「Ming-3.0-TTS」多言語対応の音声合成モデル:必要VRAM 24GB〜・ComfyUIの配置先

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | Comfy-Org/Ming-3.0-TTS |
| 公開元のまとめ | inclusionAI(Ant Group) のモデルとライセンスのまとめ |
| 公開日 | 2026-10-23 |
| ライセンス | mit |
| 配布形式 | safetensors |
| 出典の種類 | 公開元の一次情報(公式リポジトリのComfy-Orgが一次情報源) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
Comfy-Orgより、オープンウェイトの音声合成モデル「Comfy-Org/Ming-3.0-TTS」が公開されました。本モデルは、inclusionAIが開発した音声合成基盤モデル「Ming-3.0-tts-tiny」をComfyUI向けにリパッケージしたチェックポイントです。テキスト情報や参照音声を入力することで、多言語かつ表現力豊かな音声を生成できます。
スペック
本モデルの仕様は、元モデルである「inclusionAI/Ming-3.0-tts-tiny」および配布リポジトリの記載に基づき、以下のようになっています。
- パラメータ数: 総パラメータ数7.9B、トークンあたり約1.3Bパラメータを活性化(7.9B-A1.3B)
- アーキテクチャ: LingV3TTSForConditionalGeneration(lingv3_tts、Mixture of Experts)
- 出力の仕様: モノラル 44.1 kHz WAV(vLLM-Omni利用時の例)
- 対応言語: 中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語、および中国語方言(四川方言、広東語)
- 推奨推論設定: cfg_scale=2.0、temperature=0、flow_steps=10、sigma=0.25(元モデルのPython APIデフォルト値)
- ライセンスの条件: MITライセンスが適用されており、所定の著作権表示を保持することで商用利用を含めた利用が可能です
性能・品質
性能に関するベンチマーク結果は、元モデル「inclusionAI/Ming-3.0-tts-tiny」の開発元より詳細な比較データが公表されています。
ゼロショット音声合成の評価セット(Seed-TTS testset)における各モデルとの比較は以下の通りです。なお、WER(単語単位の誤り率)は低いほど優れていることを示します。
→ 横にスクロールできます
| Model | seed-tts-eval-zh / WER ↓ | seed-tts-eval-zh / SIM ↑ | seed-tts-eval-en / WER ↓ | seed-tts-eval-en / SIM ↑ |
|---|---|---|---|---|
| Seed-TTS | 1.110% | 0.796 | 2.240% | 0.762 |
| GLM-TTS | 1.030% | 0.761 | 2.230% | 0.672 |
| Qwen3-TTS | 1.070% | — | 1.390% | — |
| Qwen3-TTS-12Hz-0.6B-Base | 0.920% | — | 1.320% | — |
| Qwen3-TTS-12Hz-1.7B-Base | 0.770% | — | 1.240% | — |
| CosyVoice3-0.5B | 1.160% | 0.780 | 2.020% | 0.718 |
| CosyVoice3-1.5B | 0.710% | 0.775 | 1.450% | 0.695 |
| F5-TTS | 1.560% | 0.741 | 1.830% | 0.647 |
| Ming-3.0-tts-0.5b | 0.800% | 0.758 | 1.584% | 0.691 |
| Ming-3.0-tts-tiny | 0.820% | 0.781 | 1.666% | 0.728 |
公開元が公表した数値によると、Ming-3.0-tts-tinyは中国語のWERにおいて0.820%を記録し、GLM-TTS(1.030%)やCosyVoice3-0.5B(1.160%)などのモデルを上回る正確性を達成しています。また、中国語の話者類似度(SIM)でも0.781と上位の成績を示しています。一方で、英語のWERでは1.666%となっており、Qwen3-TTSシリーズやCosyVoice3-1.5Bなどの一部モデルには及びません。
続いて、多言語環境(MiniMax test set)における評価結果は以下の通りです。CER(文字単位の誤り率)およびWERは低いほど優れていることを示します。
→ 横にスクロールできます
| Model | German / WER ↓ | German / SIM ↑ | Spanish / WER ↓ | Spanish / SIM ↑ | French / WER ↓ | French / SIM ↑ | Korean / CER ↓ | Korean / SIM ↑ | Japanese / CER ↓ | Japanese / SIM ↑ |
|---|---|---|---|---|---|---|---|---|---|---|
| dots.tts | 0.452% | 0.798 | 2.593% | 0.839 | 19.878% | 0.789 | 4.837% | 0.853 | 5.134% | 0.838 |
| VoxCPM2 | 0.963% | 0.790 | 1.324% | 0.836 | 3.380% | 0.761 | 3.547% | 0.839 | 4.358% | 0.825 |
| Fish Audio S2 | 1.045% | 0.714 | 1.216% | 0.748 | 3.636% | 0.698 | 1.675% | 0.761 | 3.427% | 0.755 |
| FireRedTTS3 | 0.348% | 0.825 | 1.086% | 0.868 | 4.366% | 0.807 | 1.644% | 0.864 | 3.418% | 0.825 |
| Ming-3.0-tts-0.5b | 0.365% | 0.753 | 1.099% | 0.763 | 4.264% | 0.675 | 1.728% | 0.793 | 3.765% | 0.765 |
| Ming-3.0-tts-tiny | 0.325% | 0.791 | 0.971% | 0.797 | 3.470% | 0.733 | 6.000% | 0.797 | 3.427% | 0.780 |
公開元による測定値において、ドイツ語のWER(0.325%)およびスペイン語のWER(0.971%)は比較対象モデルの中で最も優れています。日本語のCERも3.427%と良好な水準を記録しています。一方で、韓国語のCERは6.000%と他モデルに比べて高く、公開元のモデルカードでも言語ごとの精度差が課題として指摘されています。
得意なこと・想定用途
本モデルのベースとなっている「Ming-3.0-tts-tiny」は、単なる文章の読み上げにとどまらず、多彩な制御機能と柔軟な音声表現を備えている点が特徴です。本リポジトリ「Comfy-Org/Ming-3.0-TTS」は、これらの強力な機能をComfyUIのノードベース環境で活用できるようにリパッケージされています。
元モデルの資料に基づくと、具体的には以下のような用途や制御を得意としています。
ゼロショット音声クローンと自然言語による音声デザイン
短時間の参照音声クリップを与えることで、その話者の声質を再現して発話させるゼロショット音声クローンに対応しています。また、音声素材を用意できない場合でも、「若い女性の声、澄んでいて自然」といった自然言語のテキスト指示(Voice Design)から目的の声色を新しく作り出すことが可能です。さらに、100種類以上の中国語内蔵音声や5種類の英語内蔵音声があらかじめ用意されており、参照音声を指定せずに手軽に合成することもできます。
多様な副言語表現や感情・話速のインライン制御
テキスト中にインラインタグを埋め込むことで、呼吸、咳、ため息、笑い声、ためらい、驚き、疑問・確認といった14種類の非言語的・副言語的表現を中国語や英語で再現できます。また、感情の指定をはじめ、話速、音の高さ(ピッチ)、音量などのパラメータを明示的に調整する機能も備えています。自由記述形式のプロンプトによる話調のコントロールにも対応しており、文脈に合わせた細やかなニュアンスの付け替えが可能です。
多言語展開と方言への対応
主要言語として中国語や英語のほか、ドイツ語、スペイン語、フランス語、韓国語、日本語といった多言語の音声合成に対応しています。さらに、中国語の標準語だけでなく、四川方言や広東語といった特定地域の方言制御にも対応しており、幅広い地域・文化圏のコンテンツ制作に適用できます。
複数話者によるポッドキャスト形式の対話生成
複数人の話者参照音声と台本スクリプトを用意することで、複数話者が掛け合いを行うポッドキャスト形式の対話音声を一括して合成するタスクにも対応しています。
ComfyUI環境への導入によって、画像生成や動画生成のワークフローと本音声合成モデルを同一のインターフェース上で直接連携させることが容易になります。たとえば、キャラクター画像の生成と同時にその外見に合わせた音声を生成したり、アニメーション動画に合わせたナレーションを生成したりといった高度な自動化パイプラインの構築に活用できます。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 9.0B(元モデル inclusionAI/Ming-3.0-tts-tiny の値)
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| RTX 4090 / 3090 など 24GB | BF16 | 16.7GB | 20.1GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は safetensors です。
ライセンス mit(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時に著作権表示とライセンス文を残すことが条件です。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
配布ファイル
Comfy-Org/Ming-3.0-TTS で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ | ComfyUIの配置先 |
|---|---|---|
checkpoints/ming_tts_tiny_int8_convrot.safetensors |
9.07GB | models/checkpoints/ |
ComfyUIの配置先は、リポジトリのフォルダ構成が ComfyUI の models/ と対応している場合にだけ示しています。
入手方法
本モデルはHugging Faceの「Comfy-Org/Ming-3.0-TTS」リポジトリにて公開されています。ゲート付きモデル(Gated Model)ではないため、利用規約への個別同意を行わずに直接ファイルをダウンロードできます。
配布形式と配置先
重みファイルは単一のsafetensors形式(ming_tts_tiny_int8_convrot.safetensors)として配布されています。ComfyUIで利用する場合は、リポジトリからファイルをダウンロードし、ComfyUIディレクトリ内の以下のフォルダ構造に従って配置します。
📂 ComfyUI/
├── 📂 models/
│ ├── 📂 checkpoints/
│ │ └── ming_tts_tiny_int8_convrot.safetensors
元モデル環境やサーバーでの推論について
ComfyUIを経由せず、元モデル「inclusionAI/Ming-3.0-tts-tiny」の単体コードやサーバー機能を用いて推論を行う場合は、開発元が公開しているGitHubリポジトリ(inclusionAI/Ming-3.0-tts)を参照することが推奨されています。元モデルの公式リポジトリでは、Python 3.10.15やPyTorch 2.7.1+cu118、transformers 4.46.3を指定した検証環境が案内されています。
また、元モデルはvLLM-Omni(バージョン0.32.0を想定)やSGLang-Omniを用いたOpenAI互換エンドポイント(/v1/audio/speech)での提供にも対応しています。これらの推論エンジンを利用してサーバーを起動することで、外部アプリケーションからREST API経由でWAVやMP3、FLAC形式の音声をリクエストして受け取ることができます。
なお、公開元では音声クローンや内蔵音声の利用について、同意のない実在人物のなりすましや詐欺、違法な目的での利用を禁止する旨を免責事項として明記しています。生成された音声が本物の録音と誤認される恐れがある場面では、合成音声であることを明示することが求められています。
関連記事
- 「PAN2」物理変化を予測するワールドモデル:ComfyUIの配置先
- 「MiniMax-H3-Image」16メガピクセル出力の画像生成モデル:必要VRAM 4GB〜・ComfyUIの配置先
- 「Idol」3D Gaussian Splatting生成モデル:ComfyUIの配置先
- 「Fibo-2.0」画像生成・編集ディフュージョンモデル:必要VRAM 32GB〜・ComfyUIの配置先
次に読むなら
- GPUのVRAMから探す(このモデルは24GBの階層から動きます) → 24GBのGPUで動くほかのモデル
- このモデルを動かすエンジンを調べる → ComfyUI
- このモデルを入手できる形式を調べる → Safetensors形式の解説と対応モデル
- 公開元について調べる → inclusionAI(Ant Group) のモデル・ライセンス・記事のまとめ
- 記事に出てくる WER・CER の読み方を知る → ベンチマーク用語集

