Un modèle TTS (text-to-speech, ou synthèse vocale) transforme du texte en parole. Pour Ming-3.0-tts-0.5B, télécharger les poids sous licence MIT ne suffit pas à lancer l’inférence : le code se trouve dans un dépôt GitHub distinct. Alibaba Cloud décrit de son côté Qwen-Audio-3.1-TTS-Flash comme un modèle de synthèse en temps réel avec génération en streaming et voix système.
Le checkpoint Ming et le code d’inférence sont séparés
La fiche officielle de Ming-3.0-tts-0.5B décrit un modèle dense de 0,5 milliard de paramètres, fondé sur Qwen2.5-0.5B. Hugging Face distribue le checkpoint, tandis que le dépôt GitHub distinct fournit le code d’inférence et ses dépendances. La fiche indique une fréquence d’échantillonnage de 44,1 kHz.
Pour préparer l’installation, la fiche rapporte des essais avec CUDA 12.4 sur des configurations NVIDIA H800-80GB et H20-96G. Elle présente ces GPU comme des configurations testées. flash-attn est facultatif. pynini est requis pour le parcours de normalisation du texte fondé sur des transducteurs à états finis (FST), mais cette normalisation peut être désactivée.
Langues, commandes vocales et résultats en espagnol
La fiche de Ming liste sept langues : chinois, anglais, allemand, espagnol, français, coréen et japonais. Elle mentionne aussi les dialectes sichuanais et cantonais. Pour l’espagnol, l’allemand, le français, le coréen et le japonais, la tâche MULTILINGUAL exige un language_id.
La fiche répertorie également le clonage vocal zéro-shot à partir d’un court extrait de référence, la conception d’une voix à partir d’une description en langage naturel et des commandes d’émotion, de vitesse, de hauteur tonale et de volume.
Pour l’espagnol, inclusionAI publie un WER (taux d’erreur sur les mots) de 1,099 % et un score SIM (similarité des locuteurs) de 0,763, dans son évaluation multilingue sur le jeu de test MiniMax. inclusionAI signale aussi que la similarité de voix est moins forte que la fidélité du contenu, avec un écart particulièrement marqué pour le français. Le réglage de la hauteur tonale est moins précis que ceux de la vitesse et du volume, et la stabilité paralinguistique sur plusieurs événements est encore en cours d’amélioration.
Le streaming documenté pour Qwen-Audio-3.1-TTS-Flash
La documentation d’Alibaba Cloud Model Studio décrit Qwen-Audio-3.1-TTS-Flash comme un modèle de synthèse vocale en temps réel qui prend en charge le streaming et les voix système. Pour une intégration, la documentation met ainsi l’accent sur la génération en flux, tandis que Ming fournit des poids téléchargeables et un dépôt d’inférence distinct.
