Ming-3.0-tts-tiny vs. Breeze-TTS-2: MIT-Gewichte gegen eine nichtkommerzielle Lizenz

Zwei Open-Weights-Sprachmodelle erschienen mit einem Abstand von einem Monat zueinander, und sie konkurrieren nicht auf derselben Achse. Ming-3.0-tts-tiny von inclusionAI von Ant Group ist ein 7,9B-Mixture-of-Experts-Checkpoint, der pro Token etwa 1,3B Parameter aktiviert, unter MIT ausgeliefert wird und neun Sprachen einschließlich zweier chinesischer Dialekte abdeckt. Breeze-TTS-2 von BreezeBlue ist ein dichtes 3B-Modell, das nur Englisch und Chinesisch abdeckt, seinen Code unter Apache 2.0 veröffentlicht und seine Gewichte unter einer Forschungs- und nichtkommerziellen Lizenz mit einer Ausnahmeregelung für bezahltes Hosting freigibt. Die Schlagzeilenfrage — welches besser klingt — erweist sich als die am wenigsten entscheidende, denn der Arena-Eintrag, der wie Mings Punktzahl aussieht, gehört zu einem ganz anderen Checkpoint, und der Lizenzunterschied ist derjenige, der entscheidet, ob man überhaupt ausliefern kann. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Vertrauensstufe und Streitkennzeichnung trägt.

Keiner der beiden Anbieter hat ein Ereignis zur allgemeinen Verfügbarkeit im üblichen Sinne angekündigt, und beide Tatsachen sind hier von Bedeutung. Die Gewichte von Breeze-TTS-2 wurden am 25. August 2026 bereitgestellt, wobei Voice-Design- und Latenz-Suites am 7. August folgten. Ming-3.0-tts-tiny war ab dem 24. September auf Hugging Face vorhanden, wurde aber erst am 19. Oktober ausführbar, als sein Inferenzcode und sein Task-Cookbook auf GitHub eintrafen. Dies ist also ein Vergleich zweier Artefakte, die Sie selbst hosten müssen, geschrieben, bevor für eines der beiden ein Hosting-Preis genannt werden kann, und durchgängig entsprechend gekennzeichnet.

Beginne mit der Lizenz, denn für manche Teams beendet sie die Debatte.

Die beiden Lizenzen sind keine Varianten derselben Erlaubnis. Sie sind unterschiedliche Kategorien von Erlaubnis.

• Ming-3.0-tts-tiny — MIT, sowohl für die Gewichte als auch für den Code. Sie können es kommerziell nutzen, verändern, weiterverbreiten und in einem geschlossenen Produkt ausliefern. Ant fügt einen Nutzungshinweis bei, in dem darum gebeten wird, keine Menschen ohne Einwilligung zu imitieren und synthetisches Audio zu kennzeichnen; das ist eine Bitte in der Dokumentation, keine Bedingung der Lizenzgewährung.

• Breeze-TTS-2 — Apache 2.0 für den Quellcode und eine separate „BreezeBlue Research and Non-Commercial License“ für die Gewichte. Die kommerzielle Nutzung gehosteter Ausgaben erfordert ein kostenpflichtiges BreezeBlue-Abonnement, und selbst dann erstreckt das Abonnement keine kommerziellen Rechte auf die offenen Gewichte oder auf Ausgaben, die Sie durch Selbsthosting dieser Gewichte erzeugen.

Lesen Sie den zweiten Aufzählungspunkt sorgfältig, denn die naheliegende Interpretation ist die falsche. Die Zahlung an BreezeBlue verwandelt die Gewichte nicht in etwas, das Sie kommerziell betreiben dürfen; sie lizenziert einen gehosteten Weg. Selbsthosting ist nicht kommerziell, unabhängig davon, ob Sie abonnieren. Wenn Ihr Plan lautet: „das 3B-Modell feinabstimmen, hinter unseren eigenen Endpoint stellen und dafür abrechnen“, dann schließt die Lizenz diese Tür und MIT lässt sie offen. Für interne Forschung, Evaluierung oder einen Prototyp, der niemals Geld einnehmen wird, kostet die Unterscheidung nichts.

Es gibt einen zweiten Unterschied im Lizenzumfeld, der mehr Deployments entscheidet als jeder der beiden Absätze oben. Mings Release liefert eine komplette Pipeline – Backbone, Diffusions-Head, Audio-Tokenizer, Speaker-Encoder und Text-Tokenizer – als ein einziges Set von Gewichten. Breeze liefert seinen Code und seine Gewichte mit einem Inferenzpfad, der für mehrere Runtimes gleichzeitig paketiert wurde: Das Derivative-Ökosystem rund um Breeze-TTS-2 umfasst MLX-Builds in 4-Bit und 8-Bit plus einen Full-Precision-Port, GGUF-Quantisierungen, int8- und int4-Konvertierungen, einen HQQ-int4-Build, einen ROCm/RDNA4-BF16-Build vom 18. Oktober, einen GPTQ-int4-ROCm-Build vom 19. Oktober, ComfyUI-Fine-Tunes und ein brasilianisch-portugiesisches LoRA, veröffentlicht am 6. Oktober. Ming-3.0-tts-tiny hat nichts davon, weil es seit weniger als einem Tag einen nutzbaren Inferenzpfad hat.

Der Unterschied beim Footprint beträgt etwa eine Größenordnung.

Hier hört „tiny“ auf, klein zu bedeuten. Der Name beschreibt die aktiven Parameter pro Token, nicht den Speicher, den man braucht.

• Ming-3.0-tts-tiny — 8.980.964.372 Parameter in BF16 plus 40.096 in F32 nach Hugging Faces eigenen Metadaten, etwa 18 GB Repository-Speicher und eine H800, die in den Umgebungshinweisen des Anbieters empfohlen wird. Sie zahlen den Speicherbedarf eines 7,9B-Modells und bekommen die Latenz eines 1,3B-Modells – ein guter Tausch für die Batch-Synthese auf gemieteter Hardware und ein schlechter für alles, in dem eine 12-GB-Karte steckt.

Breeze-TTS-2 — 3B Parameter, dense, etwa 7,7 GiB GPU-Speicher im Eager-Modus und etwa 14,4 GiB mit aktiviertem --fast-all. BreezeBlue empfiehlt 12 GB oder 24 GB, je nachdem, welchen Weg man wählt, und dokumentiert, dass seine Docker-Standardwerte auf H100/Hopper sm90 abzielen, während A100-Besitzer FLASH_ATTN_CUDA_ARCHS=80 festlegen müssen.

• Mings Nebenläufigkeitsmodell – ein Python-Einstiegspunkt pro Aufgabe mit festen Standardwerten: Guidance-Skala 2.0, Temperatur null, zehn Flow-Schritte, Sigma 0.25, Seed 1234. Die Unterstützung von vLLM-Omni steht auf der Roadmap und ist noch nicht abgehakt, daher gibt es heute keinen Serving-Pfad mit hohem Durchsatz.

• Breezes Nebenläufigkeitsmodell – eine HTTP-Streaming-API mit einer einzigen Nebenläufigkeit, die mono PCM mit 24 kHz, vorzeichenbehafteten 16 Bit und Little-Endian zurückgibt, mit einer angegebenen Zeit bis zum ersten Audio von unter 40 Millisekunden auf einer aufgewärmten H100 und einem Echtzeitfaktor von 0,32, was etwa 3,1-mal schneller als Echtzeit ist.

Das letzte Paar ist die ehrliche Zusammenfassung des Trade-offs. Breeze ist auf Streaming-Latenz bei jeweils einer Anfrage ausgelegt; Ming ist auf Durchsatz pro Recheneinheit bei sparse Aktivierung ausgelegt und hat keinen Serving-Stack veröffentlicht. Wenn Ihr Produkt ein Live-Sprachagent ist, sind das keine gleichwertigen Ausgangspunkte. Wenn Ihr Produkt ein nächtlicher Batch von Erzähltexten ist, ist das Nebenläufigkeitsmodell deutlich weniger wichtig als die Lizenz und die Speicherkosten.

Die Sprachabdeckung ist alles andere als vergleichbar, und die Kluft verläuft nur in eine Richtung.

Breeze-TTS-2 unterstützt Englisch und Chinesisch. Seine Modellkarte sagt das ohne Wenn und Aber, und sie dokumentiert außerdem Inline-Vokalereignisse in beiden Sprachen – (laugh) und (sigh) auf Englisch, [笑] und [叹气] auf Chinesisch – sowie das Klonen aus einem Referenzclip mit seinem exakten Transkript und eine Steuerung der Stimmführung.

Ming-3.0-tts-tiny deckt Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch ab, mit Sichuanesisch und Kantonesisch, wenn ein Dialekt-Referenzclip bereitgestellt wird. Es ergänzt freie Stilsteuerung, Stimmdesign aus einer natürlichsprachlichen Beschreibung, über 100 integrierte chinesische Stimmen und fünf englische sowie 14 Inline-paralinguistische Tags. Es erzeugt außerdem mehrsprecherige Podcasts, was Breeze nicht versucht.

Der Haken liegt in Ants eigener mehrsprachiger Tabelle, und sie ist das Erste, was man lesen sollte, bevor man annimmt, dass neun zwei schlägt. Bei Koreanisch erreicht Ming-3.0-tts-tiny eine Zeichenfehlerrate von 6,000 %, was den sechsten Platz unter den acht von Ant getesteten Systemen bedeutet, gegenüber 1,728 % für Ants eigenes 0,5B-Geschwistermodell. Bei Französisch liegt es bei der Fehlerrate auf dem zweiten Platz, aber seine Sprecherähnlichkeit von 0,733 reicht nicht für die Top drei – eine Einschränkung, die die Karte selbst nennt. Deutsch (0,325 %) und Spanisch (0,971 %) stehen in dieser Tabelle an erster Stelle. Die ehrliche Lesart ist also: Fünf von Mings sieben Sprachen sind glaubwürdig, Koreanisch noch nicht, und die Dialektunterstützung ist einzigartig, aber außerhalb von Ants Testumgebung unbestätigt. Breeze hingegen beansprucht nichts, was es nicht abdeckt – zwei Sprachen, und jedes Ergebnis auf seiner Karte betrifft genau diese beiden.

Die Arena-Zahlen – und warum sie kein direkter Vergleich sind

Breeze-TTS-2 hat einen unabhängigen Score. Ming-3.0-tts-tiny nicht, und der Eintrag, der wie ein solcher aussieht, gehört zu einem anderen Modell.

• Breeze-TTS-2 auf Artificial Analysis, abgelesen von den Live-Boards am 19. Oktober 2026 — 1.220 Elo bei Provider Voice, wo jedes Modell sein eigenes natives Stimmensemble verwendet, und 1.019 bei Controlled Voice, wo jedes Modell dieselben acht Referenzstimmen klont.

• Die Ming-Zeile auf denselben Boards – 1.188 Provider und 1.069 Controlled – ist mit Ming-3.0-tts-0.5B verknüpft, dem dichten Schwestermodell mit einer halben Milliarde Parametern im Backbone, nicht mit dem winzigen Checkpoint. Das GitHub-README von Ant gibt diese Zahlen in seinem Ergebnisabschnitt wieder, ohne diese Unterscheidung. Es lohnt sich, ausdrücklich festzuhalten: Es gibt keinen unabhängigen Elo-Wert für Ming-3.0-tts-tiny, keine gemessene Zeichen-pro-Sekunde-Zahl und keine Word Error Rate von Drittanbietern.

• Die eigene Rangliste der Projektseite führt Breeze mit 1.222 Provider und 1.018 Controlled auf – jeweils zwei Punkte Unterschied zum Live-Board, und zwar in entgegengesetzte Richtungen. So sieht eine Rangliste aus, die noch Stimmen sammelt; zitieren Sie die Live-Zahlen und weisen Sie auf die Rundung hin, wenn Sie Dokumente vergleichen.

• Auf dem kontrollierten Board lautet die Reihenfolge der Open-Weights-Systeme: Ming-3.0-tts-0.5B mit 1.069, Fish Audio Drama 3 Preview mit 1.059, Breeze-TTS-2 mit 1.019. Auf dem Anbieter-Board führt Breeze diese Gruppe mit 1.220 an, wobei Ming-3.0-tts-0.5B bei 1.188 liegt. Das kleine Ming-Modell gewinnt also, wenn die Stimme konstant gehalten wird, und verliert, wenn jedes System seine eigene Besetzung mitbringt – was etwas über BreezeBlues Sprachaufnahmen aussagt und sehr wenig über die Architektur.

Nichts davon lässt sich in die eine oder andere Richtung auf den winzigen Checkpoint übertragen. Ein Leser könnte mit gutem Grund annehmen, dass ein 7,9B-Mixture-of-Experts-Modell mit einem besseren Wert für die Ähnlichkeit chinesischer Sprecher als sein 0,5B-Geschwistermodell auf dem kontrollierten Board eine höhere Punktzahl erzielen würde. Diese Annahme ist ungetestet, sie ist keine Zahl, und dieser Text wird sie nicht als eine ausgeben.

Wofür jedes tatsächlich da ist

Lässt man die Spezifikationslisten außer Acht, lösen die beiden Modelle unterschiedliche Probleme.

Breeze-TTS-2 ist ein Release, das Deployment an erste Stelle setzt. Zwei Sprachen, eine dichte 3B-Footprint, die im Eager-Modus auf eine 12-GB-Karte passt, eine Streaming-API mit dokumentiertem Latenzpfad, ein Container, der auf Rechenzentrums-Hopper abzielt, aber für A100 neu gebaut werden kann, und ein Ökosystem aus quantisierten und runtimespezifischen Portierungen, die innerhalb von acht Wochen nach den Gewichten erschienen. Die Downloadzahl – 14.636 im letzten Monat, mit 747 Likes und 17 Spaces – zeigt, wie Adoption aussieht, wenn ein Modell einfach auszuführen ist. Die Einschränkung ist die Lizenz: Forschungs- und nichtkommerzielle Gewichte, mit einem kostenpflichtigen gehosteten Pfad, der Ihnen keine kommerziellen Self-Hosting-Rechte verschafft.

Ming-3.0-tts-tiny ist ein Release, bei dem die Fähigkeiten im Vordergrund stehen. Neun Sprachen, Dialektsteuerung, Stimmdesign, ein paralinguistisches System mit 14 Tags, Podcast-Generierung mit mehreren Sprecher:innen und die beste Klonstimmen-Bewertung innerhalb der eigenen Familie mit 0,781 chinesischer Sprecherähnlichkeit. Die Einschränkung ist alles rund um die Fähigkeiten: ein 18-GB-Download, Sparse-Aktivierung, die echten GPU-Speicher benötigt, eine Serving-Story, die nur ein Häkchen auf der Roadmap ist, kein unabhängiger Benchmark und keine Ankündigung. Zwanzig Downloads und drei Likes auf Hugging Face, fünf Sterne auf GitHub und zwölf Dokumentations-Commits an einem einzigen Nachmittag zeigen, dass der Anbieter noch immer das Handbuch schreibt.

Wenn Sie in diesem Quartal eine bilinguale Sprachfunktion auf Hardware ausliefern müssen, die Sie bereits besitzen, ist Breeze-TTS-2 mit einer kommerziellen Vereinbarung der kürzere Weg, und die Lizenz und nicht die Mathematik ist das, worüber verhandelt werden muss. Wenn Sie Deutsch, Spanisch, Japanisch, Kantonesisch oder ein Podcast-Format benötigen, kann Breeze Ihnen nicht helfen, und Ming ist die einzige Open-Weights-Option mit einer veröffentlichten Tabelle — vorausgesetzt, Sie können den Speicherbedarf verkraften und akzeptieren, dass Koreanisch noch nicht bereit ist.

OrcaRouter leitet keines dieser beiden Modelle weiter, und dieser Beitrag sollte nicht so gelesen werden, als würde er etwas anderes nahelegen. Was im Katalog steht, ist die Text-Hälfte der Pipeline, an die diese Stimmen andocken: mehr als 200 Modelle hinter einem Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preisänderung des Anbieters bei uns noch am selben Tag live ist und nicht erst zu einem Aktualisierungszyklus. Wenn Sie zwei selbst gehostete Checkpoints vergleichen und keiner davon einen Hosting-Tarif hat, ist die einzige wiederkehrende Rechnung, die Sie tatsächlich kontrollieren können, das Modell, das das Skript schreibt – und genau dieser Teil sollte eher über Routing laufen, als dafür eine GPU zu mieten.

Das Urteil, das die Beweislage übersteht, ist enger, als der Elo-Abstand vermuten lässt. Bei einem direkt vergleichbaren kommerziellen Einsatz entscheidet die MIT-Lizenz darüber, bevor auch nur ein einziger Benchmark gelesen wird. Bei latenzkritischer zweisprachiger Arbeit entscheidet Breezes Engineering darüber, bevor es die Lizenz tut. Und bei der Frage, wegen der die meisten Leser gekommen sind – klingt das größere Modell besser –, lautet die ehrliche Antwort, dass es niemand gemessen hat, dass die Arena-Zeile, die alle zitieren werden, der falsche Checkpoint ist und dass die erste Person, die beide mit demselben Referenzaudio laufen lässt, die einzige Zahl liefern wird, die es wert ist, zitiert zu werden.