语音合成(TTS,把文字变成人声的那类模型)这块,开源阵营又添一员能打的。
蚂蚁 inclusionAI 把 Ming-3.0-tts 甩到 GitHub 上了,两个尺寸:0.5B 的 dense 版和基于 Ling V3 的 tiny 版(7.9B 总参数、1.3B 激活)。都走 MIT 协议,权重 Hugging Face 和 ModelScope 随便下。
重点不是参数,是授权。MIT 意味着你商用基本零顾虑,不用看脸、不用谈授权。在 TTS 这个闭源厂靠 API 收费的领域,开源权重每多一个能打的,云厂商的定价权就被撬一下。
我的判断:语音这层会先被开源打穿。相比大模型要拼算力和数据,TTS 的算力门槛低得多,端侧跑得动,厂商护城河薄。
但别高估"能下"就等于"能用"。多语言、副语言(语气、停顿、情绪)控制这些细活,榜单分数和真实体验差着一截。真要进生产,还是得拿自己的语料撸一遍。