Ming-3.0 TTS 評測：聲音複製亮眼，部署仍有不少粗糙處

Ming-3.0 TTS 把聲音複製、聲音設計、七種語言、兩種中文方言與豐富表達標記整合在 MIT 授權之下，規格看來相當完整。不過，實際部署仍是它最需要驗證的一環：官方測試使用資料中心級 GPU，而名稱帶有「Tiny」的較大 checkpoint，無論儲存空間或記憶體需求其實都不小。

先選對 checkpoint，再來看跑分

Ming-3.0 TTS 提供密集式的 0.5B 模型，以及名為 Tiny、總參數 7.9B 的 mixture-of-experts 模型；Tiny 每個 token 約啟用 1.3B 參數。建議先從 0.5B 開始，只有在多人 Podcast 生成模式，或廠商公布的更高說話者相似度足以抵銷較大體積時，才考慮選擇 Tiny。

這些模型名稱比較像是在標示 backbone，而非完整語音管線的規模。Hugging Face 顯示 0.5B 套件含有 1,479,454,804 個 BF16 參數，因為當中也納入了語音生成元件。Tiny 的稀疏啟用機制能降低運算量，但無法消除 expert 帶來的儲存與記憶體成本。來源：官方 0.5B model card 與 官方 Tiny model card。

inclusionAI 這次釋出了什麼

inclusionAI 於 2026 年 10 月釋出兩個 checkpoint，包含權重、推論程式碼、任務 cookbook，以及 0.5B 的 Docker 相關材料。官方儲存庫記錄了這次發布，並提供目前的安裝設定說明。

兩個 checkpoint 都整合了語言 backbone、diffusion-transformer head、音訊 tokenizer、CAM++ 說話者編碼器與文字 tokenizer。輸出音訊為 44.1 kHz，支援中文、英文、德文、西班牙文、法文、韓文與日文；另有四川話與粵語的獨立方言任務。

共同功能包括 zero-shot 聲音複製、以自然語言設計聲音、超過 100 種中文聲線、五種英文聲線，以及笑聲、呼吸、咳嗽、嘆氣與遲疑等 14 種行內標記。使用者還能調整情緒、語速、音高與音量。Tiny 則額外提供多人 Podcast 生成。

這些控制項屬於彼此獨立的任務模式，不能任意自由組合。自由風格演繹無法與聲音設計、內建聲線、情緒、方言或基本屬性控制並用。若產品需要在一次呼叫中同時指定複製說話者、情緒與方言，必須先驗證支援的任務契約能否表達這種組合。

本機部署的三條路徑

Ming-3.0 TTS 可透過 inclusionAI 原生 Python 程式碼，或 SGLang-Omni 的 HTTP 伺服器執行。原生 0.5B 是風險最低的起手測試；原生 Tiny 可使用 Podcast 任務；SGLang-Omni 則提供最乾淨的 API，但不支援漸進式音訊串流。

原生 0.5B 路徑固定使用 PyTorch 2.6、CUDA 12.4 與 Transformers 4.46.3。若要正規化數字、日期、單位與符號文字，則需要 pynini==2.1.6。

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

通過 preflight 後，可用以下官方命令模式進行聲音複製測試：

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 因固定依賴版本不同，需要建立另一套環境：

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

若要透過 HTTP 提供服務，SGLang-Omni 文件說明了一套單 GPU 伺服器做法：

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 支援 WAV、MP3、FLAC 與 PCM，可接受一筆聲音複製參考音訊，且未加前綴的 ref_audio 路徑會在伺服器端解析。文件所述的 stream=true 行為，是待合成完成後才回傳單一 PCM body，因此無法一邊生成、一邊播放。

品質證據：複製強，原生聲線表現參差

目前最有力、且可直接查證的獨立證據，適用於 Ming-3.0-tts-0.5B 而非 Tiny。2026 年 10 月 19 日，Artificial Analysis 在 Provider Voice 項目中列出 Ming 的 Elo 為 1,188，該項目測試的是模型原生聲線。inclusionAI 則引用 Artificial Analysis 的 Controlled Voice Elo 1,069 成績，後者讓各模型複製相同的參考聲線。

在該日期的Artificial Analysis Provider Voice 排行榜中，Ming 在開放權重模型裡落後於 Fish Audio Drama 3 Preview 與 Breeze TTS 2。Provider Voice 衡量原生聲線，Controlled Voice 衡量複製能力，兩項排名回答的是不同問題。

Tiny 的詳細分數來自 inclusionAI 的評估表。官方宣稱它在德文與西班牙文的 WER 分別以 0.325% 與 0.971% 領先，但韓文 CER 高達 6.000%。inclusionAI 也在官方 Tiny model card中將韓文準確性列為限制之一。

會影響正式上線的限制

Ming-3.0 TTS 尚未公布託管 API 定價、Tiny 的 checkpoint 專屬獨立 arena 成績，也沒有官方消費級 GPU 需求說明。對於沒有 H800 級基礎設施的團隊而言，這些缺口使容量規劃難以可靠進行。

0.5B 的設定已在 H800-80GB 與 H20-96G 上測試。Tiny 建議使用 H800，而 SGLang-Omni 只說明其伺服器使用一張 GPU。官方來源未公布 RTX 4090 的 VRAM 用量、Apple Silicon 效能、Tiny 的 real-time factor、併發能力，或每生成一小時音訊的成本。

一位實務使用者在發布當天，簡潔點出了它的吸引力與證據缺口：

「Ant 開源了一個 0.5B 模型，能複製聲音、用文字設計新聲音，還能讓它笑、嘆氣……」— David Hendrickson (@TeksEdge)

同一篇貼文也提到尚無 GGUF 版本與消費級 GPU 基準測試。這是使用者觀察，不是硬體測量；是否適合正式環境，仍應以本機載入與延遲測試為準。

官方 Tiny model card指出，其音高控制弱於語速與音量控制；多個副語言事件同時使用時，穩定性也會下降。Podcast 成果為 2.03% CER 與 2.12 UTMOS，低於 ZipVoice-Dia 的 2.24 UTMOS。官方儲存庫 roadmap目前仍將技術報告列為未完成項目。

依工作負載判斷：採用前的門檻

Ming-3.0 TTS 值得用於評估自託管聲音複製、富有表情的旁白、中文方言工作，以及可商用的開放權重需求。但對低延遲對話式代理，或希望在 24 GB 桌機 GPU 上可預測運行的情境，它目前還不該是預設方案。

正式上線前，應使用具代表性的輸入驗證四件事：說話者保留效果、日期與符號的正規化、目標 GPU 的延遲與併發能力，以及所需控制項與模型任務模式是否相容。先從 0.5B 開始；只有當 Tiny 的 Podcast 模式或說話者相似度提升能帶來可量化效益時，再升級至 Tiny。

常見問題

聲音複製需要參考音訊的逐字稿嗎？

inclusionAI 的原生聲音複製範例要求提供參考音訊及其對應逐字稿。SGLang-Omni 可接受 ref_text，但其文件表示文字不會改變說話者 embedding。

Ming-3.0 TTS 可以在 RTX 4090 上執行嗎？

目前沒有官方 RTX 4090 記憶體用量或吞吐量結果。即使可以成功載入，也不代表已具備正式環境可用性；仍應在目標顯示卡上量測延遲、長輸入穩定性與併發請求表現。

Ming-3.0 TTS 有提供託管 API 嗎？

inclusionAI 公布的是本機 Python 與 CLI 介面，而非具定價的託管 API。SGLang-Omni 可透過本機 /v1/audio/speech endpoint 提供 Tiny，但該 endpoint 不支援漸進式音訊串流。