déplace le contrôle dans le texte lui-même : 14 balises paralinguistiques s'écrivent directement dans le texte pour diriger rires, soupirs et autres sons au-delà des mots ; des instructions en langage naturel décrivent l'interprétation souhaitée ; ou une simple description de style suffit à « concevoir » une voix nouvelle. Les voix s'obtiennent de trois façons : clonage d'un extrait de référence, conception par texte, ou choix parmi plus de 100 voix chinoises intégrées et cinq voix anglaises. Les langues couvrent le chinois, l'anglais, l'allemand, l'espagnol, le français, le coréen et le japonais, plus les dialectes sichuanais et cantonais ; la génération de dialogues façon podcast à plusieurs locuteurs est réservée au modèle tiny.
Le palmarès : premier toutes catégories en robustesse de prononciation
Dans les classements Artificial Analysis publiés par l'équipe (octobre 2026), Ming-3.0-tts arrive premier des modèles à poids ouverts sur Controlled Voice, et premier toutes catégories sur Pronunciation Robustness avec 93,2 % de justesse — en tête aussi des sous-métriques Expanding Shorthand (96,5 %) et Preserving Exact Sequences (90,6 %) — et troisième des modèles ouverts sur Provider Voice. La robustesse de prononciation est précisément le point où la synthèse vocale échoue en production : un chiffre, une abréviation ou un nom propre mal lu, et l'auditeur cesse de faire confiance à tout l'extrait. Cette première place vaut donc davantage qu'un trophée de qualité sonore.
Les limites à connaître avant de télécharger
Les deux modèles ne partagent pas le même environnement d'exécution : la version 0,5B a été testée sur H800-80GB et H20-96G, tandis que tiny exige son propre environnement de référence (PyTorch 2.7.1 avec CUDA 11.8), et la documentation impose des installations séparées. Les capacités ne se combinent pas librement non plus : chaque mode de tâche n'accepte que ses entrées spécifiées et rejette les contrôles venus d'autres modes. Le rapport technique et l'inférence accélérée via vLLM-Omni restent sur la feuille de route ; ce qui existe aujourd'hui, ce sont les poids, le code et un livre de recettes complet par tâche. La page de démonstration officielle propose des échantillons audio pour chaque mode : on peut écouter avant de décider si les poids méritent le téléchargement.
