Ming-3.0-tts 本地部署先选 0.5B 版本起步，别一上来就冲着名字里的 Tiny 去。两个版本底层架构、依赖组合和调用入口都不一样：0.5B 是稠密架构，适合首次安装和完整体验控制能力；Tiny 是总参数 7.9B、每 token 约激活 1.3B 参数的混合专家模型，只有明确需要多说话人播客生成时才值得考虑。官方只公布了数据中心 GPU 上的测试结果，没有给出消费级显卡的最低配置，普通电脑能不能跑顺，先别打包票。
两个版本都支持七种语言、四川话和粤语两种方言任务，输出 44.1kHz 音频，能力包括零样本声音克隆、用文字描述设计音色、100 多种中文音色、情绪与语速控制，以及笑声、呼吸、叹气等 14 种行内提示。Tiny 额外提供多说话人播客模式。但这些控制项对应彼此独立的任务模式，不是能任意叠加的开关，自由表达模式不能和音色设计、情绪、方言等控制组合使用，需要一次调用同时指定克隆说话人、情绪和方言时，必须先验证任务契约支不支持。
两个版本必须分开建环境
0.5B 的参考环境是 PyTorch 2.6、CUDA 12.4，入口是 infer.py 与 MingTTS 类；Tiny 则固定用 Python 3.10.15、CUDA 11.8 的 PyTorch 2.7.1，入口是 infer_tiny.py 与 MingTinyTTS 类，官方明确要求 Tiny 单独建环境，不能和 0.5B 混装。数字、日期、单位和符号的文本规范化依赖固定版本的 Pynini，装不上时可以用参数跳过规范化，但缩写和数字会原样交给合成器，只适合排障。下载权重后先跑匹配的预检脚本，再尝试加载模型，出问题先核对版本对应关系，别反复重装。
在线体验先试，再决定要不要本地跑
不想折腾环境的人，可以先走在线体验或 API：蚂蚁的 Ling Studio 提供在线体验与 API 服务，能先验证音色、方言和情绪效果是否符合需求。本地部署的价值在于数据不出内网和长期批量生成，代价是显存、存储和维护成本都由自己承担。Tiny 整个仓库约 18GB，稀疏激活省的是计算量，不是存储。先用 0.5B 跑通一条完整链路，确认音质和控制方式够用，再决定要不要为播客模式升级 Tiny。
