Ming-3.0-tts-0.5B è un modello TTS, cioè di sintesi vocale, distribuito come checkpoint scaricabile con licenza MIT. Per generare audio, però, serve anche il repository separato con il codice d’inferenza. Alibaba Cloud descrive invece Qwen-Audio-3.1-TTS-Flash come un modello per la sintesi in tempo reale, con streaming e voci di sistema.
Il checkpoint di Ming e il codice d’inferenza sono separati
Un checkpoint contiene i parametri appresi dal modello, non un ambiente completo per eseguirlo. La scheda di Ming-3.0-tts-0.5B indica un’architettura densa da 0,5 miliardi di parametri, basata su Qwen2.5-0.5B. Hugging Face distribuisce il checkpoint; per l’inferenza, la scheda rimanda a un repository GitHub distinto.
La scheda riporta configurazioni provate con CUDA 12.4 su NVIDIA H800-80GB e H20-96G. Sono configurazioni di test, non requisiti minimi dichiarati. Per chi valuta l’integrazione, la conseguenza pratica è che scaricare i pesi non basta: occorre predisporre anche il percorso d’inferenza descritto dal progetto.
Lingue, controlli vocali e risultati in spagnolo
Ming elenca sette lingue: cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese. La scheda cita inoltre il sichuanese e il cantonese. Per il task MULTILINGUAL, indica l’uso di language_id per spagnolo, tedesco, francese, coreano e giapponese: la selezione della lingua fa quindi parte della configurazione, non è un dettaglio da lasciare implicito.
Tra le funzioni elencate figurano la clonazione zero-shot della voce a partire da un breve campione, la progettazione di una voce tramite descrizioni in linguaggio naturale e il controllo della resa. La scheda menziona 14 tag inline, controlli per emozione, velocità, pitch e volume, oltre a più di 100 voci integrate in cinese e cinque in inglese. Il campionamento audio indicato è di 44,1 kHz.
inclusionAI pubblica per lo spagnolo un WER dell’1,099% e un punteggio SIM di 0,763 nella propria valutazione multilingue sul set di test MiniMax. WER è il tasso di errore delle parole; SIM indica la similarità vocale. Sono risultati riportati dal fornitore per quella valutazione, non un confronto diretto con Qwen.
La stessa scheda segnala che la similarità della voce è più debole dell’accuratezza dei contenuti, che il francese è la lacuna più evidente per la similarità multilingue e che il controllo del pitch è meno preciso di quelli per velocità e volume. La stabilità quando si alternano più eventi paralinguistici è ancora in miglioramento; anche la progettazione vocale aperta non raggiunge il sistema più forte valutato dal fornitore.
Che cosa offre la documentazione di Qwen 3.1
La pagina di Qwen-Audio-3.1-TTS-Flash descrive una sintesi vocale in tempo reale con generazione in streaming e voci di sistema. Perciò le informazioni operative qui documentate sono diverse: la scheda Ming dettaglia checkpoint, configurazione linguistica e percorso d’inferenza, mentre Alibaba descrive per Qwen 3.1 Flash streaming e voci di sistema.
