TTS, ou síntese de fala a partir de texto, converte texto em áudio. Para usar o Ming-3.0-tts-0.5B, é preciso obter o checkpoint, ou arquivo com os pesos do modelo, e recorrer ao repositório de inferência separado indicado pela inclusionAI. A Alibaba descreve o Qwen-Audio-3.1-TTS-Flash como um modelo de síntese em tempo real com streaming e vozes de sistema.
Essa diferença ajuda a estimar o trabalho de integração: no Ming, os pesos e o código de inferência são componentes distintos; para o Qwen 3.1 Flash, a descrição oficial destaca a geração em streaming.
O checkpoint do Ming não inclui o código de inferência
O Ming-3.0-tts-0.5B é um modelo denso de 0,5 bilhão de parâmetros, baseado no Qwen2.5-0.5B e distribuído sob licença MIT. A ficha do modelo da inclusionAI informa que o Hugging Face distribui o checkpoint, enquanto a inferência depende de um repositório GitHub separado.
Na prática, o arquivo com os pesos é uma parte da implementação: o código de inferência é o que carrega o modelo e gera o áudio. A ficha também lista clonagem de voz a partir de um trecho curto de referência, criação de voz por descrição em linguagem natural e controles de entrega. Há controles explícitos de emoção, velocidade, tom e volume, além de 14 etiquetas inseridas no texto.
O que as configurações testadas informam
A ficha registra testes com CUDA 12.4 em NVIDIA H800-80GB e H20-96G. Também indica que flash-attn é opcional e que pynini é necessário para o caminho de normalização de texto baseado em FST, que pode ser desativado.
Essas informações descrevem a configuração testada pela inclusionAI. A ficha não apresenta esses modelos de GPU como requisitos mínimos.
Espanhol: seleção de idioma e métricas publicadas
A ficha lista sete idiomas para o Ming: chinês, inglês, alemão, espanhol, francês, coreano e japonês. Também lista os dialetos sichuanês e cantonês. Na tarefa MULTILINGUAL, o espanhol exige a seleção de um language_id; a mesma instrução se aplica a alemão, francês, coreano e japonês.
Para espanhol, a inclusionAI publica WER de 1,099% e SIM de 0,763 na avaliação multilíngue do conjunto de testes MiniMax. WER é a taxa de erro de palavras. A ficha também aponta que a semelhança com a voz de referência fica atrás da precisão do conteúdo, que francês é o ponto mais fraco de similaridade entre os idiomas avaliados e que o controle de tom é menos preciso que os de velocidade e volume.
O que a Alibaba descreve para Qwen-Audio-3.1-TTS-Flash
A página da Alibaba Cloud Model Studio descreve o Qwen-Audio-3.1-TTS-Flash como um modelo de síntese de fala em tempo real, com geração em streaming e vozes de sistema.
