人工知能による音声生成分野において、オープンソース陣営に大きなブレークスルーが訪れつつある。独立系AI評価機関Artificial Analysisはこのほど、最新の音声大規模モデル（TTS）アリーナランキングを公表した。アントグループのチームが発表した新しいオープンソースのテキスト音声変換モデルMing-3.0-ttsが目覚ましい成績を収め、一挙に複数の主要指標で第1位を獲得した。
軽量かつ高効率なモデルとして、Ming-3.0-ttsは多様なプリセット音声とステートレスな音声クローン能力を提供する。その重みはすでにHugging Faceプラットフォーム上でMITライセンスにより完全にオープンソース化されており、0.5Bパラメータの高密度モデルバージョンと、7.9Bの混合エキスパートアーキテクチャ（MoE）を採用したバリアント版Ming-3.0-tts-tinyがリリースされている。
具体的な権威あるベンチマークテストと細分化されたランキングにおいて、Ming-3.0-ttsは強力な技術的支配力を示した。
まず、発音頑健性（Pronunciation Robustness）ランキングにおいて、同モデルは93.2%という高得点を獲得し、参加した31の世界的主流モデルの中で並んで第1位となり、Fish AudioのDrama3Previewと同水準にあり、Eleven v4の91.7%を上回った。特に、略語の展開や正確なシーケンス保持といった高難度タスクの処理において、同モデルは優れたパフォーマンスを発揮し、複雑なテキストの読み方の課題にも正確に対応できる。
次に、制御音声アリーナ（Controlled Voice Arena）において――このテストは統一された8つのクローン音声による横断的なブラインドテスト――Ming-3.0-ttsはオープンソースモデルの首位に成功し、1827回の評価で1,069のEloスコアを獲得し、Drama3Previewの1,059およびBreeze TTS2の1,019を上回り、総合ランキングでは第13位に位置した。
さらに、プラットフォームプロバイダーのネイティブ音声（Provider Voice）ランキングでは、同モデルは1957回の評価で1,188のEloスコアを獲得し、オープンソースモデルで第3位、総合ランキングで第19位となった。総合的に見ると、Ming-3.0-ttsは三大主要音声ランキングのうち「制御音声」と「発音頑健性」という二つの重要な次元でいずれもオープンソースモデル第1位を獲得し、世界中の開発者に目覚ましい成績表を提示した。
プロジェクトアドレス：https://huggingface.co/spaces/hugging-apps/ming-3-tts-tiny