Ming-3.0 TTS İncelemesi: Güçlü Klonlama, Zorlu Kurulum

Ming-3.0 TTS; ses klonlama, metinden ses tasarlama, yedi dil, iki Çince lehçesi ve ifade odaklı ipuçlarını MIT lisansı altında bir araya getiriyor. Asıl soru işareti kurulum tarafında: resmi testler veri merkezi GPU'larıyla yapılmış ve büyük “Tiny” checkpoint'i depolama ya da bellek açısından hiç de küçük sayılmaz.

Benchmark'lara bakmadan önce doğru checkpoint'i seçin

Ming-3.0 TTS, yoğun yapılı 0.5B modelin yanında Tiny adlı, toplam 7.9B parametreli bir mixture-of-experts model de sunuyor; Tiny her token için yaklaşık 1.3B parametreyi etkinleştiriyor. İlk tercih 0.5B olmalı. Çok konuşmacılı podcast üretimi ya da üreticinin bildirdiği daha güçlü konuşmacı benzerliği, daha büyük ayak izini haklı çıkarıyorsa Tiny'ye geçin.

Model adları, eksiksiz konuşma işlem hattından çok kullanılan omurgayı anlatıyor. Hugging Face, konuşma üretim bileşenleri de pakete dahil olduğu için 0.5B paketinde 1,479,454,804 BF16 parametre raporluyor. Tiny'nin seyrek etkinleştirme yapısı işlem yükünü azaltabilir; ancak uzmanların depolama ve bellek maliyetini ortadan kaldırmaz. Kaynak: resmi 0.5B model kartı ve resmi Tiny model kartı.

inclusionAI'nin yayımladığı paket neler içeriyor?

InclusionAI, Ekim 2026'da iki checkpoint'i de ağırlıklar, çıkarım kodu, görev tarifleri ve 0.5B için Docker materyalleriyle birlikte yayımladı. Resmi depo, sürüm kaydını ve güncel kurulum talimatlarını barındırıyor.

İki checkpoint'te de dil omurgası, diffusion-transformer başlığı, ses tokenizer'ı, CAM++ konuşmacı kodlayıcısı ve metin tokenizer'ı bulunuyor. Çıktı 44.1 kHz ses formatında alınıyor; Çince, İngilizce, Almanca, İspanyolca, Fransızca, Korece ve Japonca destekleniyor. Siçuan ve Kantonca için ayrıca lehçeye özel görevler sunuluyor.

Ortak yetenekler arasında zero-shot klonlama, doğal dille ses tasarlama, 100'den fazla Çince ses, beş İngilizce ses ve gülme, nefes alma, öksürme, iç çekme ile tereddüt gibi 14 satır içi ipucu yer alıyor. Duygu, hız, perde ve ses seviyesi de kontrol edilebiliyor. Tiny ise bunlara ek olarak çok konuşmacılı podcast üretimi getiriyor.

Kontroller, serbestçe birleştirilebilen anahtarlar değil; ayrı görev modları halinde sunuluyor. Serbest biçimli sunum; ses tasarımı, yerleşik ses, duygu, lehçe veya temel nitelik kontrolleriyle birleştirilemiyor. Klonlanmış bir konuşmacıyı, belirli bir duyguyu ve lehçeyi tek çağrıda isteyen bir ürünün, desteklenen görev sözleşmesinin bu birleşimi ifade edip edemediğini test etmesi gerekir.

Yerelde çalıştırmak için üç yol

Ming-3.0 TTS, inclusionAI'nin yerel Python koduyla veya SGLang-Omni'nin HTTP sunucusuyla çalışıyor. En düşük riskli ilk deneme yerel 0.5B; yerel Tiny podcast görevini açıyor; SGLang-Omni ise en temiz API'yi sunuyor ancak aşamalı ses akışı sağlamıyor.

Yerel 0.5B kurulumu PyTorch 2.6, CUDA 12.4 ve Transformers 4.46.3 sürümlerini sabitliyor. Sayılar, tarihler, birimler ve semboller için metin normalizasyonunda pynini==2.1.6 gerekiyor.

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

Ön kontrol başarıyla tamamlandığında, bu resmi komut düzeniyle bir klonlama testi yapılabilir:

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, sabitlenmiş bağımlılıkları farklı olduğu için ayrı bir ortam gerektiriyor:

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 üzerinden servis sunmak için SGLang-Omni, tek GPU'lu bir sunucu tarif ediyor:

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 WAV, MP3, FLAC ve PCM'i destekliyor. Bir klonlama referansı kabul ediyor; yalın ref_audio yolları sunucu üzerinde çözümleniyor. Belgelenen stream=true davranışında sentezin bitmesi beklenip tek bir PCM gövdesi döndürüldüğü için, üretim devam ederken oynatma mümkün değil.

Kalite kanıtı: klonlama güçlü, yerleşik sesler karışık

Doğrudan erişilebilen en güçlü bağımsız kanıt Tiny için değil, Ming-3.0-tts-0.5B için geçerli. Artificial Analysis, 19 Ekim 2026'da Ming'i modellerin kendi yerleşik sesleriyle değerlendirildiği Provider Voice listesinde 1,188 Elo ile gösterdi. InclusionAI ise aynı referans sesleri klonlayan modellerin değerlendirildiği Artificial Analysis Controlled Voice testinde 1,069 Elo bildiriyor.

Artificial Analysis Provider Voice liderlik tablosu, o tarihte Ming'i açık ağırlıklı modeller arasında Fish Audio Drama 3 Preview ve Breeze TTS 2'nin gerisinde konumlandırdı. Provider Voice yerleşik sesleri, Controlled Voice ise klonlama performansını ölçüyor; dolayısıyla sıralamalar farklı sorulara yanıt veriyor.

Tiny'nin ayrıntılı puanları inclusionAI'nin değerlendirme tablolarından geliyor. Model, Almanca için %0.325 ve İspanyolca için %0.971 ile lider WER sonuçları bildiriyor; buna karşın Korece CER değeri %6.000'a çıkıyor. InclusionAI, resmi Tiny model kartında Korece doğruluğunu bir sınırlama olarak tanımlıyor.

Üretim ortamını etkileyen eksikler

Ming-3.0 TTS için yayımlanmış ücretli bir barındırılan API fiyatı, Tiny'ye özel bağımsız bir arena sonucu veya resmi tüketici GPU gereksinimi yok. Bu boşluklar, H800 sınıfı altyapısı olmayan ekiplerin kapasite planlamasını güvenilir biçimde yapmasını engelliyor.

0.5B kurulumu H800-80GB ve H20-96G üzerinde test edilmiş. Tiny için H800 önerilirken, SGLang-Omni yalnızca sunucusunun tek GPU kullandığını belirtiyor. Resmi kaynaklarda RTX 4090 VRAM kullanımı, Apple Silicon performansı, Tiny'nin gerçek zaman faktörü, eşzamanlılık kapasitesi veya üretilen ses saati başına maliyet yayımlanmıyor.

Lansman gününde bir uygulayıcı, modelin cazibesini ve eksik kanıtları şöyle özetledi:

“Ant, bir sesi klonlayabilen, metinden yeni bir ses tasarlayabilen, onu güldürüp iç çektirebilen 0.5B'lik bir modeli açık kaynak yaptı...” — David Hendrickson (@TeksEdge)

Aynı paylaşım, GGUF derlemelerinin ve tüketici GPU'larına yönelik benchmark'ların bulunmadığına da dikkat çekti. Bu bir kullanıcı gözlemidir, donanım ölçümü değildir; üretim kararı yerel yükleme ve gecikme testine dayanmalıdır.

Resmi Tiny model kartı; perde kontrolünün hız ve ses seviyesine kıyasla daha zayıf olduğunu, birden fazla paralinguistik olayda kararlılığın düştüğünü ve podcast sonucunda %2.03 CER ile 2.12 UTMOS elde edildiğini bildiriyor. Bu değer, ZipVoice-Dia'nın 2.24 UTMOS sonucunun altında. Resmi depo yol haritasında teknik rapor hâlâ tamamlanmamış olarak listeleniyor.

İş yüküne göre karar ve benimseme eşiği

Ming-3.0 TTS; kendi altyapısında ses klonlama, ifade gücü yüksek anlatım, Çince lehçe çalışmaları ve ticari kullanıma uygun açık ağırlıklar için değerlendirmeye değer. Ancak düşük gecikmeli konuşma ajanları veya 24 GB masaüstü GPU'da öngörülebilir çalışma için henüz varsayılan seçenek değil.

Üretime geçmeden önce, temsil gücü olan girdilerle dört noktayı doğrulayın: konuşmacı özelliklerinin korunması, tarihlerin ve sembollerin normalizasyonu, seçilen GPU'da gecikme ile eşzamanlılık ve ihtiyaç duyulan kontrollerin modelin görev modlarıyla uyumu. 0.5B ile başlayın; Tiny'ye ancak podcast modu veya konuşmacı benzerliği kazanımı ölçülebilir fayda sağladığında geçin.

Sık sorulan sorular

Ses klonlama için referans kaydın metni gerekli mi?

inclusionAI'nin yerel klonlama örnekleri referans sesi ve onunla eşleşen transkripti gerektiriyor. SGLang-Omni ref_text kabul ediyor; ancak belgelerine göre bu metin konuşmacı gömmesini değiştirmiyor.

Ming-3.0 TTS, RTX 4090 üzerinde çalışabilir mi?

Resmi bir RTX 4090 bellek ya da aktarım hızı sonucu bulunmuyor. Modelin başarıyla yüklenmesi üretime hazır olduğu anlamına gelmez; hedef kartta gecikmeyi, uzun girdilerdeki kararlılığı ve eşzamanlı istekleri ölçün.

Ming-3.0 TTS barındırılan bir API sunuyor mu?

InclusionAI, fiyatlandırılmış bir barındırılan API yerine yerel Python ve CLI arayüzleri yayımlıyor. SGLang-Omni, Tiny'yi yerel bir /v1/audio/speech uç noktası üzerinden sunuyor; ancak bu uç nokta sesi aşamalı olarak aktarmıyor.