En el campo de la generación de voz por inteligencia artificial, el ecosistema de código abierto está experimentando un avance de gran peso. La agencia independiente de evaluación de IA Artificial Analysis ha publicado recientemente el último ranking del arena de modelos de voz (TTS), y el nuevo modelo de código abierto de texto a voz Ming-3.0-tts, lanzado por el equipo de Ant Group, ha tenido un desempeño destacado, logrando de una vez el primer puesto en múltiples indicadores clave.
Como un modelo denso de parámetros cifrados, ligero y eficiente, Ming-3.0-tts ofrece diversas voces predefinidas y capacidades de clonación de voz sin estado. Sus pesos se han liberado completamente como código abierto en la plataforma Hugging Face bajo la licencia MIT, lanzando una versión de modelo denso de 0.5B de parámetros, así como una variante que adopta una arquitectura de expertos mixtos (MoE) de 7.9B llamada Ming-3.0-tts-tiny.
En las pruebas de referencia autorizadas concretas y los rankings específicos, Ming-3.0-tts ha demostrado un poderoso dominio técnico:
Primero, en el ranking de robustez de pronunciación (Pronunciation Robustness), el modelo obtuvo una alta puntuación de 93.2%, empatado en el primer puesto entre los 31 modelos principales globales participantes, al mismo nivel que Drama3Preview de Fish Audio y por delante de Eleven v4 con 91.7%. Especialmente al manejar tareas de alta dificultad como la expansión de abreviaturas y la preservación precisa de secuencias, el modelo destaca, capaz de afrontar con precisión los desafíos de lectura de todo tipo de textos complejos.
En segundo lugar, en el arena de voz controlada (Controlled Voice Arena) —una prueba que realiza comparaciones a ciegas mediante 8 voces clonadas uniformes— Ming-3.0-tts logró coronarse en el primer puesto de los modelos de código abierto, obteniendo una puntuación Elo de 1，069 en 1827 evaluaciones, por delante de los 1，059 de Drama3Preview y los 1，019 de Breeze TTS2, ocupando el puesto 13 del ranking general.
Además, en el ranking de voces nativas de proveedores de plataforma (Provider Voice), el modelo obtuvo una puntuación Elo de 1，188 en 1957 evaluaciones, situándose en el tercer puesto entre los modelos de código abierto y en el puesto 19 del ranking general. En conjunto, Ming-3.0-tts logró el primer puesto entre los modelos de código abierto en dos dimensiones clave de los tres grandes rankings de voz: "voz controlada" y "robustez de pronunciación", presentando un brillante historial a los desarrolladores de todo el mundo.
Dirección del proyecto: https://huggingface.co/spaces/hugging-apps/ming-3-tts-tiny