Im Bereich der KI-basierten Sprachgenerierung erlebt das Open-Source-Lager einen gewichtigen Durchbruch. Die unabhängige KI-Bewertungsorganisation Artificial Analysis hat kürzlich die neueste Rangliste der Sprachmodell-Arena (TTS) veröffentlicht. Das dort von einem Team der Ant Group vorgestellte neue Open-Source-Text-zu-Sprache-Modell Ming-3.0-tts schnitt herausragend ab und sicherte sich auf einen Schlag bei mehreren Kernmetriken den ersten Platz.
Als leichtgewichtiges und effizientes Modell mit verschlüsselten Parametern bietet Ming-3.0-tts vielfältige voreingestellte Stimmen sowie zustandslose Voice-Cloning-Fähigkeiten. Die Gewichte wurden auf der Hugging-Face-Plattform vollständig unter der MIT-Lizenz als Open Source freigegeben, und zwar als dichte Modellversion mit 0.5B Parametern sowie als Variante mit 7.9B Mixture-of-Experts-Architektur (MoE) namens Ming-3.0-tts-tiny.
In den konkreten, maßgeblichen Benchmark-Tests und Teilrankings zeigte Ming-3.0-tts eine beeindruckende technische Dominanz:
Zunächst erreichte das Modell in der Rangliste zur Aussprache-Robustheit (Pronunciation Robustness) einen hohen Score von 93.2 % und belegte damit unter den 31 teilnehmenden weltweit führenden Modellen gemeinsam den ersten Platz – auf demselben Niveau wie Drama3Preview von Fish Audio und vor Eleven v4 mit 91.7 %. Insbesondere bei besonders anspruchsvollen Aufgaben wie der Auflösung von Abkürzungen und der präzisen Bewahrung von Sequenzen zeigte sich das Modell stark und bewältigt die Aussprache-Herausforderungen verschiedenster komplexer Texte zuverlässig.
Zum anderen erreichte Ming-3.0-tts in der Controlled Voice Arena – einem Test, der über 8 einheitliche geklonte Stimmen als blinden Quervergleich durchgeführt wird – die Spitze der Open-Source-Modelle und erzielte in 1827 Bewertungen einen Elo-Score von 1.069, vor Drama3Preview mit 1.059 und Breeze TTS2 mit 1.019; in der Gesamtrangliste belegt es Platz 13.
Darüber hinaus erzielte das Modell in der Rangliste der nativen Anbieterstimmen (Provider Voice) in 1957 Bewertungen einen Elo-Score von 1.188 und belegte damit den dritten Platz unter den Open-Source-Modellen sowie Rang 19 in der Gesamtwertung. Insgesamt sicherte sich Ming-3.0-tts in den drei zentralen Sprachrankings in den beiden Schlüsseldimensionen „Controlled Voice“ und „Pronunciation Robustness“ jeweils den ersten Platz unter den Open-Source-Modellen und legte damit weltweit Entwicklern eine beeindruckende Bilanz vor.
Projektadresse: https://huggingface.co/spaces/hugging-apps/ming-3-tts-tiny