एंटी ग्रुप की इनक्लूजनएआई टीम ने मिन्ग-3.0-टीटीएस - भाषण उत्पन्न करने के लिए मॉडलों का एक परिवार - को सार्वजनिक रूप से जारी किया है, जिसका उद्देश्य स्थानीय परिनियोजन के लिए पर्याप्त कॉम्पैक्ट होने वाले मॉडलों में आवाज पर विस्तृत नियंत्रण सुनिश्चित करना है। कोड, कार्य दिशानिर्देश और मूल्यांकन तालिकाएँ गिटहब पर उपलब्ध हैं, जबकि वज़न हगिंग फेस और मॉडलस्कोप पर रखे गए हैं, और सभी सामग्री एमआईटी लाइसेंस के तहत वितरित की जाती है।
इस रिलीज़ में दो मॉडल शामिल हैं। मिन्ग-3.0-टीटीएस-0.5बी लगभग आधा बिलियन पैरामीटर वाला एक सघन मॉडल है। मिन्ग-3.0-टीटीएस-टिनी एंटी के लिंग वी3 आर्किटेक्चर पर बनाया गया एक मिक्सचर-ऑफ-एक्सपर्ट्स प्रकार का मॉडल है, जिसमें कुल मिलाकर 7.9 बिलियन पैरामीटर हैं, जिनमें से प्रत्येक टोकन के लिए 1.3 बिलियन सक्रिय होते हैं। दोनों मॉडल एक ही जनरेटिव संरचना का उपयोग करते हैं: एक भाषा मॉडल, जिसे विशिष्ट कार्य टोकन और पाठ द्वारा नियंत्रित किया जाता है, जो DiT पैच-हेड और ऑडियो-टोकनाइज़र को प्रभावित करता है।
इन मॉडलों की क्षमताएं व्यापक हैं। उपयोगकर्ता संदर्भ आवाज क्लोन कर सकते हैं, पाठ विवरण के आधार पर नई आवाज बना सकते हैं, या 100 से अधिक अंतर्निहित चीनी आवाजों और पांच अंग्रेजी आवाजों में से चुन सकते हैं। भाषण को प्राकृतिक भाषा निर्देशों का उपयोग करके नियंत्रित किया जा सकता है, और भावना, गति, पिच और वॉल्यूम जैसे मापदंडों को सीधे समायोजित किया जा सकता है। चौदह अंतर्निहित टैग चीनी और अंग्रेजी दोनों भाषाओं में हंसी, आहें और अन्य मुखर ध्वनियों को सम्मिलित करने की अनुमति देते हैं। मॉडल चीनी, अंग्रेजी, जर्मन, स्पेनिश, फ्रेंच, कोरियाई और जापानी भाषाओं के साथ-साथ सिचुआन और कैंटोनीज़ का समर्थन करते हैं।
टिनी मॉडल अतिरिक्त रूप से स्क्रिप्ट और आवाज नमूनों के अनुसार उत्पन्न बहु-वक्ता संवादों का समर्थन करता है, जो लंबी पॉडकास्ट शैली में ऑडियो बनाने पर केंद्रित है। टीम बताती है कि ये क्षमताएं मनमाने संयोजनों के बजाय अलग-अलग कार्य मोड के रूप में कार्य करती हैं।
रिपॉजिटरी के अनुसार, मिन्ग-3.0-टीटीएस आर्टिफिशियल एनालिसिस कंट्रोल्ड वॉइस रैंकिंग में ओपन-वेट मॉडल में पहले स्थान पर रहा और उच्चारण स्थिरता स्कोर में समग्र रूप से पहला स्थान प्राप्त किया, अक्टूबर 2026 तक 93.2% सही ढंग से बोले गए खंडों को प्राप्त किया। हालांकि, टीम चेतावनी देती है कि नए मॉडल जोड़े जाने पर ये रैंकिंग बदलती रहती हैं। खुले बेंचमार्क पर, मॉडल एनवीबेंच के छह पैरालिंग्विस्टिक मेट्रिक्स में सूचीबद्ध ओपन-सोर्स मॉडलों में अग्रणी प्रदर्शन प्रदर्शित करता है, 0.5बी मॉडल के लिए कैंटोनीज़ बेसलाइन सेट पर त्रुटि आवृत्ति और टिनी मॉडल के लिए जर्मन और स्पेनिश में शब्द त्रुटि आवृत्ति के मामले में भी।
README फ़ाइल में कमजोरियों का ईमानदारी से उल्लेख भी किया गया है। हाल ही में जोड़े गए भाषाओं में आवाज समानता मुख्य रूप से शीर्ष तीन में नहीं आती है, पिच नियंत्रण सबसे कम सटीक विशेषता है, कोरियाई मॉडल टिनी की त्रुटि दर छोटी मॉडल से काफी पीछे है, और पॉडकास्ट के लिए ऑडियो गुणवत्ता अभी भी पिछले रिलीज मिन्ग-ओमनी-टीटीएस से पीछे है। रोडमैप में अगले कदमों के रूप में vLLM-Omni का त्वरित आउटपुट और तकनीकी रिपोर्ट सूचीबद्ध हैं। परियोजना उपयोगकर्ताओं से अनुरोध करती है कि वे सहमति के बिना वास्तविक लोगों की आवाज़ों को क्लोन न करें और सिंथेटिक भाषण को वहां लेबल करें जहां इसे वास्तविक रिकॉर्डिंग समझा जा सकता है।