Ming-3.0-tts-0.5B vs. Qwen-Audio-3.0-TTS: Freie Gewichte gegen 78 Elo-Punkte

Stellen Sie Ming-3.0-tts-0.5B neben Qwen-Audio-3.0-TTS, und das erste, was Ihnen auffällt, ist, dass sie nicht dieselbe Art von Objekt sind. Ming ist ein 2,96 GB großer Checkpoint, den Sie herunterladen, unter MIT-Lizenz nutzen und auf Ihrer eigenen GPU ausführen. Qwen-Audio-3.0-TTS, in der Qualitätsstufe, die A​libaba als Qwen-Audio-3.0-TTS-Plus führt, ist ein gehosteter Endpoint in A​libaba Cloud Model Studio, bei dem nirgendwo Gewichte vorliegen. In der unabhängigen Speech Arena von Artificial Analysis erreicht das gehostete Modell 1.266 Elo und das herunterladbare 1.188 – eine Lücke von 78 Punkten, bei der sich die beiden Konfidenzintervalle nicht überschneiden. Diese Lücke ist real. Was sie wert ist, hängt davon ab, ob Sie eine Stimme oder einen Vermögenswert kaufen. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, Schweregrad, Vertrauensstufe und eine Kennzeichnung als umstritten enthält.

Die kurze Antwort, noch vor den Beweisen

Wenn die Stimme dieses Quartal in einem Produkt ausgeliefert wird und jemand anderes Bereitschaftsdienst haben sollte, wenn sie ausfällt, ist Qwen-Audio-3.0-TTS-Plus die bessere Wahl – und das nicht einmal knapp. Wenn du vorrangig chinesischsprachige Inhalte erstellst, Voice-Design oder Dialektsteuerung brauchst oder keine Abrechnung pro Zeichen akzeptieren kannst, ist Ming-3.0-tts-0.5B die einzige der beiden, die dir gehören kann. Keine der beiden Antworten übersteht den Kontakt mit einer Budget-Tabelle unverändert – und darum geht es im Rest dieses Beitrags.

Was jedes Modell tatsächlich ist

Ming-3.0-tts-0.5B ist Ant Groups Open-Weights-Veröffentlichung von inclusionAI, aufgebaut auf einem Qwen2.5-0.5B-Backbone mit einem Diffusion-Transformer-Head und einem separaten Audio-Tokenizer. Es wurde still in zwei Phasen veröffentlicht – die Gewichte auf Hugging Face im September 2026, der Inferenzcode auf GitHub am 19. Oktober – und Ant hat es nicht angekündigt. Das Paket umfasst einen Speaker-Encoder und einen Text-Tokenizer, gibt Audio mit 44,1 kHz aus und unterstützt Klonen, Voice-Design anhand einer Textbeschreibung, 14 Inline-paralinguistische Tags, Emotions- und Attributsteuerung, sieben Sprachen und zwei chinesische Dialekte.

Qwen-Audio-3.0-TTS ist A​libabas gehostete Synthese-Reihe, gestartet am 20. Juli 2026, in zwei Stufen: Flash für Echtzeit-Aufgaben und Plus für maximale Qualität. Die Plus-Stufe ist diejenige mit einer gemessenen Position in der Arena, und sie ist die Stufe, auf die sich alle folgenden Zahlen beziehen. Sie deckt 16 Sprachen sowie 20 chinesische Dialektregionen ab, unterstützt Voice-Cloning und rund 86 Inline-Delivery-Tags und ist ausschließlich über A​libabas API erreichbar. Es gibt keine Gewichte, kein lokales Deployment und keine überprüfbare Lizenz.

Eine Kuriosität bei den Datumsangaben, die es wert ist, erwähnt zu werden, weil Sie beide Daten sehen werden: Alibaba hat die Produktlinie im Juli eingeführt, aber die Arena-Zeile für das Plus-Modell trägt ein Veröffentlichungsdatum vom 15. September 2026. Wir lesen das als das Datum, an dem die bewertete Revision bzw. der Eintrag online ging, nicht als ein zweites Modell. Wenn Sie in einem Dokument ein Veröffentlichungsdatum angeben, ist der 20. Juli die Einführung und der 15. September die buchhalterische Erfassung der Arena.

Die Zahlen, die sie trennen

Arena-Elo, Anbieter-Stimme — Ming-3.0-tts-0.5B 1.188 (Intervall 1.173–1.203) vs. Qwen-Audio-3.0-TTS-Plus 1.266 (1.252–1.280). Die Intervalle berühren sich nicht.

• Arena-Elo, kontrollierte Stimme — Ming 1.069 (1.053–1.085) vs. Qwen-Plus 1.126 (1.113–1.139). Nach wie vor eine klare Lücke von 57 Punkten bei geklonten Stimmen, die über alle Modelle hinweg konstant gehalten wurden.

• Preis — Ming bietet keinen; Sie zahlen für Rechenleistung. Qwen-Plus ist in der normalisierten Preisspalte der Arena mit 19,31 US-Dollar pro Million Zeichen aufgeführt.

• Durchsatz — Ming 42,1 Zeichen pro Sekunde Generierungszeit gegenüber Qwen-Plus 25,6, gemessen mit demselben unabhängigen Prüfstand.

• Gewichte — MIT-lizenzierter Checkpoint vs. keiner.

• Sprachen — sieben plus Sichuanesisch und Kantonesisch gegenüber 16 plus 20 chinesischen Dialektregionen.

• Steuerungsoberfläche — freiformulierte Anweisungen, Stimmdesign, 14 paralinguistische Tags, explizite Emotion/Geschwindigkeit/Tonhöhe/Lautstärke gegenüber etwa 86 Inline-Tags und anweisungsbasierter Steuerung der Sprechweise.

Das Durchsatzergebnis ist das, was die Leute überrascht. Ein dichtes Modell mit einer halben Milliarde Parametern und einem 2,96-GB-Bundle übertrifft A​libabas gehosteten Plus-Tarif in der unabhängigen Messung um etwa 65 % bei Zeichen pro Sekunde. Das ist kein Seitenhieb auf Q​wen — gehostete Endpunkte sind auf Parallelität ausgelegt, und die Durchsatzzahl der Arena bezieht sich auf jeweils eine Anfrage zur Zeit —, aber es bedeutet, dass das kleine Modell in diesem Vergleich nicht das langsame ist.

Woher die 78 Punkte kommen

Preference Elo verrät nicht, was falsch ist. Wer sich die beiden Systeme mit demselben Text anhört, erfährt es schon, und das Muster deckt sich mit dem, was die eigene Modellkarte von Ant einräumt.

Ant veröffentlicht seine Schwächen in ungewöhnlich klarer Sprache: Die Sprecherähnlichkeit bleibt hinter der inhaltlichen Genauigkeit zurück, die französische Ähnlichkeit ist die deutlichste mehrsprachige Lücke, paralinguistische Sätze mit mehreren Ereignissen sind noch instabil, und offene Stimmgestaltung erreicht noch nicht das stärkste bewertete System. In der Arena zeigt sich das als eine geklonte Stimme, die konkurrenzfähig ist – auf dem kontrollierten Board der erste Platz unter den Open-Weights-Modellen –, und als eine native Stimmbesetzung, die es nicht ist. Mings Rang unter den Anbieterstimmen, 19 von 98, wird eher durch die über 100 chinesischen und fünf englischen integrierten Stimmen als durch den Klonpfad nach unten gezogen.

Q​wens Vorteil hat die entgegengesetzte Form. Seine nativen Stimmen sind das Produkt; die Plus-Stufe wurde so entwickelt, dass sie von Anfang an fertig klingt, und genau so schneidet sie sowohl in den Anbieter- als auch in kontrollierten Umgebungen ab. Außerdem bietet sie die Sprachbreite eines Unternehmens, das eine Cloud betreibt: 16 Sprachen und 20 chinesische Dialektregionen gegenüber sieben und zwei bei Ming.

Was die Genauigkeit statt der Präferenz angeht, ist der Vergleich dünner, als die Elo-Lücke vermuten lässt. Qwen-Audio-3.0-TTS hat keine von Alibaba veröffentlichte Tabelle der Wortfehlerraten, die wir anhand eines gemeinsamen Testsatzes hätten überprüfen können, und Mings Seed-TTS-Zahlen – 0,800 % Chinesisch, 1,584 % Englisch – stammen von Ant selbst und wurden auf Ants eigenem Harness mit den von Ant empfohlenen Einstellungen gemessen. Keine der beiden Seiten liefert eine Äpfel-mit-Äpfeln vergleichbare Fehlerrate. Was man hat, ist ein Präferenzwert für beide und eine Anbietertabelle für eine Seite.

Zwei Abrechnungsmodelle – und der Zähler, den niemand druckt

Der Preisvergleich ist nicht $19.31 gegenüber null. Es ist ein Zeichen-Zähler gegen einen GPU-Stunden-Zähler, und der zweite ist unsichtbar, bis Ihr Finanzteam danach fragt.

Qwen rechnet pro Zeichen des eingegebenen Textes ab. Bei 19,31 US-Dollar pro Million Zeichen kostet eine Million Zeichen fertiger Narration 19,31 US-Dollar, und der Betrag skaliert linear und vorhersehbar. Man kann das in eine Tabellenkalkulation eintragen, bevor man auch nur eine Zeile Code schreibt.

Ming rechnet in GPU-Zeit ab. Das Release wurde auf einer H800-80GB und einer H20-96G getestet, benötigt PyTorch 2.6 mit CUDA 12.4 und liefert ein Dockerfile, aber keinen gehosteten Endpoint. Bei den im Arena gemessenen 42,1 Zeichen pro Sekunde dauert die Generierung von einer Million Zeichen auf dieser Hardwareklasse etwa 6,6 Stunden – bevor man Modellladen, Warteschlange oder fehlgeschlagene Anfragen mitzählt. Ob das günstiger ist als $19,31, hängt vollständig davon ab, was deine GPU-Stunde kostet und wie gut du sie auslastest – und genau diese Rechnung entscheidet für die meisten Teams über dieses Duell.

Hier macht sich auch eine Routing-Schicht bezahlt, ohne vorzugeben, eines der beiden Modelle zu hosten. OrcaRouter führt weder Ming-3.0-tts-0.5B noch Qwen-Audio-3.0-TTS im Angebot, und nichts hier sollte etwas anderes nahelegen; beide werden über ihre eigenen Kanäle erreicht, A​libaba's Model Studio für Q​wen und deine eigene Infrastruktur für Ming. Was wir jedoch anbieten, ist die Textseite derselben Pipeline zum Listenpreis des Anbieters mit 0 % Aufschlag — eine Preisänderung bei einem Textanbieter, den wir routen, ist damit noch am selben Tag dein Preis — mit automatischem Failover zwischen Anbietern für das Modell, das das Skript schreibt, die Emotion mit Tags versieht oder den Agenten steuert. Die Sprachausgabe ist die teure, langsame Hälfte eines Sprachprodukts; die Hälfte davor sollte nicht ebenfalls die fragile Hälfte sein.

Das Nachfolgerproblem

Es gibt ein drittes Modell, das in diese Entscheidung gehört und nicht im Titel steht: Qwen-Audio-3.1-TTS-Plus, veröffentlicht am 24. September 2026. Es erreicht 1.300 Elo auf derselben Arena – 34 Punkte über der 3.0-Plus-Stufe – bei denselben 19,31 $ pro Million Zeichen.

Lesen Sie das noch einmal als Käufer. Alibaba hat fünf Wochen nach dem Modell in diesem Vergleich ein besseres Modell auf den Markt gebracht, zu unverändertem Preis, in derselben Endpoint-Familie. Wer heute Qwen-Audio-3.0-TTS wählt, wählt ein Modell, das sein eigener Anbieter bereits ohne Preisnachlass überholt hat. Die 3.0-Stufe bleibt gelistet und bleibt gut — 1.266 Elo belegen Platz sechs in einer Rangliste von 98 — aber die richtige gehostete Wahl in dieser Familie ist jetzt 3.1, nicht 3.0.

Ming hat kein solches Problem, da es keinen Nachfolger und keine Release-Kadenz gibt. Das ist ein echter Vorteil für ein Team, das ein stabiles Artefakt möchte, und ein echtes Risiko für eines, das in sechs Monaten die bestmögliche verfügbare Stimme möchte. Eine nicht angekündigte Veröffentlichung ohne Roadmap-Zusage kann in beide Richtungen verstummen.

Wer sollte welche auswählen?

Wählen Sie Qwen-Audio-3.1-TTS-Plus – nicht 3.0 –, wenn Sie die höchste gemessene Qualität dieser Familie zu einem bekannten Preis pro Zeichen wünschen, eine breite Sprachabdeckung benötigen oder jemand anderem die Verantwortung für die Betriebszeit überlassen möchten. Akzeptieren Sie den Zähler und akzeptieren Sie, dass die nächste Stufe ohne Vorwarnung kommt.

Wählen Sie Ming-3.0-tts-0.5B, wenn die Stimme innerhalb Ihrer eigenen Infrastruktur laufen muss, wenn Ihre Inhalte vorrangig chinesisch sind und Sichuanesisch oder Kantonesisch erfordern, wenn Sie eine Stimme anhand einer Beschreibung entwerfen möchten, statt aus einem Sprecherpool auszuwählen, oder wenn Ihr Volumen hoch genug ist, dass eine bereits vorhandene GPU günstiger ist als eine Abrechnung pro Zeichen. Kalkulieren Sie den Engineering-Aufwand ein: Die Umgebung ist festgeschrieben, die Textnormalisierung benötigt eine FST-Bibliothek, für die es kein universelles Wheel gibt, und die einzigen veröffentlichten Durchsatzwerte stammen aus einem einzigen unabhängigen Harness.

Wählen Sie vorerst keines von beiden, wenn Sie einen Supportvertrag benötigen. Ming hat keine Ankündigung, keine gehostete Option und keine erklärte Supportzusage; Q​wen hat alle drei, aber die 3.0-Stufe ist nicht mehr die, die man kaufen sollte. Ehrlich zusammengefasst ist das kein fairer Kampf und war nie als solcher gedacht — das eine ist eine Forschungsveröffentlichung mit einer Lizenz, das andere ein Cloud-Produkt mit einer Preisliste — und die nützliche Frage ist, welche dieser beiden Dinge Ihr Projekt tatsächlich braucht.