گروه Ant خانواده تازه‌ای از مدل‌های گفتاری باز را با نام تجاری inclusionAI عرضه کرده است. به نوشته وب‌سایت TechNode که به گزارشی از IT Home استناد کرده، این گروه روز ۲۰ اکتبر ۲۰۲۶ پنج مدل Ming-3.0 را در دسترس گذاشت که تولید گفتار، درک صوت و گفت‌وگو، و بازشناسی گفتار را در بر می‌گیرند و به گفته Ant هم‌اکنون پشتوانه سرویس‌هایی مانند اپلیکیشن سلامت Afu، جست‌وجوی Alipay و ابزارهای اداری داخلی هستند. مخزن گیت‌هاب مدل‌های تبدیل متن به گفتار، یعنی inclusionAI/Ming-3.0-tts، روز ۱۹ اکتبر ساخته شده و با مجوز MIT منتشر شده است.
در بخش تولید گفتار دو مدل وجود دارد که چارچوب تولید یکسانی دارند: متن و توکن‌های کنترلی ویژه هر کار، یک مدل زبانی را هدایت می‌کنند که یک سر خروجی مبتنی بر ترنسفورمر انتشاری و یک توکن‌ساز صوتی دارد. مدل Ming-3.0-tts-0.5B مدلی متراکم بر پایه Qwen2.5-0.5B است. مدل Ming-3.0-tts-tiny از نوع ترکیب متخصصان است و بر پایه ستون فقرات Ling V3 گروه Ant ساخته شده؛ در مجموع ۷٫۹ میلیارد پارامتر دارد که در هر توکن حدود ۱٫۳ میلیارد از آن‌ها فعال می‌شوند. با وجود نامش، فایل این مدل بزرگ‌تر است و در هاگینگ‌فیس حدود ۱۸ گیگابایت حجم دارد.
هر دو مدل می‌توانند صدایی را از روی یک نمونه کوتاه شبیه‌سازی کنند، از روی یک توصیف نوشتاری صدای تازه‌ای بسازند یا از میان بیش از ۱۰۰ صدای آماده چینی و پنج صدای انگلیسی یکی را به کار بگیرند. این مدل‌ها دستورهایی به زبان طبیعی درباره شیوه بیان، تنظیم صریح احساس، سرعت، زیر و بمی و بلندی صدا، و ۱۴ برچسب درون‌متنی برای صداهایی مانند خنده، آه، سرفه و مکث را می‌پذیرند. آن‌ها به زبان‌های چینی، انگلیسی، آلمانی، اسپانیایی، فرانسوی، کره‌ای و ژاپنی و همچنین گویش‌های سیچوانی و کانتونی سخن می‌گویند و صدایی با نرخ نمونه‌برداری ۴۴٫۱ کیلوهرتز تولید می‌کنند. فقط مدل tiny می‌تواند از روی یک فیلمنامه و صداهای مرجع، گفت‌وگویی چندنفره مانند یک پادکست بسازد.
فایل راهنمای پروژه به رتبه‌بندی‌های جدول‌های تبدیل متن به گفتار Artificial Analysis در اکتبر ۲۰۲۶ استناد می‌کند: رتبه نخست در میان مدل‌های با وزن باز در رقابت Controlled Voice با امتیاز ۱۰۶۹ و رتبه سیزدهم در کل؛ رتبه نخست کلی در پایداری تلفظ با ۹۳٫۲ درصد؛ و رتبه سوم در میان مدل‌های باز در جدول Provider Voice. جدول‌های ارزیابی خود Ant در مخزن، آزمون‌های دیگری را هم پوشش می‌دهد. بر اساس پوشش خبری این عرضه، سه مدل دیگر این خانواده دو مدل درک صوت، از جمله مدل بزرگی از نوع ترکیب متخصصان به نام audio-flash، و یک مدل بازشناسی گفتار هستند.
در عمل، این عرضه برای توسعه‌دهندگانی است که می‌توانند با کدهای پژوهشی کار کنند. صفحه‌های هاگینگ‌فیس فقط وزن‌ها را نگه می‌دارند و برای استنتاج به مخزن گیت‌هاب نیاز است. Ant می‌گوید مدل‌ها را روی پردازنده‌های گرافیکی مرکز داده NVIDIA H800 و H20 با CUDA 12.4 آزموده است؛ مدل tiny به محیط نرم‌افزاری جداگانه‌ای نیاز دارد چون وابستگی‌های ثابت آن متفاوت است، و استنتاج شتاب‌یافته با vLLM-Omni انجام‌شده اعلام شده است. گزارش فنی هنوز در برنامه آینده پروژه قرار دارد. سه روز پس از باز شدن مخزن، حدود ۱۷۵ ستاره در گیت‌هاب گرفته بود.
برای سازندگان عامل‌های صوتی و محصولات صوتی، مدلی با مجوز آزادانه که شبیه‌سازی صدا، طراحی صدا از روی متن و کنترل دقیق صداهای فرازبانی را یک‌جا دارد، جایگزین سودمندی در کنار سرویس‌های اختصاصی است. شبیه‌سازی صدا خطرهای آشکار سوءاستفاده نیز دارد و مستندات مخزن جز خود مجوز، هیچ سازوکار حفاظتی مشخصی را شرح نمی‌دهد.
بیشتر ادعاهای مربوط به کارایی از سوی خود Ant مطرح شده است. رتبه‌بندی‌های Artificial Analysis سنجشی بیرونی است، اما در اینجا از طریق فایل راهنمای پروژه نقل شده، با ورود مدل‌های تازه تغییر می‌کند و هنوز هیچ گزارش فنی‌ای درباره داده‌ها یا روش‌های آموزش منتشر نشده است.