Ant Groupが「Ming 3.0 TTS」を公開：自然言語での声質制御やポッドキャスト生成に対応

Ming 3.0 TTS は、テキストを人間らしい自然な音声へ変換できる、Ant Group がオープンソース公開した音声合成モデル群です。普段の言葉による指示で声の調子を直接コントロールできます。

参照音声を使ったボイスクローンだけでなく、自然言語による音声デザインに対応しているのが特徴です。テキストで声の質感や雰囲気を指定すれば、情景描写に合わせた語り口を生成してくれます。

より細かい演出のために、14 種類の非言語タグを文章内に挿入して笑い声やため息を再現できるほか、話速や音高、音量の調整にも対応しています。

何ができるか

対応言語は日本語、中国語、英語、ドイツ語、スペイン語、フランス語、韓国語に加えて、四川方言や広東語などの中国語方言もカバーしています。

ラインナップは 2 種類用意されています。軽量な 0.5B Dense モデルは約 3GB、大型の tiny モデルは Ling V3 をベースにした MoE 構成で、総パラメータ 7.9B、アクティブ 1.3B、サイズは約 18GB です。

大型の tiny モデルは、台本と話者サンプルを指定した複数人によるポッドキャスト対話の生成にも対応します。ただし各機能は独立したタスクモードとして実装されており、任意に組み合わせられるわけではありません。

2026 年 10 月の Artificial Analysis ベンチマークにおいて、Ming 3.0 TTS はオープンウェイト部門の Controlled Voice で 1 位、発音の堅牢性（Pronunciation Robustness）では総合 1 位を獲得しました。省略語の展開精度は 96.5%、正確な文字列保持率は 90.6% を記録しています。

音声クオリティ自体は Fish Audio の Drama 3 よりわずかに優れる程度と評されていますが、発音の安定感では頭ひとつ抜けています。

動かし方

約 3GB の軽量版は多くの一般向けコンシューマー GPU でそのまま動作します。flash-attn は必須ではなく、PyTorch SDPA へのフォールバックに対応しています。

一方、約 18GB の MoE 版は専用の Python 3.10 環境を推奨し、推論には NVIDIA H800 など大容量の VRAM を備えた環境が適しています。

コードと重みは GitHub、Hugging Face、ModelScope で配布されており、MIT ライセンスが適用されているため商用利用や改変も自由に行えます。

なぜ重要か

ポッドキャストやナレーション、インディーゲーム制作に関わる開発者にとって、すぐに試す価値のある選択肢です。3GB 版であれば手元の一般的な GPU でローカル動作し、MIT ライセンスのおかげで商用利用のハードルもありません。

競合の Fish Audio Drama 3 と比べても、発音の安定性と自然言語での直感的なトーン調整が大きな強みとなっています。18GB 版の要求スペックは高いものの、オープンな音声合成の実用性を大きく引き上げる一手と言えます。