앤트그룹, 'Ming 3.0 TTS' 오픈소스 공개: 자연어로 음색 제어·다자 팟캐스트 지원

Ming 3.0 TTS는 앤트그룹이 오픈소스로 공개한 텍스트 음성 변환 모델로, 텍스트를 사람의 목소리로 변환하면서 일상적인 자연어 지시어로 목소리의 톤과 연기를 제어할 수 있는 도구입니다.

참조 오디오를 활용한 음성 복제뿐만 아니라, 자연어로 음색을 설계하는 기능이 핵심입니다. 어떤 느낌의 목소리를 원하는지 프롬프트로 묘사하면 그 분위기에 맞춰 음성을 생성해 냅니다.

텍스트 내에 14가지 비언어적 태그를 직접 삽입해 웃음이나 한숨 같은 감정 표현을 자연스럽게 섞을 수 있으며, 감정 제어와 속도, 음높이, 음량 조절도 지원합니다.

무엇을 할 수 있나

지원 언어는 한국어, 중국어, 영어, 독일어, 스페인어, 프랑스어, 일본어와 함께 쓰촨어, 광둥어 등 중국어 방언까지 아우릅니다.

모델은 두 가지 크기로 배포되었습니다. 소형 버전은 0.5B 크기의 Dense 모델로 파일 크기가 약 3GB에 불과합니다. 대형 버전인 tiny 모델은 Ling V3 기반의 MoE 구조로 총 파라미터 7.9B, 활성 파라미터 1.3B이며 크기는 약 18GB입니다.

대형 버전은 대본과 화자 샘플을 입력받아 다자 대화형 팟캐스트를 생성하는 기능을 추가로 지원합니다. 다만 기능들은 개별 작업 모드로 분리되어 있어 자유롭게 혼합해 쓰기는 어렵습니다.

2026년 10월 Artificial Analysis 벤치마크 기준, Ming 3.0 TTS는 오픈 웨이트 모델 중 Controlled Voice 부문 1위, 발음 정확도(Pronunciation Robustness) 종합 1위를 차지했습니다. 축약어 텍스트 정규화 정확도는 96.5%, 텍스트 일치도는 90.6%를 기록했습니다.

음질 면에서는 Fish Audio의 Drama 3보다 소폭 나은 수준이라는 평가지만, 발음의 정확성과 안정성은 확실한 강점으로 꼽힙니다.

어떻게 실행하나

약 3GB 크기의 소형 모델은 많은 소비자용 GPU에서 무리 없이 실행됩니다. flash-attn 없이도 PyTorch SDPA로 구동할 수 있어 진입 장벽이 낮습니다.

반면 18GB 대형 모델은 전용 파이썬 환경이 필요하며, 원활한 추론을 위해 NVIDIA H800 등 고성능 하드웨어가 권장됩니다.

코드와 가중치는 GitHub, Hugging Face, ModelScope에 공개되어 있습니다. 두 모델 모두 관대한 MIT 라이선스를 적용해 상업적 프로젝트에서도 자유롭게 수정하고 활용할 수 있습니다.

왜 중요한가

팟캐스트, 오디오북, 게임 보이스 등을 제작하는 개발자라면 지금 당장 테스트해 볼 가치가 충분합니다. 3GB 모델은 개인용 하드웨어에서도 가볍게 돌아가며, MIT 라이선스 덕분에 상용화 시 라이선스 문제를 걱정할 필요가 없습니다.

Fish Audio Drama 3 같은 기존 오픈소스 모델과 비교할 때 발음 안정성과 방언 지원이 돋보이며, 자연어로 직접 연기를 지시할 수 있어 작업 속도를 크게 줄여줄 수 있습니다.