Ming-3.0-tts-tiny vs. Qwen-Audio-3.0-TTS: Der eine hat eine Preisliste, der andere ein Repository

Der Vergleich, den alle wollen, sind zwei Punktzahlen nebeneinander – und er lässt sich heute nicht ehrlich anstellen. Ming-3.0-tts-tiny ist ein Speech-Checkpoint mit 7,9 Milliarden Parametern nach dem Mixture-of-Experts-Prinzip von Ant Groups inclusionAI, als Gewichte unter MIT veröffentlicht, ohne gehosteten Endpunkt und ohne unabhängige Evaluierung. Qwen-Audio-3.0-TTS ist ein gehosteter Synthese-Endpunkt auf Alibaba Cloud Model Studio, gestartet am 20. Juli 2026, angeboten in einer Flash- und einer Plus-Stufe, ohne irgendwo verfügbare Gewichte und ohne veröffentlichte Fehlerratentabelle. Die eine Seite hat eine Leaderboard-Position und einen Preis. Die andere hat eine herunterladbare Pipeline und eine Anbieter-Benchmark-Suite. Die nützliche Arbeit besteht hier nicht darin, aus diesen beiden Artefakten einen Sieger zu küren, sondern darin, herauszufinden, welche Zahlen nebeneinander gestellt werden dürfen und welche nicht. Die dokumentierten KI-Fehlfunktionen und Agenten-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Konfidenzstufe und seine Kennzeichnung als umstritten mitführt.

Die Datumsangaben sind wichtig, denn keines der beiden Produkte kam so an, wie es ein Launch-Beitrag nahelegen würde. Das Hugging-Face-Repository von Ming-3.0-tts-tiny wurde am 22. September 2026 erstellt, und der Checkpoint selbst wurde am 24. September hochgeladen. Dreieinhalb Wochen lang war es ein Ordner voller Gewichte, ohne Möglichkeit, sie auszuführen: Der Inferenzcode, die Ein-Klick-Beispiele und das Aufgaben-Cookbook erschienen erst am 19. Oktober um 08:58 UTC auf GitHub – in neun Commits an einem einzigen Nachmittag. Ant hat es nicht angekündigt; es gibt keinen Blogbeitrag, kein Model-Card-Video und keinen technischen Bericht. Qwen-Audio-3.0-TTS hatte dagegen einen echten Launch und steht noch immer auf der Preisliste von A​libaba – und die für die Qualität entscheidende Stufe, Plus, steht selbst nach dem Erscheinen der 3.1-Generation im September noch immer an der Spitze der Synthese-Stufenleiter von A​libaba.

Die Zeile in der Bestenliste ist der falsche Checkpoint, und das Repository erwähnt das nicht.

Beginnen Sie hier, denn dies ist der Fehler, den die erste Welle der Vergleichsbeiträge machen wird. Artificial Analysis führt zwei Sprach-Boards, und beide enthalten ein Modell namens Ming-3.0-tts. Stand 19. Oktober liegt es bei 1.188 Elo auf dem Provider Voice Board und bei 1.069 auf dem Controlled Voice Board.

Bei diesem Eintrag handelt es sich um das 0.5B-Modell, nicht um dieses. Ming-3.0-tts-tiny hat überhaupt keinen Arena-Eintrag – weder gerankt noch ungerankt, auch kein Vorschau-Eintrag. Das GitHub-README gibt die Zahlen 1.188 und 1.069 in seinem Ergebnisabschnitt wieder, ohne zu unterscheiden, welcher Checkpoint sie hervorgebracht hat – genau so erhält eine Zahl zwei Reposts später die falsche Bezeichnung.

Wenn Sie also „Ming-3.0-tts 1,188 vs. Qwen-Audio-3.0-TTS-Plus 1,266“ sehen, wird tatsächlich Ants dichtes Modell mit einer halben Milliarde Parametern mit Alibabas größter gehosteter Stufe verglichen, wobei das im Titel dieses Artikels genannte Modell auf der Rangliste fehlt. Der Abstand von 78 Punkten ist für das 0,5B-Modell real. Über das winzige MoE sagt er nichts aus, in keine Richtung. Das winzige Modell könnte besser sein; niemand hat es vor ein Präferenzpanel gestellt.

Abwesenheit ist keine niedrige Punktzahl. Sie ist ein unbewertetes Modell, und genau diese Unterscheidung ist der Grund, warum es diesen Abschnitt überhaupt gibt.

Was jede Seite tatsächlich ist

Zieht man das Marketing ab, unterscheiden sich die beiden Objekte in der Art, bevor sie sich in der Qualität unterscheiden.

• Form — Ming-3.0-tts-tiny ist ein Checkpoint, den Sie herunterladen: rund 18 GB, 8.980.964.372 Parameter in BF16 plus 40.096 in F32, enthaltend das Ling-V3-Backbone, einen Diffusion-Transformer-Head, einen Audio-Tokenizer, einen CAM++-Sprecher-Encoder und den Text-Tokenizer. Qwen-Audio-3.0-TTS ist ein HTTP-Endpunkt, der Audio zurückgibt; es gibt nichts herunterzuladen und keine Lizenz zu prüfen.

• Parameter — insgesamt 7,9 Mrd. bei etwa 1,3 Mrd. aktiven pro Token, ein sparse Mixture-of-Experts, gegenüber einem gehosteten Modell, für das Alibaba keine Parameteranzahl veröffentlicht.

• Lizenz — MIT sowohl für die Gewichte als auch für den Code, mit einem Nutzungshinweis, der darum bittet, Menschen nicht ohne deren Einwilligung zu imitieren und synthetisches Audio zu kennzeichnen. Für die gehostete Variante gelten kommerzielle API-Bedingungen.

• Sprachen — Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch, plus Sichuanesisch und Kantonesisch, wenn ein Dialekt-Referenzclip angegeben wird. Qwen-Audio-3.0-TTS listet 16 Sprachen und 20 chinesische Dialektregionen auf.

• Steuerungsmöglichkeiten — Zero-Shot-Cloning, Stimmdesign aus einer Beschreibung, freie Stil-Anweisungen, 14 inline paralinguistische Tags, explizite Emotion-, Geschwindigkeits-, Tonhöhen- und Lautstärkeeinstellungen sowie eine Multi-Speaker-Podcast-Aufgabe. Qwen-Audio-3.0-TTS bietet Cloning plus rund 86 Inline-Vortrags-Tags und Steuerung im Instruktionsstil.

• Preis — auf der Ming-3.0-tts-tiny-Seite ist kein Tarif angegeben; Sie zahlen für GPU-Zeit. Qwen-Audio-3.0-TTS-Plus kostet ¥1,4 pro 10.000 Zeichen auf A​libabas Pekinger Liste, was Artificial Analysis auf 19,31 $ pro Million Zeichen normalisiert.

• Unabhängige Bewertung — keine für Ming-3.0-tts-tiny. 1.266 Elo bei Provider Voice und 1.126 bei Controlled Voice für Qwen-Audio-3.0-TTS-Plus, beide mit Konfidenzintervallen, die die 1.188 und 1.069 der Ming-3.0-tts-Zeile nicht berühren.

Zwei Arten von Evidenz, die sich nicht ineinander überführen lassen.

Die Arena misst Präferenz. Ants Tabellen messen Fehler und Ähnlichkeit. Keines lässt sich in das andere überführen, und der Versuchung, einen Elo-Abstand als Qualitätsmultiplikator zu behandeln, sollte widerstanden werden.

Was Qwen-Audio-3.0-TTS liefert, ist das relative Urteil einer Crowd über seine Native-Stimmen, gestützt auf Stichprobenzahlen und Intervalle. Was Ant liefert, ist die Messung eines Labors an seinem eigenen Modell gegen einen festen Testsatz, wobei Harness, Referenzclips und Bewertungscode allesamt von demselben Team ausgewählt wurden, das das Modell entwickelt hat. Beides ist legitim. Keines ersetzt das andere, und nur eines davon gibt es für das Modell im Titel dieses Artikels.

Ants Suite ist breit gefächert, und es lohnt sich zu wissen, was darin enthalten ist, bevor man sie verwirft. Im chinesischen Seed-TTS-Set erzielt das winzige Modell 0,820 % Wortfehlerrate bei 0,781 Sprecherähnlichkeit – der beste Ähnlichkeitswert in allen von Ant veröffentlichten Tabellen, einschließlich der 0,758 des eigenen 0,5B-Geschwisters. Englisch erreicht 1,666 % bei 0,728. Deutsch kommt auf 0,325 % Zeichenfehlerrate und Spanisch auf 0,971 %, beide auf Platz eins in Ants Vergleich von acht Systemen. Japanisch liegt bei 3,427 %, Französisch bei 3,470 %. Im paralinguistischen Single-Event-Test von NVBench führt es alle sechs Kategorien an, mit 17,23 PCER im Chinesischen und 32,95 im Englischen. Die Dialekt-Suiten erreichen 86,09 % Genauigkeit bei WSC-Eval-TTS easy und 92,90 bei WSYue base, das Emotions-Set im Durchschnitt 74,00 % bei CV3 und Voice Design 75,37 % bei InstructTTSEval-ZH. All das stammt aus Ants eigenem Harness, wurde von Ant ausgeführt, von Ant berichtet und von niemandem reproduziert.

Die ehrliche Zusammenfassung lautet, dass Qwen-Audio-3.0-TTS von Fremden beurteilt wurde und Ant von seinem Autor. Das ist kein Seitenhieb gegen eines von beiden; es ist eine Aussage darüber, was die beiden Zahlen sind.

Der einzige Direktvergleich, den Ant veröffentlicht – und er richtet sich gegen Ant selbst.

Inmitten dieser Suite gibt es ein Ergebnis, das sich wie ein echter Vergleich verhält, weil der Konkurrent Ants eigenes 0,5B-Modell ist und der Unterschied groß genug ist, um eine andere Testumgebung zu überstehen.

Auf Koreanisch verzeichnet Ming-3.0-tts-tiny eine Zeichenfehlerrate von 6,000 %. Die 0,5B-Variante kommt auf 1,728 %. Gleiches Team, gleicher Testsatz, gleicher Meldetag – ein Faktor von rund dreieinhalb, und zwar in die Richtung, die niemand vom größeren Modell erwartet hätte. Die Modellkarte erklärt das nicht, und der Abschnitt zu Einschränkungen führt Koreanisch unter den bekannten Schwachpunkten auf, ohne einen Mechanismus zu nennen.

Eine strukturelle Erklärung liegt vor und sollte als Hypothese und nicht als Befund gekennzeichnet werden: Sparse-Modelle leiten jedes Token durch eine Teilmenge von Experten, sodass eine Sprache, die innerhalb der Mischung weniger Trainingssignal erhalten hat, sich schneller verschlechtern kann, als es in einem dichten Modell vergleichbarer Gesamtgröße der Fall wäre. Das ist plausibel. Es ist nicht gemessen. Belastbar ist die operative Schlussfolgerung, die enger gefasst ist: Wenn Koreanisch zu Ihrem Produkt gehört, ist dieser Checkpoint nicht derjenige, auf den man zurückgreifen sollte, bis jemand ihn mit echtem koreanischen Text laufen lässt und das Ergebnis veröffentlicht.

Qwen-Audio-3.0-TTS deckt Koreanisch unter seinen 16 Sprachen ab, und A​libaba veröffentlicht keine Fehlerrate pro Sprache, die man gegen Ants 6,000 % halten könnte. Selbst die Schwachstelle lässt sich also nicht in einen Vergleich umwandeln. Sie kann nur als Warnung gelesen werden.

Eine Million Zeichen, doppelt bepreist

Hier hören die beiden Produkte auf, Abstraktionen zu sein.

Qwen-Audio-3.0-TTS wird pro Zeichen abgerechnet. Bei den normalisierten 19,31 US-Dollar pro einer Million Zeichen der Arena kostet eine Million Zeichen fertiger Erzählung 19,31 US-Dollar, und hundert Millionen kosten 1.931 US-Dollar. Die Zahl ist linear, vorhersehbar und verfügbar, bevor man eine Zeile Code schreibt. Der Durchsatz auf demselben unabhängigen Prüfstand beträgt 25,61 Zeichen pro Sekunde Generierungszeit, was bei der Größenordnung der API eine Frage der Parallelität und nicht der Abrechnung ist.

Ming-3.0-tts-tiny schlägt mit GPU-Stunden zu Buche, und die Rechnung hat ein Loch in ihrer Mitte. Das 0.5B-Geschwistermodell wurde mit 42,1 Zeichen pro Sekunde gemessen; das Tiny-Modell wurde überhaupt nicht gemessen. Man kann nicht einfach den Durchsatz des Geschwistermodells übernehmen, weil das Tiny-Modell pro Token etwa zweieinhalbmal so viele Parameter aktiviert und etwa 18 GB statt 2,96 GB belegt. Die von Ant empfohlene Karte ist eine H800, und die gepinnte Umgebung — Python 3.10.15, torch und torchaudio 2.7.1 mit CUDA 11.8, transformers 4.46.3 — ist die einzige Leistungsangabe in der Veröffentlichung.

Also rechnen Sie es offen vor, statt so zu tun, als sei es geklärt. Bei 20 Zeichen pro Sekunde sind eine Million Zeichen etwa 14 Stunden Generierung; bei 10 Zeichen pro Sekunde sind es etwa 28. Multiplizieren Sie diese Stunden mit Ihren eigenen GPU-Stundenkosten, addieren Sie Modellladezeit, Wartezeit in der Warteschlange und Wiederholungen und vergleichen Sie mit $19.31. Unter ein paar Millionen Zeichen pro Monat gewinnt der Hosting-Tarif in der Regel bei den Gesamtkosten, sobald jemandes Zeit in die Rechnung eingeht. Darüber, auf Hardware, die Sie bereits besitzen und ausgelastet halten, sind die Grenzkosten des Checkpoints pro Stunde dieselben wie die der ersten Stunde — was der strukturelle Vorteil ist, den keine Preisliste übertreffen kann.

Eines sollte der Preisvergleich nicht verschweigen: Die beiden Modelle sind zu keinem Preis dasselbe Produkt. Die Plus-Stufe von Qwen-Audio-3.0-TTS ist ein fertiger Stimmkatalog mit 16 Sprachen; Ming-3.0-tts-tiny ist eine Pipeline, die Sie selbst betreiben und deren Ausgabequalität Sie selbst messen.

Die Stufenfrage, die A​libaba nicht gelöst hat

Wer heute Qwen-Audio-3.0-TTS wählt, wählt innerhalb einer Familie, die sich unter ihm hinweg weiterentwickelt hat. Die Qwen-Audio-3.1-Reihe wurde am 23. September 2026 angekündigt, und Artificial Analysis führt ein Qwen-Audio-3.1-TTS-Plus mit 1.300 Elo bei Provider Voice und 1.186 bei Controlled — in beiden Ranglisten über dem 3.0 Plus, datiert auf den 24. September, bei denselben 19,31 US-Dollar pro Million Zeichen.

Doch die öffentliche Preisliste von Alibaba führt für 3.1 TTS nur eine Flash-SKU auf; ob die 3.1-Plus-Stufe heute aufrufbar ist, ist daher eine Frage für die Konsole des Anbieters selbst und nicht etwas, das sich aus einem Leaderboard ableiten lässt. So oder so ist die praktische Lesart dieselbe: Die 3.0-Plus-Stufe ist nicht veraltet, aber sie ist nicht mehr das Neueste, was Alibaba bewertet hat, und ein Käufer sollte bestätigen, welche SKU er tatsächlich vertraglich vereinbart, bevor er ihren Preis mit irgendetwas vergleicht.

Für Ming-3.0-tts-tiny stellt sich überhaupt keine Tier-Frage — es gibt einen Checkpoint, keine Roadmap mit Daten und einen vLLM-Omni-Support-Hinweis, der am selben Tag in der Dokumentation auftauchte, an dem auch der Code erschien.

Was die Repositories nicht belegen

Vier Lücken verdienen es, benannt zu werden, bevor irgendjemand mit diesem Modell plant.

• Kein unabhängiger Score – keine Arena-Zeile, keine Wortfehlerrate von Drittanbietern, kein gemessener Durchsatz. Die Zeile, die wie die von Ming-3.0-tts-tiny aussieht, gehört zu dem 0.5B.

• Kein technischer Bericht – in der Roadmap ist er nicht abgehakt, und die Model Card wurde am 16. Oktober geändert, um einen Verweis darauf zu entfernen.

• Kein gehosteter Endpunkt — es gibt keine First-Party-API und keinen Preis, daher ist der einzige Weg in die Produktion Ihre eigene Infrastruktur.

• Kein Fine-Tuning-Rezept – das Repository dokumentiert Inferenzaufgaben, nicht das Training. LoRA- oder vollständiges Fine-Tuning auf diesem Checkpoint ist nicht dokumentiert, was eine andere Situation darstellt als bei einem Modell, das Trainingsskripte mitliefert.

Zum Zeitpunkt der Aufzeichnung zeigte das Hugging-Face-Repository 20 Downloads und 3 Likes und das GitHub-Repository eine Handvoll Sterne und keine Releases. Das ist kein Beweis für irgendetwas, außer dass die Veröffentlichung still erfolgte – die einzige Behauptung, bei der dieser Beitrag sicher ist.

Was dieser Vergleich in der Praxis wert ist

Wenn Sie diesen Monat eine Stimme in der Produktion benötigen, in mehr als nur ein paar Sprachen, und jemand anderes die Verfügbarkeit verantworten soll, ist Qwen-Audio-3.0-TTS-Plus die belastbare Wahl: Es ist bewertet, bepreist, dokumentiert und unterstützt, und die 1.266 Elo sind gemessen statt nur behauptet.

Wenn Sie das Modell besitzen müssen – Stimmen klonen, die Sie nicht an Dritte weitergeben können, in einem Umfang generieren, bei dem die Abrechnung pro Zeichen dominiert, unter einer Lizenz ausliefern, die Weiterverbreitung erlaubt –, dann ist Ming-3.0-tts-tiny das einzige der beiden, das Ihnen gehören kann. Nehmen Sie dafür in Kauf, dass Sie der Erste sein werden, der es einem Benchmark unterzieht, dass Koreanisch eine bekannte Schwäche ist, die der Hersteller selbst veröffentlicht, und dass die Pipeline eine Woche alt ist.

OrcaRouter leitet keines der beiden Modelle weiter, und nichts hier sollte so verstanden werden, als würde etwas anderes behauptet; Sprache erreicht man über den eigenen Kanal des jeweiligen Anbieters und den Checkpoint Ming-3.0-tts-tiny über Ihre eigene Hardware. Was wir weiterleiten, ist die Text-Hälfte derselben Pipeline — mehr als 200 Modelle hinter einem Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preisänderung eines Textanbieters am selben Tag Ihr Preis ist. Bei einem Sprachprodukt sind das Skript, die SSML-ähnliche Regieanweisung und der Agent, der entscheidet, was gesagt wird, allesamt Text, und das ist der Teil, bei dem Ihnen ein zweiter Anbietervertrag nichts bringt.

Die Zahl, die das entscheiden würde, existiert noch nicht. Es ist kein Elo-Score; es ist ein Nachmittag auf einer H800, an dem der kleine Checkpoint gegen dieselben Referenzclips laufen gelassen wird, die Ant verwendet hat, wobei die Ergebnisse zusammen mit dem Harness veröffentlicht werden. Bis jemand das tut, ist die ehrliche Position die, die dieser Beitrag eingenommen hat: zwei glaubwürdige Artefakte, eines bewertet und eines nicht, und ein Vergleich, der anhand von Eigentümerschaft, Preisgestaltung und Sprachrisiko statt anhand der Qualität gezogen werden muss.