Ming-3.0-tts مقابل Qwen-Audio-3.0-TTS: أوزان مفتوحة في مواجهة صوت تُحاسَب عليه بالحرف

Ming-3.0-tts وQwen-Audio-3.0-TTS هما أكثر نظامي تحويل النص إلى كلام صينيين مصداقيةً صدرا في عام 2026، وهما يختلفان في كل شيء تقريبًا عدا جودة مخرجاتهما. Ming-3.0-tts هو نموذج Ant Group مفتوح الأوزان ومرخّص بموجب MIT، نشره فريق inclusionAI في 20 أكتوبر 2026 ضمن عائلة Ming-3.0 الصوتية. Qwen-Audio-3.0-TTS هو مُركّب كلام مغلق يعمل عبر API فقط من Alibaba، أُعلن عنه في WAIC في 20 يوليو 2026 بفئتَي Plus وFlash دون نشر أي أوزان على الإطلاق. أحدهما تنزّله وتشغّله؛ والآخر تستأجره بالحرف. هذا الفرق هو المقارنة، وفجوة الجودة أصغر من فجوة نموذج الأعمال.

هناك أيضًا تفصيل دقيق يفوته معظم مقارنات هذين الطرازين، وهو يغيّر التوصية: لم يعد Qwen-Audio-3.0-TTS هو طراز Qwen الصوتي الذي ستشتريه فعليًا. فقد استبدلته Alibaba بـ Qwen-Audio-3.1-TTS في 23 سبتمبر 2026، وخفضت أسعار التوليد بنحو 70% في اليوم السابق. لذا تقارن هذه الصفحة الطراز المذكور في العنوان بـ Ming-3.0-tts، لأن هذا هو ما يبحث عنه الناس، ثم تخبرك بما يغيّره Qwen الأحدث في الإجابة.

النموذج المذكور في العنوان تم استبداله بالفعل

أُطلقت Qwen-Audio-3.0-TTS في WAIC بادعاء حقيقي: المركز الأول على Provider Voice Arena التابعة لـ Artificial Analysis، متقدمةً على Gemini 3.1 Flash TTS وقائمة طويلة من الأنظمة التجارية. وطُرحت على مستويين — Plus للجودة، وFlash للتفاعل في الوقت الفعلي بزمن وصول أول حزمة يبلغ نحو 300 مللي ثانية — بأسعار قائمة تبلغ نحو 27.60 دولارًا و15 دولارًا لكل مليون حرف على الترتيب.

بعد تسعة أسابيع، وصل Qwen-Audio-3.1-TTS إلى مؤتمر Apsara. التغييرات المهمة لهذه المقارنة:

• السعر — انخفاض التوليف بنحو 70%، والزمن الفعلي بنحو 85%، ساري اعتبارًا من 22 سبتمبر 2026 لمنطقتي بكين وسنغافورة. وهذا يضع 3.1 TTS Flash عند نحو ¥1.5 لكل مليون رمز إدخال و¥12 لكل مليون رمز إخراج، ويضع مكافئ Plus قرب $8 لكل مليون حرف على الوحدة القديمة.

• التحكم — تعليمات حرة باللغة الطبيعية للعاطفة والإيقاع والأسلوب تحل محل 86 وسم إلقاء مضمّنًا في الإصدار 3.0. هذا تغيير في سهولة الاستخدام، وليس تغييرًا في الجودة، وهو التغيير الأرجح أن يؤثر في إمكانية إطلاقك.

• استنساخ — نقل الجرس عبر اللغات بين الماندرين والكانتونية والإنجليزية واليابانية، بالإضافة إلى التعامل المباشر مع الصوت المرجعي المشوّش أو ذي الصدى.

• التحقق — لا توجد درجة مستقلة من Arena في وقت كتابة هذا النص. مزاعم الجودة الخاصة بالإصدار 3.1 هي مزاعم من الجهة المورّدة.

إذن، الصياغة المنصفة ليست «Ming في مقابل Qwen»، بل «Ming في مقابل الجيل الحالي من Qwen، الذي أصبح سعره الآن نحو ثلث ما كان 3.0 يتقاضاه». وبذلك تضيق ميزة Ming في التكلفة تبعًا لذلك. أما الفرق المعماري فلا يضيق.

منتجان مختلفان، لا نسختان لمنتج واحد.

• نموذج التوزيع — Ming-3.0-tts عبارة عن أوزان مرخّصة بموجب MIT على Hugging Face وModelScope، مع شيفرة استدلال في مستودع GitHub منفصل. لا تنشر Qwen-Audio-3.0-TTS أي أوزان؛ بل تُقدَّم عبر Alibaba Cloud Model Studio.

• الحجم — نقطة التحقق الافتراضية لدى Ming هي 0.5B معلمة، كثيفة، على بنية أساسية Qwen2.5-0.5B، بحوالي 2.96 GB. ونظيرتها Ming-3.0-tts-tiny هي MoE بإجمالي 7.9B معلمة، منها 1.3B نشطة، على بنية Ling V3 الأساسية من Ant. ولا تفصح Qwen عن أعداد المعلمات لأي من الفئتين.

• الحد الأقصى لجودة الإخراج — يصل Ming إلى 44.1 كيلوهرتز كحد أقصى. انتقل Qwen-Audio-3.0-TTS إلى 48 كيلوهرتز، ويدعم التركيب بمرور واحد لمدة تصل إلى ثلاث دقائق.

• تغطية اللغات — يغطي Ming اللغات الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، إضافةً إلى السيشانية والكانتونية. ويغطي Qwen 16 لغة و20 منطقة لهجات صينية، بعد أن أضاف العربية والفيتنامية والملايوية والفلبينية مع الإصدار 3.0.

• الأصوات — توفّر Ming أكثر من 100 صوت صيني وخمسة أصوات إنجليزية. كتالوج Qwen عبارة عن مجموعة مستضافة لا تديرها أنت.

• واجهة التحكم — يتيح Ming تصميم الصوت انطلاقًا من وصف نصي، و«وضع المخرج» لتوجيهات الأداء الحرة، و14 وسمًا ضمنيًا داخل النص، وأدوات تحكم صريحة في الانفعال والسرعة والحدّة ومستوى الصوت. وقد قدّم Qwen 3.0 مطالبات مخرج بأسلوب حر مع وسوم دقيقة؛ أما 3.1 فقد استبدل الوسوم بتعليمات.

النمط في تلك القائمة متسق: يمنحك Ming مزيدًا من التحكم في مجموعة لغات أضيق، بينما يمنحك Qwen تغطية أوسع مع رؤية أقل لما يكمن خلفها.

الجودة: ما تقوله الساحة، وما لا تقوله

يمتلك كلا النموذجين قياسات مستقلة، وهو أمر نادر بما يكفي ليستحق استخدامه بعناية. الفخّ هو المقارنة عبر لوحات مختلفة.

على Provider Voice Arena — حيث تتحدث النماذج بأصواتها الأصلية الافتراضية، وهي المقارنة المتماثلة — سجّل Qwen-Audio-3.0-TTS-Plus 1,238 نقطة Elo في أغسطس 2026 و1,259 بحلول سبتمبر، واحتل المرتبة الثانية. وسجّل Ming-3.0-tts 1,188 نقطة Elo، محتلًا المرتبة الثالثة بين النماذج المفتوحة الأوزان والمرتبة 18 إجمالًا تقريبًا. وفي ذلك التصنيف، يتقدّم Qwen بنحو 50 إلى 70 نقطة Elo، وهي فجوة حقيقية لكنها ليست هائلة — تقريبًا الفرق بين فئتين متجاورتين من الأصوات التجارية.

لدى Ming نتيجتان لا يستطيع Qwen مجاراتهما على اللوحة نفسها. فقد تعادل على المركز الأول إجمالًا في متانة النطق بنسبة 93.2%، ويحتل المرتبة الأولى بين النماذج مفتوحة الأوزان في Controlled Voice Arena برصيد 1,069 Elo، وهي لوحة مبنية من ثمانية أصوات مستنسخة عبر لهجات أمريكية وبريطانية. لا يظهر Qwen على لوحة الأصوات المضبوطة، لأنه لا توجد نقطة تحقق محلية لاختبارها في هذا التقييم.

عند قراءتها معًا، تقول تلك الأرقام شيئًا محددًا. يكون Ming في أفضل حالاته عندما يعيد إنتاج صوت تمنحه إياه، وفي أضعف حالاته عندما يستمد من كتالوجه الإنجليزي الصغير. أما Qwen فهو قوي في أصواته الخاصة ويزعم تحقيق أفضل تشابه للمتحدث على مستوى الصناعة عبر اللغات الـ16 كلها — وهو ادعاء من البائع، لا ادعاء مستقل. إذا كان عبء عملك هو «استنسخ مؤسسنا واقرأ النشرة الإخبارية»، فإن أقوى ورقة لدى Ming هي التي تهم. وإذا كان «أعطنا 40 صوتًا في 12 لغة»، فإن تغطية Qwen هي الحقيقة الحاسمة.

رقم واحد أبلغ عنه مورّد يستحق التنبيه لأنه غير معتاد وعملي: فقد أُبلغ عن إنتاجية Qwen-Audio-3.0-TTS بنحو 16 حرفًا في الثانية، مقابل نحو 120 لـ Sonic 3.5 و30 لـ Simba 3.2. هذا بطيء. وهو السبب في وجود فئة Flash، وهو نوع القيود التي لن تُظهرها لك لوحة صدارة الجودة أبدًا. ولا توجد لنقطة التحقق 0.5B الخاصة بـ Ming أي إنتاجية عامة مماثلة، وهذا ثغرة بحد ذاتها.

التكلفة، بالوحدة التي يتقاضى بها كلّ منها

لا يشترك النموذجان في وحدة قياس، لذا يجب تحويل المقارنة قبل أن تصبح ذات معنى. وبمعدل 14 حرفًا تقريبًا في الثانية من الكلام، فإن مليون حرف يعادل نحو 19 إلى 20 ساعة من الصوت.

• Qwen-Audio-3.0-TTS-Plus — $27.60 لكل مليون حرف، أو نحو $1.40 لكل ساعة صوتية بسعر القائمة.

• Qwen-Audio-3.0-TTS-Flash — حوالي 15 دولارًا لكل مليون حرف، أو ما يقرب من 0.76 دولار لكل ساعة صوتية.

• Qwen-Audio-3.1-TTS — بعد تخفيض سبتمبر، نحو ثلث سعر 3.0، أي ما يقارب 0.40 إلى 0.45 دولار لكل ساعة صوتية لتركيب مكافئ.

• Ming-3.0-tts — لا سعر لكل حرف. أوزان بترخيص MIT، وفاتورة GPU بدلًا من ذلك. يعمل H800 مستأجر بتكلفة نحو دولارين لكل ساعة GPU، ويشغّل نموذجًا بحجم 0.5B بسرعة تتجاوز الزمن الحقيقي بكثير، فينتج عدة ساعات صوتية لكل ساعة زمن فعلي؛ وعند المعالجة على دفعات، ينخفض المعدل الفعلي إلى أقل مما يمكن لأي من الأسعار المحسوبة أعلاه الوصول إليه عند حجم مستمر.

نقطة التعادل هي جوهر الحجة بأكملها. فلبضع ساعات من الصوت شهريًا، تُعدّ الاستضافة الذاتية صفقة سيئة: إذ تظل وحدة معالجة الرسومات خاملة 99% من الوقت، وتستغرق حزمة التبعيات يومًا كاملًا من العمل، كما أن تكلفة واجهة برمجة التطبيقات ذات التسعير حسب الاستخدام أقل من فاتورة الكهرباء. أما لبضع مئات من الساعات شهريًا، فتصبح واجهة برمجة التطبيقات ذات التسعير حسب الاستخدام الخيار الأغلى بفارق كبير، ويتسع الفارق مع كل ساعة إضافية لأن التكلفة الحدية لعملية التوليد التالية تقارب الصفر. ويعتمد تحديد موقع نقطة التعادل لديك بدقة على تسعير وحدة معالجة الرسومات ومعدل استخدامها، لكنها تُقاس بمئات الساعات شهريًا، لا بالآلاف.

ثمة تكلفة ثانية لا تظهر في أيّ من قائمتي الأسعار: تكلفة أن يتغيّر النموذج من تحتك. كان Qwen-Audio-3.0-TTS أفضل نموذج كلام باعته Alibaba لنحو تسعة أسابيع. وأيّ شخص بنى منتجًا على قواعد التحكم ذات الوسوم الـ86 الخاصة به أمضى شهر سبتمبر في إعادة كتابة المطالبات لتصبح تعليمات باللغة الطبيعية. لا يمكن إيقاف دعم أوزان Ming بترخيص MIT، بل كل ما يمكن هو أن تحسّنها أنت.

التحكم والاستنساخ وواقع النشر

تصميم صوت Ming هو الميزة التي لا يملك Qwen بديلًا مكافئًا لها. تصف متحدثًا في نص — العمر، وجرس الصوت، والإيقاع، واللكنة — ويقوم النموذج بتوليف صوت مطابق، دون مقطع مرجعي. بالنسبة إلى إنشاء نموذج أولي لشخصية أو لصوت علامة تجارية قبل أن يتوفر لديك تسجيل، فإن هذا يمثل سير عمل مختلفًا فعليًا عن الاختيار من كتالوج.

ثقل الموازنة لدى Qwen هو المتانة. فإصداره 3.1 يتعامل تحديدًا مع الصوت المرجعي المشوّش وذاك الذي يحمل صدى، وهو نمط الفشل الذي يقتل الاستنساخ في عمليات النشر الواقعية: يسجّل أحدهم عيّنة على حاسوب محمول في قاعة اجتماعات، فيبدو الصوت المستنسخ وكأنه شخص آخر. وبطاقة نموذج Ming صريحة في أن تشابه المتحدث يقل عن دقة المحتوى، مع كون الفرنسية أوضح فجوة متعددة اللغات.

النشر هو النقطة التي يتباعد فيها الاثنان بأقصى حد من حيث الجهد.

• Ming — استنسخ مستودع GitHub، وثبّت CUDA 12.4 وPyTorch، واختياريًا ابنِ flash-attn، وثبّت pynini لتطبيع النص، وشغّل infer.py أو واجهة ming_tts.MingTTS البرمجية في Python. يستضيف Hugging Face نقاط التحقق فقط ويذكر ذلك في تنبيه. يحتاج النموذج الصغير إلى بيئته الخاصة. لا يوجد مزوّد استدلال مستضاف على Hugging Face وقت كتابة هذا النص.

• Qwen — مفتاح API ونقطة نهاية إقليمية. لا بنية تحتية، ولا مكدس تبعيات، ولا تخطيط لسعة GPU. كما لا تحصل على إمكانية تثبيت إصدار، أو فحص النموذج، أو التشغيل دون اتصال.

بالنسبة لفريق لديه بالفعل بنية GPU قائمة وسبب امتثال لإبقاء الصوت داخليًا، فإن Ming هو الخيار البديهي والجهد المطلوب لا يُذكر. أما بالنسبة لفريق لا يملك أيًا منهما، فإن Qwen أرخص هذا الربع وأكثر تكلفة عند التوسع، والارتباط بالمورّد حقيقي.

أين يندرج جهاز التوجيه

لا يوجد أي من الطرازين على OrcaRouter. نحن لا نستضيف Ming-3.0-tts ولا نعيد بيع Qwen-Audio-3.0-TTS، وصفحة المقارنة ليست المكان المناسب للتظاهر بغير ذلك. ما يوجد في جانبنا من خط المعالجة هو كل ما يحيط بالصوت: النموذج اللغوي الذي يصوغ النص ويعيد كتابته، إضافة إلى نماذج كلام مستضافة مثل Gemini 3.1 Flash TTS Preview و GPT-4o mini TTS للحالات التي تكون فيها استضافة Ming ذاتيًا مقايضة خاطئة.

وهذا هو الأهم بالنسبة للقرار الذي تتناوله هذه الصفحة فعليًا. فخط أنابيب الصوت ليس نموذجًا واحدًا؛ بل هو مولّد نصوص، ومُطبّع، ومُخلّق صوتي، وخيار احتياطي. ووضع النصف النصي خلف مفتاح API واحد — أكثر من 200 نموذج، هامش ربح 0% على سعر القائمة لدى المزوّد، وتحويل تلقائي عند تدهور أحد المزوّدين — يعني أن الجزء الوحيد الذي تلتزم به هو نموذج الصوت نفسه. إذا استضفت Ming على خوادمك وتبيّن أنه أضعف في أسماء علامتك التجارية الإنجليزية مما أوحت به الساحة، فإن استبدال طبقة الصوت تغيير لمكوّن واحد، وليس إعادة بناء للمنصة. وإذا بنيت على واجهة Qwen المستضافة، فإن طبقة التوجيه هي ما يُبقي بقية خط الأنابيب عاملة عندما تكون نقطة النهاية بطيئة أو محدودة المعدل، ويعني التسعير المُرحّل أن تخفيض السعر التالي من Alibaba يصلك في يوم إطلاقه لا وفق ما يناسب الموزّع.

أيّ واحد تختار

• اختر Ming-3.0-tts إذا كانت لديك وحدات معالجة رسومية (GPUs)، وكنت بحاجة إلى صوت مستنسخ أو مُصمَّم بدلًا من كتالوج، وتريد شروط MIT التي تصمد أمام المراجعة القانونية، ويمكنك قبول أدوات بمستوى بحثي ومجموعة محدودة من الأصوات الإنجليزية. فهو الخيار الوحيد هنا الذي يمكنك امتلاكه امتلاكًا كاملًا.

• اختر Qwen-Audio-3.0-TTS فقط إذا كنت مقيّدًا به لسببٍ بعينه — عقد قائم مع Alibaba Cloud، أو سير عمل مبني على قواعد الوسوم الـ86 الخاصة به. وإلا فأنت تختار نموذجًا مُستبدَلًا بسعرٍ مُستبدَل.

• اختر Qwen-Audio-3.1-TTS إذا كنت تريد واجهة برمجة تطبيقات صوتية مُدارة واسعة التغطية، وكان تخفيض سبتمبر في السعر يغيّر حساباتك الاقتصادية. تقبّل أنه غير مُتحقَّق منه على لوحات الصدارة المستقلة، وأن التحكم القائم على التعليمات فيه قواعد جديدة ستتعلمها.

فجوة الجودة بين العائلتين ضيقة بما يكفي بحيث لا ينبغي أن تحسم السؤال. على اللوحة الوحيدة التي تتنافس فيها كلتاهما مباشرةً، تتقدم Qwen بنحو 50 إلى 70 نقطة Elo. أما على اللوحات التي تقيس الاستنساخ، فإن Ming في الصدارة وQwen غائبة. وما يفصلهما فعليًا هو ما إذا كان الصوت خدمة تستأجرها أم أثرًا تملكه — وبعد أن استبدلت Alibaba نموذجها الرائد الخاص خلال تسعة أسابيع، بات هذا التمييز يبدو أقل كونه أيديولوجيا وأكثر كونه مخاطرة في المشتريات.