Ant GroupのMing-3.0-ttsは、人工分析制御型TTSアリーナにおける新しい#1のオープンウェイトモデルであり、私たちの発音安定性ランキングでは#1の地位を占めています。これはFish AudioのDrama 3 Previewと並び、Eleven v4よりも上な位置です。
Ming-3.0-ttsは、@AntGroupチームが開発した新しいオープンウェイトのテキストから音声生成モデルです。これは、事前設定された声やステートレスな声クローン機能を持つ、0.5B個のパラメータを含む高密度モデルです。このモデルのウェイトは、MITライセンスの下でHugging Face上で利用可能です：Ming-3.0-tts-0.5B。また、7.9B個のパラメータを含む混合エキスパートバージョンであるMing-3.0-tts-tinyもあります。
重要なポイント：
➤ 発音の堅牢性：Ming-3.0-ttsのスコアは93.2％で、31モデル中第1位にランクインしました。これはFish Audio Drama 3 Previewの93.2％と同等であり、Eleven v4の91.7％よりも優れています。拡張短縮法および正確な順序の保持においても第1位です。
➤ 制御された声：Ming-3.0-ttsは、1,827回の使用で1,069 (+16/-16)のElo値を持ち、Drama 3 Previewの1,059やBreeze TTS 2の1,019を抑えて第1位のオープンウェイトモデルです。全体では第13位に位置しています。
➤プロバイダーボイス：Ming-3.0-ttsは、1,957回の実行でElo 1,188 (+15/-15)を記録し、Drama 3 Previewが1,245、Breeze TTS 2が1,220であるオープンウェイトモデルの中で3位、全体では19位に位置しています。
➤オープンウェイト：Ming-3.0-ttsは、私たちのテキストから音声生成のリーダーリスト3つのうち2つ（Controlled VoiceとPronunciation Robustness）で第1位のオープンウェイトモデルであり、Provider Voiceでは第3位です。
詳細をもっと見て、サンプル音声を聴くには下をご覧ください 🧵