Ant GroupのMing-3.0-ttsは、人工分析制御音声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、私たちの発音堅牢性ランキングでは#1の位置を占めています。これはFish AudioのDrama 3 Previewと並び、Eleven v4よりも上位です。
Ming-3.0-ttsは、@AntLingAGIチームによる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、事前設定された声とステートレスな声クローニング機能を持つ、0.5Bパラメータの密なモデルです。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パラメータの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。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。拡張短縮語と正確な順序の保持においては第1位です。
➤ Controlled Voice: 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。全体でのランキングは第13位です。
➤プロバイダーボイス：Ming-3.0-ttsのEloは1,188（+15/-15）で、1,957回の実行で、Drama 3 Previewの1,245、Breeze TTS 2の1,220に次いで3位となり、全体では19位です。
➤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3つのリーダーボードのうち2つであるControlled VoiceとPronunciation Robustnessで第1位、Provider Voiceでは第3位のオープンウェイトモデルです。
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 🧵