ปล่อยอะไรมาบ้าง
- Ming-3.0-tts-0.5B รุ่นเล็กสุด ไว้อ่านข้อความออกเสียง ขนาด 0.5B สร้างต่อจาก Qwen2.5
- Ming-3.0-tts-tiny อ่านออกเสียงได้ยาวขึ้น และทำบทคุยหลายคนแบบพอดแคสต์ได้ ขนาดรวม 7.9B แต่เรียกใช้จริงทีละราว 1.3B
- Ming-3.0-audio-flash รุ่นใหญ่ ฟังไฟล์เสียงยาว ๆ แล้วสรุป ตอบคำถาม เข้าใจเพลงและเสียงรอบตัว ขนาดรวม 126B เรียกใช้จริงทีละ 6.5B
- Ming-3.0-audio-tiny รุ่นย่อของตัวบน ขนาดรวม 9.3B เรียกใช้จริงทีละ 2.7B ถ้าตอบเป็นข้อความใช้การ์ดจอใบเดียวพอ
- Ming-3.0-asr-tiny ถอดเสียงพูดภาษาจีน อังกฤษ และภาษาถิ่นจีน ใส่คำเฉพาะทางเป็นคำใบ้ให้ถอดแม่นขึ้นได้
- คำว่าขนาดรวมกับเรียกใช้จริงต่างกันเพราะโมเดลพวกนี้แบ่งเป็นหลายส่วนย่อย แต่ละครั้งปลุกมาทำงานแค่บางส่วน เลยตอบเร็วกว่าขนาดจริง
- ทุกรุ่นใช้สัญญาอนุญาต MIT เอาไปใช้เชิงพาณิชย์ได้ โหลดได้จาก Hugging Face และ ModelScope
ฝั่งพูดทำอะไรได้
- พิมพ์บรรยายลักษณะเสียงที่อยากได้ แล้วให้โมเดลสร้างเสียงใหม่ขึ้นมาเลย
- เลียนเสียงคนจากคลิปตัวอย่างสั้น ๆ ได้
- ใส่เสียงหัวเราะ ถอนหายใจ ไอ หรือลังเล ลงกลางประโยคได้ 14 แบบ และสั่งอารมณ์ ความเร็ว ระดับเสียงได้
- พูดได้ 7 ภาษา คือ จีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น
- บริษัทบอกว่าในกระดานจัดอันดับเสียงของ Artificial Analysis รุ่นนี้ได้ที่ 1 ในกลุ่มโมเดลโหลดฟรี หมวดสั่งลักษณะเสียง ได้ 1,069 คะแนน
- แต่ในชุดทดสอบอ่านภาษาจีน Seed-TTS ยังมีรุ่นโหลดฟรีของ Alibaba ที่อ่านผิดน้อยกว่า ทั้ง CosyVoice3 และ Qwen3-TTS
ฝั่งฟังเก่งแค่ไหน
- ตามตารางของบริษัท Ming-3.0-audio-flash ชนะ Gemini 3.8 Flash ในงานใช้เหตุผลจากเสียงและงานเข้าใจเสียงทั่วไป
- แต่ยังแพ้ Gemini 3.8 Flash ชัดในงานคุยด้วยเสียง งานฟังเสียงยาว และงานสั่งเครื่องมือด้วยเสียง
- รุ่นถอดเสียงถอดผิดน้อยที่สุดในภาพรวม เมื่อเทียบกับรุ่นโหลดฟรีของ Alibaba และ Xiaohongshu
- แต่หมวดภาษาถิ่นจีนกับภาษาจีนกลาง ยังมีคู่แข่งที่ถอดผิดน้อยกว่า
- ตัวเลขทั้งหมดมาจาก inclusionAI เอง และคะแนนคู่แข่งบางตัวทีมนี้วัดเอง ยังไม่มีผลจากคนนอก
ยังติดอะไรอยู่
- ยังไม่รองรับภาษาไทย ทั้งฝั่งพูด ฝั่งฟัง และฝั่งถอดเสียง
- รุ่นใหญ่ audio-flash ต้องใช้การ์ดจอ H800 ขนาด 80GB ถึง 8 ใบ ถ้าจะรันแบบรับข้อความยาว 128K
- รุ่นถอดเสียงยังไม่บอกว่าใครพูด ไม่มีเวลากำกับแต่ละคำ และตัวอย่างที่ให้มายังรับเสียงสดไม่ได้
- ไฟล์บางรุ่นขึ้น Hugging Face ตั้งแต่เดือน ก.ย. แต่เพิ่งประกาศเปิดตัวอย่างเป็นทางการคืนวันที่ 19 ต.ค. ตามเวลาไทย พร้อมให้รันผ่าน vLLM และ SGLang ได้ทันที
สรุป
Ming-3.0 ไม่ได้ชนะทุกการทดสอบ จุดขายจริงคือได้ครบทั้งพูด ฟัง และถอดเสียงในชุดเดียว แล้วเอาไปทำธุรกิจได้ฟรี คนไทยยังต้องรอรุ่นที่พูดไทยได้ แต่ทีมที่ทำแอปภาษาอังกฤษหรือจีนมีตัวเลือกให้ลองแทนบริการเสียงแบบเสียเงินแล้ว
แหล่ง: inclusionAI (Ant Group) บน Hugging Face · Ant Ling บน X · 19 ต.ค. 2026