Ming-3.0-tts는 앤트그룹의 AI 팀 inclusionAI가 오픈소스로 공개한 음성 합성 모델 시리즈다. 2026년 10월 19일, 추론 코드와 모델 가중치, 전체 평가표가 GitHub의 inclusionAI 조직에 MIT 라이선스로 한꺼번에 올라왔고, 가중치는 Hugging Face와 ModelScope에도 게시됐다. 이번에 동시에 나온 모델은 두 가지로, 0.5B 파라미터 dense 버전과 Ling V3 기반의 tiny 버전(총 파라미터 7.9B, 활성 1.3B의 MoE 구조)이다.
포인트는 음질이 아니라 '어떻게 말하는가'
이번 세대 Ming은 제어 단위를 텍스트 안으로 가져왔다. 14종의 비언어 태그를 텍스트에 직접 써 넣어 웃음소리, 한숨 같은 단어 너머의 소리를 지시할 수 있고, 자연어 지시로 말투를 묘사하거나 스타일 설명만으로 새 음색을 '설계'할 수도 있다. 음색을 얻는 길은 세 가지로, 참고 음성 복제, 텍스트 설계, 그리고 100종 이상의 중국어 음색과 5종의 영어 음색 중에서 고르는 방법이다. 지원 언어는 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어 일곱 가지에 쓰촨 방언과 광둥어가 더해진다. 다화자 팟캐스트식 대화 생성은 tiny 버전만 지원한다.
성적표: 발음 견고성에서 전체 1위
팀이 공개한 Artificial Analysis 순위(2026년 10월)에서 Ming-3.0-tts는 Controlled Voice 부문 오픈 웨이트 모델 1위, Pronunciation Robustness(발음 견고성) 부문 정확도 93.2%로 전체 1위를 기록했고, 약어 전개 96.5%, 정확한 순서 유지 90.6%라는 하위 지표에서도 1위였다. Provider Voice에서는 오픈 진영 3위다. 발음 견고성은 TTS가 실전에서 가장 자주 넘어지는 지점이다. 숫자나 약어, 고유명사를 한 번만 잘못 읽어도 청취자는 음성 전체에 대한 신뢰를 잃는다. 그래서 이 1위는 음질 지표보다 오히려 값지다.
내려받기 전에 알아둘 경계
두 모델의 실행 환경은 공통이 아니다. 0.5b의 테스트 환경은 H800-80GB와 H20-96G이고, tiny는 별도의 참조 환경(PyTorch 2.7.1 + CUDA 11.8)이 필요하며 공식 문서도 분리 설치를 명시한다. 능력의 임의 조합도 안 된다. 각 작업 모드는 규정된 입력만 받으며 다른 모드의 제어는 거부된다. 기술 보고서와 vLLM-Omni 가속 추론은 아직 로드맵에 있고, 지금 당장 쓸 수 있는 것은 가중치와 코드, 작업 안내서뿐이다. 공식 데모 페이지에 작업별 음성 샘플이 올라와 있으니, 가중치를 내려받을 가치가 있는지 먼저 들어보고 판단할 수 있다.
