Ming-3.0 TTSレビュー：音声クローニングは有力、導入には課題も

音声クローニング、音声デザイン、7言語と2種類の中国語方言、さらには感情表現までをMITライセンスで扱える。Ming-3.0 TTSの魅力は明確だ。一方で導入面には不透明さが残る。公式の検証環境はデータセンター向けGPUであり、名称に「Tiny」と付く大規模チェックポイントも、保存容量やメモリー消費の観点では決して小さくない。

ベンチマークを見る前に、選ぶべきチェックポイントを決める

Ming-3.0 TTSには、Dense構成の0.5Bモデルと、トータル7.9BパラメーターのMoEモデル「Tiny」がある。Tinyはトークンごとに約1.3Bパラメーターを有効化する仕組みだ。まず試すなら0.5Bが無難。複数話者のポッドキャスト生成、あるいはベンダー報告値でより高い話者類似度が必要なら、より大きなフットプリントを受け入れてTinyを選ぶ価値がある。

モデル名は、音声パイプライン全体ではなく主にバックボーンの規模を示している。Hugging Face上で0.5BパッケージがBF16で1,479,454,804パラメーターとされるのは、音声生成コンポーネントも含むためだ。Tinyはスパース活性化によって計算量を抑えられる可能性があるが、エキスパート群を格納・保持するためのストレージとメモリーのコストまでは消えない。出典：公式0.5Bモデルカードおよび公式Tinyモデルカード。

inclusionAIが公開したもの

inclusionAIは2026年10月、両チェックポイントについて重み、推論コード、タスク別Cookbook、そして0.5B向けDocker関連ファイルを公開した。公式リポジトリには公開記録と、最新のセットアップ手順が掲載されている。

どちらのチェックポイントにも、言語バックボーン、Diffusion Transformerヘッド、オーディオトークナイザー、CAM++話者エンコーダー、テキストトークナイザーが含まれる。出力は44.1 kHz音声。中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語に対応し、四川語と広東語は個別の方言タスクとして利用できる。

共通機能は、ゼロショット音声クローニング、自然言語による音声デザイン、100種類を超える中国語音声、5種類の英語音声、そして笑い声、呼吸、咳、ため息、ためらいなど14種類のインラインキューだ。感情、話速、ピッチ、音量も制御できる。Tinyには複数話者のポッドキャスト生成が追加される。

ただし、これらの制御は自由に組み合わせられるスイッチではなく、個別のタスクモードとして提供される。自由な話し方の指定は、音声デザイン、組み込み音声、感情、方言、基本属性の制御とは併用できない。クローニングした話者に特定の感情と方言を一度に指定したい製品では、必要な組み合わせを対応タスクの契約で表現できるか、事前に確かめる必要がある。

ローカル導入は3通り

Ming-3.0 TTSは、inclusionAIのネイティブPythonコード、またはSGLang-OmniのHTTPサーバー経由で動かせる。最初の評価にはネイティブ0.5Bが最も低リスクで、ネイティブTinyではポッドキャストタスクを使える。最も扱いやすいAPIはSGLang-Omniだが、音声の逐次ストリーミングには対応していない。

ネイティブ0.5Bの構成では、PyTorch 2.6、CUDA 12.4、Transformers 4.46.3が固定されている。数値、日付、単位、記号のテキスト正規化にはpynini==2.1.6が必要だ。

git clone https://github.com/inclusionAI/Ming-3.0-tts.git
cd Ming-3.0-tts
pip install -r requirements.txt
conda install -c conda-forge pynini==2.1.6
hf download inclusionAI/Ming-3.0-tts-0.5B --local-dir Ming-3.0-tts-0.5b
python tools/preflight.py --model_path ./Ming-3.0-tts-0.5b

preflightを通過した後は、以下の公式コマンド形式でクローニングを試せる。

python infer.py \
  --model_path ./Ming-3.0-tts-0.5b \
  --task TTS \
  --language_id English \
  --text "The release candidate passed the final test." \
  --prompt_wav_path /path/to/reference.wav \
  --prompt_text "The exact transcript of the reference recording." \
  --use_spk_emb \
  --output output/clone.wav

Tinyは固定依存関係が異なるため、別の環境を用意する必要がある。

conda create -n ming-tiny python=3.10.15 -y
conda activate ming-tiny
pip install -r requirements-tiny.txt
hf download inclusionAI/Ming-3.0-tts-tiny --local-dir Ming-3.0-tts-tiny
python tools/preflight_tiny.py --model_path ./Ming-3.0-tts-tiny

HTTPサービングについては、SGLang-Omniのドキュメントで単一GPUサーバーの手順が案内されている。

sgl-omni serve --model-path inclusionAI/Ming-3.0-tts-tiny

curl -X POST http://127.0.0.1:8000/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{
    "model": "inclusionAI/Ming-3.0-tts-tiny",
    "input": "The release candidate passed the final test.",
    "response_format": "wav",
    "seed": 123
  }' --output speech.wav

SGLang-OmniはWAV、MP3、FLAC、PCMをサポートする。クローニング用の参照音声は1件指定でき、ref_audioに裸のパスを渡した場合はサーバー上で解決される。ドキュメント上のstream=trueは、合成が終わってから単一のPCMボディを返す挙動であり、生成の進行中に再生する用途には使えない。

品質の裏付け：クローニングは強いが、標準音声は評価が分かれる

直接確認できる独立系の強い根拠は、TinyではなくMing-3.0-tts-0.5Bに対するものだ。2026年10月19日時点で、Artificial Analysisはネイティブ音声で評価するProvider Voiceにおいて、Mingを1,188 Eloとして掲載していた。inclusionAIは、同じ参照音声をクローニングするControlled VoiceでArtificial Analysisの1,069 Eloを報告している。

Artificial Analysis Provider Voiceリーダーボードでは、この日時点でMingはオープンウェイトモデルの中でFish Audio Drama 3 PreviewとBreeze TTS 2に続いていた。Provider Voiceは標準音声、Controlled Voiceはクローニングを測るため、両ランキングは別の問いに答えている。

Tinyの詳細なスコアは、inclusionAIの評価表に由来する。同社はドイツ語で0.325%、スペイン語で0.971%という首位のWERを報告しているが、韓国語CERは6.000%に達する。inclusionAI自身も、公式Tinyモデルカードで韓国語の精度を制約として挙げている。

本番導入に効く制約

Ming-3.0 TTSには、公開済みのホスト型API価格、Tinyに特化した独立系アリーナ結果、公式のコンシューマーGPU要件がない。H800クラスのインフラを持たないチームにとって、これらの欠落は信頼できるキャパシティ計画を難しくする。

0.5BのセットアップはH800-80GBとH20-96Gで検証されている。TinyはH800を推奨し、SGLang-OmniはサーバーがGPU 1枚を使うことだけを記載している。公式情報には、RTX 4090でのVRAM使用量、Apple Siliconでの性能、Tinyのリアルタイム係数、同時実行性、生成1時間あたりのコストは掲載されていない。

公開当日に試した実務家は、魅力と不足している検証材料を次のように要約していた。

「Antが、音声をクローニングし、テキストから新しい声を設計し、笑いやため息も出せる0.5Bモデルをオープンソース化した」 — David Hendrickson (@TeksEdge)

同じ投稿では、GGUFビルドとコンシューマーGPUのベンチマークがない点にも触れている。これはユーザーによる所見であってハードウェア測定ではない。本番採用の可否は、実際の環境でのロード試験とレイテンシー試験に基づいて判断すべきだ。

公式Tinyモデルカードでは、ピッチ制御は話速や音量制御より弱いこと、複数のパラ言語イベントを含む場合は安定性が下がること、ポッドキャスト評価はCER 2.03%・UTMOS 2.12で、ZipVoice-DiaのUTMOS 2.24を下回ることが報告されている。公式リポジトリのロードマップでは、技術レポートはなお未完成として記載されている。

用途別の結論と採用条件

Ming-3.0 TTSは、セルフホスト型の音声クローニング、表情豊かなナレーション、中国語方言の用途、商用利用可能なオープンウェイトを求める場合に評価する価値がある。ただし、低レイテンシーの会話エージェントや、24 GBのデスクトップGPUで予測可能に動かすための標準選択肢には、まだなっていない。

本番導入前には、代表的な入力を使って4項目を確認したい。話者性の維持、日付・記号の正規化、選択したGPUでのレイテンシーと同時実行性、そして必要な制御とモデルのタスクモードの互換性だ。まずは0.5Bから始め、ポッドキャストモードまたは話者類似度の向上に測定可能な価値が出る場合に限ってTinyへ移るのがよい。

FAQ

音声クローニングには参照音声の文字起こしが必要？

inclusionAIのネイティブなクローニング例では、参照音声と、それに対応する文字起こしの両方が必要になる。SGLang-Omniはref_textを受け付けるが、ドキュメントではこのテキストは話者埋め込みを変えないとされている。

Ming-3.0 TTSはRTX 4090で動かせる？

RTX 4090での公式なメモリー使用量やスループットの結果はない。ロードに成功しただけでは本番運用の準備が整ったとは言えないため、対象カード上でレイテンシー、長文入力時の安定性、同時リクエストを測定する必要がある。

Ming-3.0 TTSにはホスト型APIがある？

inclusionAIが公開しているのはローカルPythonおよびCLIインターフェースであり、価格が示されたホスト型APIではない。SGLang-OmniではTinyをローカルの/v1/audio/speechエンドポイントとして公開できるが、このエンドポイントは音声を逐次ストリーミングしない。