Ant Group a lancé une nouvelle famille de modèles vocaux ouverts sous la bannière inclusionAI. D'après TechNode, qui s'appuie sur un article d'IT Home, le groupe a rendu disponibles le 20 octobre 2026 cinq modèles Ming-3.0, répartis entre synthèse vocale, compréhension audio et conversation, et reconnaissance de la parole, en précisant qu'ils font déjà tourner des services comme l'application de santé Afu, la recherche d'Alipay et des outils bureautiques internes. Le dépôt GitHub des modèles de synthèse vocale, inclusionAI/Ming-3.0-tts, a été créé le 19 octobre et publié sous licence MIT.
Côté synthèse, deux modèles partagent un même cadre de génération : le texte et des tokens de contrôle propres à chaque tâche pilotent un modèle de langage doté d'une tête de diffusion de type transformer et d'un tokeniseur audio. Ming-3.0-tts-0.5B est un modèle dense bâti sur Qwen2.5-0.5B. Ming-3.0-tts-tiny est un mélange d'experts reposant sur la base Ling V3 d'Ant, avec 7,9 milliards de paramètres au total et environ 1,3 milliard actifs par token ; malgré son nom, c'est le fichier le plus lourd, environ 18 Go sur Hugging Face.
Les deux modèles savent cloner une voix à partir d'un court extrait, créer une voix inédite à partir d'une description écrite ou utiliser l'une des plus de 100 voix chinoises et cinq voix anglaises fournies. Ils acceptent des consignes en langage naturel sur l'interprétation, des réglages explicites d'émotion, de débit, de hauteur et de volume, ainsi que 14 balises insérées dans le texte pour des sons comme le rire, le soupir, la toux ou l'hésitation. Ils parlent chinois, anglais, allemand, espagnol, français, coréen et japonais, plus le sichuanais et le cantonais, et produisent un son en 44,1 kHz. Seul le modèle tiny peut générer un dialogue à plusieurs voix, par exemple un podcast, à partir d'un script et de voix de référence.
Le README met en avant des classements issus des tableaux de synthèse vocale d'Artificial Analysis d'octobre 2026 : première place parmi les modèles à poids ouverts dans l'arène Controlled Voice, avec un score Elo de 1069 et une 13e place au général ; première place absolue en robustesse de prononciation, à 93,2 % ; et troisième rang des modèles ouverts dans le tableau Provider Voice. Les propres tableaux d'évaluation d'Ant dans le dépôt couvrent d'autres tests. Selon la couverture du lancement, les trois autres modèles de la famille sont deux modèles de compréhension audio, dont un grand mélange d'experts nommé audio-flash, et un modèle de reconnaissance vocale.
Concrètement, cette sortie s'adresse à des développeurs à l'aise avec du code de recherche. Les pages Hugging Face ne contiennent que les poids et l'inférence passe par le dépôt GitHub ; Ant indique avoir testé sur des GPU de centre de données NVIDIA H800 et H20 avec CUDA 12.4, le modèle tiny exige un environnement à part car ses dépendances figées diffèrent, et l'inférence accélérée via vLLM-Omni figure comme réalisée. Un rapport technique reste inscrit à la feuille de route. Trois jours après son ouverture, le dépôt comptait environ 175 étoiles sur GitHub.
Pour qui conçoit des agents vocaux et des produits audio, un modèle sous licence permissive réunissant clonage de voix, création de voix à partir d'un texte et contrôle fin des sons paralinguistiques constitue une alternative utile aux services propriétaires. Le clonage vocal comporte aussi des risques d'abus évidents, et la documentation du dépôt ne décrit aucune protection particulière au-delà de la licence.
L'essentiel des performances revendiquées vient d'Ant. Les classements d'Artificial Analysis relèvent d'une mesure externe, mais ils sont ici rapportés via le README du projet, ils évoluent à mesure que de nouveaux modèles arrivent, et aucun rapport technique n'a encore été publié pour détailler les données ou les méthodes d'entraînement.