Dans le domaine de la génération vocale par intelligence artificielle, le camp open source vient de connaître une avancée de premier ordre. L'agence indépendante d'évaluation de l'IA Artificial Analysis a récemment publié le dernier classement de l'arène des grands modèles vocaux (TTS) : le tout nouveau modèle open source de synthèse vocale Ming-3.0-tts, lancé par l'équipe d'Ant Group, a réalisé une performance remarquable en décrochant d'emblée la première place sur plusieurs indicateurs clés.
En tant que modèle à paramètres denses, léger et efficace, Ming-3.0-tts offre une variété de voix prédéfinies ainsi qu'une capacité de clonage vocal sans état. Ses poids ont été entièrement open sourcés sur la plateforme Hugging Face sous licence MIT, avec la sortie d'une version de modèle dense de 0.5B paramètres, ainsi que d'une variante reposant sur une architecture d'experts en mélange (MoE) de 7.9B, baptisée Ming-3.0-tts-tiny.
Dans les tests de référence faisant autorité et les classements détaillés, Ming-3.0-tts a démontré une puissance technique dominante :
Tout d'abord, sur le classement de la robustesse de prononciation (Pronunciation Robustness), le modèle a obtenu un score élevé de 93.2 %, se classant premier ex æquo parmi les 31 modèles grand public participants au niveau mondial, au même niveau que Drama3Preview de Fish Audio et devant Eleven v4 avec 91.7 %. En particulier dans les tâches très difficiles comme le développement des abréviations et la préservation précise des séquences, le modèle se distingue, faisant face avec exactitude aux défis de lecture de tous les textes complexes.
Ensuite, dans l'arène vocale contrôlée (Controlled Voice Arena) — un test comparatif en aveugle mené avec 8 voix clonées uniformes —, Ming-3.0-tts s'est hissé en tête des modèles open source, obtenant un score Elo de 1 069 sur 1827 évaluations, devant les 1 059 de Drama3Preview et les 1 019 de Breeze TTS2, se classant 13e du classement général.
Par ailleurs, dans le classement des voix natives des fournisseurs de plateforme (Provider Voice), le modèle a obtenu un score Elo de 1 188 sur 1957 évaluations, se plaçant troisième des modèles open source et 19e du classement général. Au bilan, Ming-3.0-tts a réussi à décrocher la première place des modèles open source sur deux dimensions clés parmi les trois grands classements vocaux — la « voix contrôlée » et la « robustesse de prononciation » —, livrant aux développeurs du monde entier un bilan brillant.
Adresse du projet : https://huggingface.co/spaces/hugging-apps/ming-3-tts-tiny