Ming-3.0-tts-0.5B ist ein herunterladbarer, unter MIT lizenzierter Sprachsynthese-Checkpoint mit 0,5 Milliarden Parametern. Für die Inferenz, also die Erzeugung von Sprache aus Text, verweist inclusionAI auf ein separates GitHub-Repository. Alibaba Cloud beschreibt Qwen-Audio-3.1-TTS-Flash als Modell für Sprachsynthese in Echtzeit mit Streaming.
Ming: Checkpoint und Inferenz gehören zusammen
Der Ming-Checkpoint basiert auf Qwen2.5-0.5B. Die Modellkarte auf Hugging Face dient laut inclusionAI zur Verteilung der Gewichte; für den Betrieb braucht es zusätzlich den Ming-Inferenzcode auf GitHub. Wer das Modell einsetzen will, muss daher sowohl die Gewichte als auch die getrennte Laufzeitumgebung einplanen.
inclusionAI nennt CUDA 12.4 sowie NVIDIA H800-80GB und H20-96G als getestete Konfigurationen. Das sind dokumentierte Testaufbauten, keine Mindestanforderungen. flash-attn ist optional. Für die beschriebene FST-Textnormalisierung wird pynini benötigt; alternativ lässt sich die Textnormalisierung abschalten.
Spanisch ist unterstützt, die Sprache muss aber ausgewählt werden
Die Modellkarte führt Spanisch unter sieben unterstützten Sprachen auf. Für die Aufgabe MULTILINGUAL verlangt Ming bei Spanisch, Deutsch, Französisch, Koreanisch und Japanisch eine Angabe über language_id. Die Auswahl der Sprache gehört damit zur Konfiguration des Aufrufs.
Für Spanisch nennt inclusionAI auf dem eigenen MiniMax-Multilingual-Testdatensatz eine Wortfehlerrate (WER) von 1,099 Prozent und einen Ähnlichkeitswert (SIM) von 0,763. Das sind vom Anbieter veröffentlichte Evaluationsergebnisse für Ming-3.0-tts-0.5B.
Was Alibaba zu Qwen-Audio-3.1-TTS-Flash beschreibt
Alibaba Cloud Model Studio beschreibt Qwen-Audio-3.1-TTS-Flash als Echtzeit-Sprachsynthese mit Streaming-Ausgabe und Systemstimmen. Die Produktdokumentation von Alibaba Cloud ordnet das Modell damit einem Einsatz für Sprachinteraktionen in Echtzeit zu.
Für die technische Planung sind die dokumentierten Schwerpunkte verschieden: Bei Ming nennt inclusionAI Gewichte, ein separates Inferenz-Repository und konkrete Sprachparameter; Alibaba beschreibt für Qwen-Audio-3.1-TTS-Flash Streaming und Systemstimmen.
