Ming-3.0-tts-0.5B es un modelo de síntesis de voz a partir de texto (TTS) distribuido como un checkpoint de 0,5 mil millones de parámetros con licencia MIT; para ejecutarlo, hace falta un repositorio de inferencia separado. Alibaba Cloud, por su parte, describe Qwen-Audio-3.1-TTS-Flash como un modelo de síntesis en tiempo real que admite streaming y voces de sistema.
La diferencia es práctica: descargar los pesos de Ming no basta para generar audio. Hay que contar también con el código que los ejecuta.
Ming requiere un repositorio de inferencia independiente
La ficha de Ming-3.0-tts-0.5B indica que Hugging Face distribuye el checkpoint, pero no ofrece una instalación de inferencia autónoma. El código, las dependencias y las instrucciones de uso están en el repositorio de inferencia de Ming.
El checkpoint es denso, tiene 0,5 mil millones de parámetros y se basa en Qwen2.5-0.5B. En este contexto, los pesos son el modelo descargable; el repositorio de inferencia aporta el software necesario para ejecutarlo. La licencia indicada para los pesos es MIT.
Las GPU indicadas son configuraciones probadas
inclusionAI declara haber probado la instalación con CUDA 12.4 en NVIDIA H800-80GB y H20-96G. Son configuraciones de prueba, no requisitos mínimos de hardware.
La ficha también señala que flash-attn es opcional. Para la ruta de normalización de texto basada en FST se necesita pynini; la normalización puede desactivarse. Estos detalles ayudan a anticipar dependencias de instalación, pero las GPU citadas no fijan por sí solas el equipo mínimo para ejecutar el modelo.
Ming admite español y exige seleccionar el idioma
Ming incluye español entre los siete idiomas que enumera su ficha: chino, inglés, alemán, español, francés, coreano y japonés. En la tarea MULTILINGUAL, el modelo requiere indicar language_id para español, alemán, francés, coreano y japonés.
inclusionAI publica para Ming-3.0-tts-0.5B un WER del 1,099 % y una puntuación SIM de 0,763 en su evaluación multilingüe sobre el conjunto de prueba de MiniMax. WER es la tasa de error de palabras y SIM mide la similitud de voz. Son resultados publicados por el proveedor para esa evaluación, no una prueba conjunta de Ming y Qwen.
Qué describe Alibaba para Qwen-Audio-3.1-TTS-Flash
Alibaba Cloud documenta Qwen-Audio-3.1-TTS-Flash para síntesis de voz en tiempo real, con generación en streaming y voces de sistema. La página oficial del modelo describe ese flujo de uso.
Así, las fichas describen aspectos distintos del trabajo: la de Ming detalla un checkpoint descargable y el repositorio separado para inferencia; la de Qwen-Audio-3.1-TTS-Flash describe síntesis en tiempo real con streaming.
