Ming-3.0-tts-tiny مقابل Qwen-Audio-3.0-TTS: أحدهما لديه بطاقة أسعار، والآخر لديه مستودع
- OrcaجديدOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 9 tok/s
- deepseekجديدDeepSeek: DeepSeek V4.1 Flash 10172026-10-17$0.15 / $0.60 لكل مليون رمز · 230 tok/s
- DeepSeekجديدDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- OrcaجديدOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 95 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856الذكاء
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 788 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238الذكاء
- OpenAIOpenAI: GPT-6 Sol2026-09-2248الذكاء
- AnthropicAnthropic: Claude Opus 5.52026-09-2258الذكاء
- xAIGrok 4.72026-09-2146الذكاء
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 لكل مليون رمز · 39 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 لكل مليون رمز · 832 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453الذكاء77البرمجة
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241الذكاء76البرمجة
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245الذكاء76البرمجة
- AnthropicAnthropic: Claude Fable 5.12026-09-0153الذكاء82البرمجة
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 لكل مليون رمز · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 لكل مليون رمز · 119 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642الذكاء72البرمجة
المقارنة التي يريدها الجميع هي درجتان جانبيتان جنبًا إلى جنب، ولا يمكن إجراؤها بصدق اليوم. Ming-3.0-tts-tiny هي نقطة تفتيش صوتية بنمط مزيج الخبراء بعدد 7.9 مليار معامل من inclusionAI التابعة لـAnt Group، صدرت كأوزان بموجب MIT دون نقطة وصول مستضافة ودون تقييم مستقل. Qwen-Audio-3.0-TTS هي نقطة وصول مستضافة للتوليف على Alibaba Cloud Model Studio، أُطلقت في 20 يوليو 2026، وتُباع بفئة Flash وفئة Plus، دون أي أوزان في أي مكان ودون جدول معدل أخطاء منشور. أحد الجانبين لديه موقع في لوحة الصدارة وسعر. والآخر لديه خط معالجة قابل للتنزيل ومجموعة اختبارات معيارية من البائع. العمل المفيد هنا ليس اختيار فائز من هذين الأثرين؛ بل تحديد الأرقام التي يجوز وضعها جنبًا إلى جنب، والتي لا يجوز. تُجمَع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثقة الكامنة وراء إصدارات كهذا في أرشيف حوادث الذكاء الاصطناعي OrcaRouter حيث يحمل كل مدخل مصادره ودرجة خطورته وتصنيف ثقته وعلم النزاع الخاص به.
التواريخ مهمة، لأن كلا المنتجين لم يصل بالطريقة التي يوحي بها منشور إطلاق. أُنشئ مستودع Ming-3.0-tts-tiny على Hugging Face في 22 سبتمبر 2026، ورُفعت نقطة التحقق نفسها في 24 سبتمبر. وطوال ثلاثة أسابيع ونصف كانت مجرد مجلد من الأوزان دون أي وسيلة لتشغيلها: فشيفرة الاستدلال والأمثلة بنقرة واحدة ودليل المهام لم تظهر على GitHub إلا في 19 أكتوبر عند الساعة 08:58 بالتوقيت العالمي المنسق، عبر تسع عمليات إيداع خلال ظهيرة واحدة. ولم تعلن عنه Ant، ولا يوجد منشور مدونة، ولا فيديو لبطاقة النموذج، ولا تقرير تقني. أما Qwen-Audio-3.0-TTS، على النقيض، فقد شهد إطلاقًا حقيقيًا ولا يزال على قائمة أسعار Alibaba — والفئة المهمة للجودة، Plus، لا تزال في قمة سلّم التوليف لدى Alibaba حتى بعد وصول الجيل 3.1 في سبتمبر.
صف لوحة الصدارة هو نقطة التحقق الخاطئة، والمستودع لا يذكر ذلك.
ابدأ من هنا، لأن هذا هو الخطأ الذي سترتكبه الموجة الأولى من منشورات المقارنة. تدير Artificial Analysis لوحتين للصوت، وكلتاهما تضمّان نموذجًا يُسمى Ming-3.0-tts. اعتبارًا من 19 أكتوبر، يحتل النموذج 1,188 نقطة إيلو في لوحة صوت المزوّد و1,069 في لوحة الصوت المُتحكَّم فيه.
تلك المُدخلة هي 0.5B للنموذج، وليست هذه. لا يحتوي Ming-3.0-tts-tiny على أي صف في arena إطلاقًا — لا مُصنَّف، ولا غير مُصنَّف، ولا مُدخلة معاينة. يعرض ملف README على GitHub الرقمين 1,188 و1,069 في قسم النتائج دون تمييز نقطة التحقق التي أنتجتهما، وهذه بالضبط هي الطريقة التي يكتسب بها رقم ما التسمية الخاطئة بعد إعادة النشر مرتين.
لذا عندما ترى «Ming-3.0-tts 1,188 مقابل Qwen-Audio-3.0-TTS-Plus 1,266»، فإن ما يُقارَن فعليًا هو نموذج Ant الكثيف ذي نصف مليار معامل مقابل أكبر فئة مستضافة لدى Alibaba، مع غياب النموذج المذكور في عنوان هذا المقال عن لوحة الصدارة. الفجوة البالغة 78 نقطة حقيقية بالنسبة إلى 0.5B. وهي لا تقول شيئًا عن نموذج MoE الصغير، في أيٍّ من الاتجاهين. قد يكون النموذج الصغير أفضل؛ لكن لم يضعه أحد أمام لجنة تفضيل.
الغياب ليس درجة منخفضة. إنه نموذج غير مُقيَّم، وهذا التمييز هو السبب الكامل وراء وجود هذا القسم.
ما هو كل جانب في الواقع
انزع الغلاف التسويقي، فإن الشيئين يختلفان في النوع قبل أن يختلفا في الجودة.
• الصيغة — Ming-3.0-tts-tiny هي نقطة تحقق تقوم بتنزيلها: نحو 18 GB، و8,980,964,372 معاملًا بصيغة BF16 إضافة إلى 40,096 بصيغة F32، وتضم العمود الفقري Ling V3، ورأس محوّل انتشار، ومُرمِّزًا صوتيًا، ومُرمِّز المتحدث CAM++، ومُرمِّز النص. أما Qwen-Audio-3.0-TTS فهي نقطة نهاية HTTP تُعيد الصوت؛ لا يوجد شيء لتنزيله ولا ترخيص لتدقيقه.
• المعلمات — 7.9B إجمالًا مع نحو 1.3B نشطة لكل رمز، في مزيج متناثر من الخبراء، مقابل نموذج مُستضاف لا تنشر Alibaba عدد معلماته.
• الترخيص — MIT على كلٍّ من الأوزان والشيفرة، مع ملاحظة استخدام تطلب منك عدم انتحال شخصية الآخرين دون موافقتهم ووسم الصوت الاصطناعي. أما الجانب المستضاف، فتشمل شروطه اتفاقية API تجارية.
• اللغات — الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، بالإضافة إلى السيتشوانية والكانتونية عند توفير مقطع مرجعي بلهجة. يسرد Qwen-Audio-3.0-TTS 16 لغة و20 منطقة لهجة صينية.
• سطح التحكم — الاستنساخ بدون عينات، وتصميم الصوت من وصف، وتعليمات أسلوب حرة، و14 وسمًا شبه لغوي مضمّنًا، وإعدادات صريحة للمشاعر والسرعة والنغمة ومستوى الصوت، ومهمة بودكاست متعددة المتحدثين. يتيح Qwen-Audio-3.0-TTS الاستنساخ إضافة إلى نحو 86 وسمًا مضمّنًا للأداء وتحكم بنمط التعليمات.
• السعر — لا يوجد سعر مُدرج من جانب Ming-3.0-tts-tiny؛ إذ تدفع مقابل وقت GPU. يبلغ سعر Qwen-Audio-3.0-TTS-Plus ¥1.4 لكل 10,000 حرف في قائمة Alibaba في بكين، وهو ما تُطبّعه Artificial Analysis إلى 19.31 دولارًا لكل مليون حرف.
• درجة مستقلة — لا توجد لـ Ming-3.0-tts-tiny. 1,266 إيلو في Provider Voice و1,126 في Controlled Voice لـ Qwen-Audio-3.0-TTS-Plus، وكلاهما بفواصل ثقة لا تلامس 1,188 و1,069 الخاصين بصف Ming-3.0-tts.
نوعان من الأدلة لا يمكن تحويل أحدهما إلى الآخر
تقيس الساحة التفضيل. أما جداول Ant فتقيس الخطأ والتشابه. ولا يتحول أي منهما إلى الآخر، وينبغي مقاومة إغراء التعامل مع فجوة Elo كمُضاعِف للجودة.
ما يمنحك إياه Qwen-Audio-3.0-TTS هو حكم جمهور نسبي على أصواته الأصلية، تدعمه أعداد العينات وفترات الثقة. أما ما يمنحك إياه Ant فهو قياس مختبري لنموذجه هو مقابل مجموعة اختبار ثابتة، اختار فيها الفريق نفسه الذي بنى النموذج منظومة الاختبار والمقاطع المرجعية وشيفرة التقييم. كلاهما مشروع، ولا يُغني أحدهما عن الآخر، وواحد فقط منهما متاح للنموذج المذكور في عنوان هذا المقال.
مجموعة Ant واسعة، ويستحق أن تعرف ما تحتويه قبل أن تتجاهلها. على مجموعة Seed-TTS الصينية، يسجل النموذج الصغير خطأ كلمات بنسبة 0.820% عند تشابه متحدث 0.781 — أفضل رقم تشابه في أي مكان في جداول Ant المنشورة، بما في ذلك 0.758 لنظيره 0.5B. تصل الإنجليزية إلى 1.666% عند 0.728. تصل الألمانية إلى 0.325% خطأ أحرف والإسبانية إلى 0.971%، وكلاهما الأول في مقارنة Ant لثمانية أنظمة. اليابانية 3.427%، والفرنسية 3.470%. في اختبار NVBench أحادي الحدث للجوانب غير اللفظية، يتصدر الفئات الست كافة، بنسبة 17.23 PCER بالصينية و32.95 بالإنجليزية. تأتي مجموعات اللهجات بدقة 86.09% على WSC-Eval-TTS easy و92.90 على WSYue base، ومجموعة المشاعر بمتوسط 74.00% على CV3، وتصميم الصوت عند 75.37% على InstructTTSEval-ZH. كل ذلك أداة اختبار Ant الخاصة، تشغّلها Ant، وتُبلِّغ عنها Ant، ولا يعيد إنتاجها أحد.
الخلاصة الصادقة هي أن Qwen-Audio-3.0-TTS حكم عليه غرباء، بينما حكم على Ant مؤلفه. هذا ليس انتقاصًا من أي منهما؛ بل هو بيان عن ماهية الرقمين.
المواجهة المباشرة الوحيدة التي تنشرها Ant فعلًا، وهي ضد نفسها
وسط تلك المجموعة، توجد نتيجة تتصرف وكأنها مقارنة حقيقية، لأن المنافس هو نموذج Ant الخاص بحجم 0.5B، والفرق كبير بما يكفي ليصمد أمام أداة تقييم مختلفة.
في اللغة الكورية، يسجل Ming-3.0-tts-tiny معدل خطأ في الأحرف قدره 6.000%. أما النموذج 0.5B فيسجل 1.728%. الفريق نفسه، ومجموعة الاختبار نفسها، ويوم الإبلاغ نفسه — بفارق يقارب ثلاثة أضعاف ونصف، في الاتجاه الذي لم يتوقعه أحد من النموذج الأكبر. ولا تفسر بطاقة النموذج ذلك، كما يدرج قسم القيود اللغة الكورية ضمن نقاط الضعف المعروفة دون تقديم آلية لذلك.
ثمة تفسير بنيوي متاح، وينبغي وسمه بوصفه فرضية لا اكتشافًا: فالنماذج المتفرقة توجّه كل رمز عبر مجموعة فرعية من الخبراء، لذا قد تتدهور لغة تلقّت إشارة تدريب أقل داخل المزيج أسرع مما قد يحدث في نموذج كثيف بحجم إجمالي مماثل. ذلك معقول، لكنه غير مقيس. وما يمكن الدفاع عنه هو الاستنتاج التشغيلي، وهو أضيق نطاقًا: إذا كانت الكورية ضمن منتجك، فإن نقطة التحقق هذه ليست الخيار الذي ينبغي اللجوء إليه حتى يشغّلها أحدهم على نص كوري حقيقي وينشر النتيجة.
يغطي Qwen-Audio-3.0-TTS اللغة الكورية ضمن لغاته الـ16، ولا تنشر Alibaba أي معدل خطأ لكل لغة يمكن مقابلته بنسبة 6.000% الخاصة بـ Ant. لذا حتى نقطة الضعف لا يمكن تحويلها إلى مقارنة. ولا يمكن قراءتها إلا كتحذير.
مليون حرف، بسعر مضاعف
هنا يتوقف المنتجان عن كونهما مجردين.
تتقاضى Qwen-Audio-3.0-TTS رسومًا لكل حرف. وبسعر arena الموحّد البالغ 19.31 دولارًا لكل مليون حرف، تكلّف مليون حرف من التعليق الصوتي النهائي 19.31 دولارًا، ويتكلّف مئة مليون حرف 1,931 دولارًا. الرقم خطّي وقابل للتنبؤ ومتاح قبل أن تكتب أي شيفرة. ومعدل الإنتاجية على نفس أداة الاختبار المستقلة هو 25.61 حرفًا لكل ثانية من زمن التوليد، وهي مسألة تزامن لا مسألة فوترة عند نطاق الـAPI.
تُحتسب فاتورة Ming-3.0-tts-tiny بساعات GPU، وفي منتصف هذه الحسبة ثغرة. تم قياس النموذج الشقيق 0.5B عند 42.1 حرفًا في الثانية؛ أما النموذج الصغير فلم يُقس إطلاقًا. لا يمكنك استعارة إنتاجية شقيقه، لأن النموذج الصغير يفعّل ما يقارب ضعفين ونصف ضعف عدد المعاملات لكل رمز، ويشغل نحو 18 GB بدلًا من 2.96 GB. البطاقة الموصى بها من Ant هي H800، والبيئة المثبّتة — Python 3.10.15، وtorch وtorchaudio 2.7.1 مع CUDA 11.8، وtransformers 4.46.3 — هي الادعاء الأدائي الوحيد في الإصدار.
إذن أجرِ الحساب علنًا بدلًا من التظاهر بأن الأمر محسوم. عند 20 حرفًا في الثانية، يعني مليون حرف نحو 14 ساعة من التوليد؛ وعند 10 أحرف في الثانية يعني نحو 28 ساعة. اضرب تلك الساعات في تكلفة ساعة GPU لديك، وأضف وقت تحميل النموذج والانتظار في الطابور وإعادة المحاولات، ثم قارن بـ 19.31 دولارًا. عند أقل من بضعة ملايين حرف شهريًا، يتفوق السعر المستضاف عادةً من حيث التكلفة الإجمالية بمجرد احتساب وقت شخص ما. وفوق ذلك، على عتاد تملكه بالفعل وتُبقيه مشغولًا، تكون التكلفة الحدية لنقطة التحقق لكل ساعة هي نفس تكلفة أول ساعة لها — وهي الميزة الهيكلية التي لا يمكن لأي قائمة أسعار أن تضاهيها.
شيء واحد لا ينبغي أن تخفيه مقارنة الأسعار: النموذجان ليسا المنتج نفسه بأي سعر. فطبقة Plus في Qwen-Audio-3.0-TTS كتالوج صوتي جاهز بـ16 لغة؛ أما Ming-3.0-tts-tiny فهو خط معالجة تشغّله أنت، وتقيس جودة مخرجاته بنفسك.
مسألة الطبقة التي لم تحلها Alibaba
أي شخص يختار Qwen-Audio-3.0-TTS اليوم إنما يختار داخل عائلة تغيّر ما تحتها. فقد أُعلن عن سلسلة Qwen-Audio-3.1 في 23 سبتمبر 2026، وتُدرج Artificial Analysis نسخة Qwen-Audio-3.1-TTS-Plus عند 1,300 نقطة Elo في Provider Voice و1,186 في Controlled — أعلى من 3.0 Plus على كلتا اللوحتين، بتاريخ 24 سبتمبر، وبالسعر نفسه البالغ 19.31 دولارًا لكل مليون حرف.
لكن بطاقة الأسعار العامة لدى Alibaba لا تسرد سوى SKU من فئة Flash لـ 3.1 TTS، لذا فإن ما إذا كانت فئة 3.1 Plus قابلة للاستدعاء اليوم هو سؤال يخص لوحة تحكم البائع نفسها وليس أمرًا يُستنتج من لوحة تصنيفات. وفي كلتا الحالتين، فإن القراءة العملية واحدة: فئة 3.0 Plus ليست مهجورة، لكنها لم تعد أحدث ما قيّمته Alibaba، وعلى المشتري أن يتأكد من أي SKU يتعاقد عليه فعليًا قبل مقارنة سعره بأي شيء.
بالنسبة إلى Ming-3.0-tts-tiny، لا يوجد سؤال عن المستويات على الإطلاق — فهناك نقطة تحقق واحدة، ولا خارطة طريق بتواريخ، وملاحظة دعم لـ vLLM-Omni ظهرت في الوثائق في اليوم نفسه الذي ظهر فيه الكود.
ما لا تُثبته المستودعات
هناك أربع فجوات يجدر تسميتها قبل أن يضع أي شخص خططًا بناءً على هذا النموذج.
• لا توجد درجة مستقلة — لا صف في الساحة، ولا معدل خطأ كلمات من طرف ثالث، ولا إنتاجية مقاسة. الصف الذي يبدو أنه يخص Ming-3.0-tts-tiny يعود إلى 0.5B.
• لا يوجد تقرير تقني — فخريطة الطريق تُدرجه غير مُنجَز، وقد عُدّلت بطاقة النموذج في 16 أكتوبر لإزالة الإشارة إليه.
• لا توجد نقطة نهاية مستضافة — فلا توجد واجهة برمجة تطبيقات من الطرف الأول ولا سعر، لذا فإن المسار الوحيد إلى الإنتاج هو بنيتك التحتية الخاصة.
• لا توجد وصفة للضبط الدقيق — يوثّق المستودع مهام الاستدلال، لا التدريب. إن الضبط الدقيق باستخدام LoRA أو الضبط الدقيق الكامل على نقطة التحقق هذه غير موثّق، وهو وضع مختلف عن نموذج يُشحن معه سكربتات التدريب.
في وقت الالتقاط، أظهر مستودع Hugging Face 20 تنزيلًا و3 إعجابات، وأظهر مستودع GitHub عددًا قليلًا من النجوم ولا إصدارات. وهذا ليس دليلًا على أي شيء سوى أن الإصدار كان هادئًا، وهو الادعاء الوحيد الذي يجزم به هذا المقال.
ما قيمة هذه المقارنة في الممارسة العملية
إذا كنت بحاجة إلى حل صوتي جاهز للإنتاج هذا الشهر، وبأكثر من لغتين، مع تولّي طرف آخر مسؤولية ضمان التوفّر التشغيلي، فإن Qwen-Audio-3.0-TTS-Plus هو الخيار الذي يمكن الدفاع عنه: فهو مُقيَّم ومسعَّر وموثَّق ومدعوم، ودرجة Elo البالغة 1,266 مقيسة لا مُدَّعاة.
إذا كنت بحاجة إلى امتلاك النموذج — استنساخ أصوات لا يمكنك إرسالها إلى طرف ثالث، والتوليد بحجم تكون فيه الفوترة لكل حرف هي الغالبة، والشحن بموجب ترخيص يسمح بإعادة التوزيع — فإن Ming-3.0-tts-tiny هو الوحيد من بين الاثنين الذي يمكن أن يكون ملكك. اقبل في المقابل أنك ستكون أول من يقيّمه بمعايير الأداء، وأن الكورية ضعف معروف ينشره مورده نفسه، وأن خط المعالجة عمره أسبوع واحد.
لا يوجّه OrcaRouter أيًّا من النموذجين، ولا ينبغي قراءة أي شيء هنا على أنه ادعاء بخلاف ذلك؛ فالوصول إلى الصوت يتم عبر القناة الخاصة بكل مورّد، والوصول إلى نقطة التحقق Ming-3.0-tts-tiny يتم عبر عتادك الخاص. وما نوجّهه فعلاً هو النصف النصي من خط المعالجة نفسه — أكثر من 200 نموذج خلف مفتاح واحد، بسعر القائمة لدى المزوّد دون أي زيادة سعرية مضافة، لذا فإن تغيّر السعر من مزوّد نصي يصبح سعرك في اليوم نفسه. بالنسبة إلى منتج صوتي، فإن النص المكتوب والتوجيه الشبيه بـ SSML والوكيل الذي يقرر ما يُقال كلها نصوص، وهذا هو الجزء الذي لا يفيدك فيه عقد مورّد ثانٍ على الإطلاق.
الرقم الذي من شأنه أن يحسم هذا الأمر لم يوجد بعد. وهو ليس نتيجة Elo؛ بل هو بعد ظهر واحد على H800 لتشغيل نقطة الحفظ الصغيرة مقابل نفس المقاطع المرجعية التي استخدمها Ant، مع نشر النتائج إلى جانب أداة الاختبار. وإلى أن يفعل أحد ذلك، فإن الموقف الصادق هو الموقف الذي اتخذته هذه المقالة: عملان موثوقان، أحدهما مُقيَّم والآخر غير مُقيَّم، ومقارنة لا بد أن تُجرى على أساس الملكية وشكل التسعير والمخاطر اللغوية بدلًا من الجودة.
