O Ant Group lançou uma nova família de modelos de voz abertos sob a marca inclusionAI. Segundo o TechNode, que citou uma notícia do IT Home, o grupo disponibilizou a 20 de outubro de 2026 cinco modelos Ming-3.0, que abrangem síntese de fala, compreensão de áudio e conversa, e reconhecimento de voz, e afirmou que estes já suportam serviços como a aplicação de saúde Afu, a pesquisa do Alipay e ferramentas internas de escritório. O repositório no GitHub dos modelos de síntese de fala, inclusionAI/Ming-3.0-tts, foi criado a 19 de outubro e está publicado com licença MIT.
Na síntese de fala há dois modelos que partilham a mesma arquitetura de geração: texto e tokens de controlo específicos de cada tarefa orientam um modelo de linguagem com uma cabeça de difusão do tipo transformer e um tokenizador de áudio. O Ming-3.0-tts-0.5B é um modelo denso construído sobre o Qwen2.5-0.5B. O Ming-3.0-tts-tiny é um modelo de mistura de especialistas assente na base Ling V3 do Ant, com 7,9 mil milhões de parâmetros no total e cerca de 1,3 mil milhões ativos por token; apesar do nome, é o ficheiro maior, com cerca de 18 GB no Hugging Face.
Ambos conseguem clonar uma voz a partir de um pequeno excerto de referência, criar uma voz nova a partir de uma descrição escrita ou usar uma de mais de 100 vozes chinesas e cinco inglesas já incluídas. Aceitam instruções em linguagem natural sobre a forma de falar, definições explícitas de emoção, velocidade, tom e volume, e 14 marcas no próprio texto para sons como risos, suspiros, tosse ou hesitação. Falam chinês, inglês, alemão, espanhol, francês, coreano e japonês, além de sichuanês e cantonês, e geram áudio a 44,1 kHz. Só o modelo tiny consegue produzir um diálogo com vários interlocutores, como um podcast, a partir de um guião e de vozes de referência.
O README cita classificações das tabelas de síntese de fala da Artificial Analysis de outubro de 2026: primeiro lugar entre os modelos de pesos abertos na arena Controlled Voice, com uma pontuação Elo de 1069 e 13.º lugar geral; primeiro lugar absoluto em robustez de pronúncia, com 93,2%; e terceiro entre os modelos abertos na tabela Provider Voice. As tabelas de avaliação do próprio Ant no repositório cobrem outros testes. Os restantes três modelos da família, segundo a cobertura do lançamento, são dois modelos de compreensão de áudio, incluindo um grande modelo de mistura de especialistas chamado audio-flash, e um modelo de reconhecimento de voz.
Na prática, o lançamento destina-se a programadores capazes de lidar com código de investigação. As páginas do Hugging Face guardam apenas os pesos e a inferência exige o repositório do GitHub; o Ant indica ter feito testes em GPU de centro de dados NVIDIA H800 e H20 com CUDA 12.4, o modelo tiny precisa de um ambiente próprio por ter dependências fixas diferentes, e a inferência acelerada através do vLLM-Omni aparece como concluída. Um relatório técnico continua no plano do projeto. Três dias depois de aberto, o repositório tinha cerca de 175 estrelas no GitHub.
Para quem constrói agentes de voz e produtos de áudio, um modelo com licença permissiva que junta clonagem de voz, criação de vozes a partir de texto e controlo fino de sons paralinguísticos é uma alternativa útil aos serviços proprietários. A clonagem de voz traz também riscos evidentes de abuso, e a documentação do repositório não descreve salvaguardas específicas além da licença.
A maior parte das afirmações sobre desempenho vem do próprio Ant. As classificações da Artificial Analysis são uma medição externa, mas aqui chegam através do README do projeto, mudam à medida que surgem novos modelos, e ainda não foi publicado nenhum relatório técnico que explique os dados ou os métodos de treino.