Ming-3.0-tts vs. Cartesia Sonic 3.6: Der eine liest Ihre Rechnungsnummer richtig vor, der andere antwortet in 90 ms

Setzt man Ming-3.0-tts und Cartesia Sonic 3.6 in dieselbe Zeile der Speech-Arena von Artificial Analysis, sagt die Anzeigetafel, dass Cartesia gewinnt: 1.290 Elo gegenüber 1.188 bei Provider Voice, ein Abstand von 102 Punkten, wobei sich die Konfidenzintervalle nicht einmal ansatzweise berühren. Setzt man sie auf das Aussprache-Board, kippt das Ergebnis so stark, dass es wie ein Datenfehler aussieht: 93,2 % gegenüber 74,5 %. Dieselben zwei Systeme, vom selben Labor im selben Monat gemessen, liegen bei der Frage, welches von beiden Englisch laut vorlesen kann, achtzehn Prozentpunkte auseinander. Beide Zahlen sind korrekt, und der Grund, warum beide korrekt sein können, ist der Vergleich als Ganzes. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Releases wie diesem finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, einen Schweregrad, einen Konfidenzgrad und eine Kennzeichnung als umstritten enthält.

Ming-3.0-tts ist das MIT-lizenzierte Open-Weights-Modell von Ant Group – ein dichter 0,5B-Checkpoint, den Sie auf Ihrer eigenen GPU betreiben, mit einem 7,9B-Mixture-of-Experts-Geschwistermodell namens Ming-3.0-tts-tiny. Cartesia Sonic 3.6 ist ein proprietärer Echtzeit-Endpunkt, der am 17. August 2026 veröffentlicht wurde, pro Zeichen abgerechnet wird und mit einer First-Audio-Latenz von unter 90 Millisekunden sowie einer Abdeckung von 44 Sprachen beworben wird. Das eine ist ein Modell. Das andere ist ein Dienst, der dafür gebaut ist, einen Telefonanruf anzunehmen. Welches Sie möchten, hängt von einer Frage ab, die nichts mit Elo zu tun hat: Besteht Ihr Text überwiegend aus Prosa oder überwiegend aus Dingen, die exakt gesagt werden müssen?

Die zwei Zahlen, auf die es ankommt, und warum sie nicht übereinstimmen

Fangen Sie mit den Präferenztafeln an, denn sie sind es, die die Leute zitieren.

• Anbieter-Voice-Elo — Ming-3.0-tts 1.188 (Intervall 1.174–1.202) vs. Sonic 3.6 1.290 (1.276–1.304). Sonic belegt Platz 4 von 97 Modellen; Ming belegt Platz 18.

• Kontrolliertes Voice-Elo — Ming-3.0-tts 1.068 (1.052–1.084) vs. Sonic 3.6 1.151 (1.138–1.164). Sonic liegt auf Platz 5; Ming auf Platz 12. Der Abstand verringert sich um 19 Punkte, sobald beide Systeme dieselben acht Stimmen klonen.

• Ausspracherobustheit, Englisch — Ming-3.0-tts 93,2 % (91,5–94,9) vs. Sonic 3.6 74,5 % (71,4–77,5). Ming ist 1. von 31 gemessenen Systemen; Sonic ist 19.

Das sind keine widersprüchlichen Ergebnisse; sie messen unterschiedliche Dinge. Die Elo-Boards fragen menschliche Hörer, welchen Clip sie bevorzugen, und die Präferenz belohnt die Dinge, die synthetische Sprache angenehm machen – natürliche Prosodie, überzeugende Emotion, eine Stimme, die nicht klingt, als würde sie ein Handbuch vorlesen. Sonic 3.6 ist darin sehr gut. Seit August ist es das viertplatzierte System in der Arena und verdient diesen Platz.

Die Aussprache-Prüfung stellt eine engere, härtere Frage: Hat das System genau diese Passage korrekt ausgesprochen? Menschliche Prüfer markierten hervorgehobene Wörter und Phrasen in englischem Text – Markennamen, Fachbegriffe, Dateipfade, E-Mail-Adressen, Zahlen, Daten, Einheiten – und bewerteten jedes einzelne davon. In diesem Test landet Sonic in der unteren Hälfte der 31 bewerteten Systeme, und Ming steht an der Spitze aller.

Die Teilwerte machen die Form des Fehlers klarer als der Gesamtwert:

• Eigenständige Begriffe — Ming-3.0-tts 88,5 % vs. Sonic 3.6 72,6 %

• Kontextuell angemessen — Ming 91,0 % vs. Sonic 78,2 %

• Exakte Sequenzen beibehalten — Ming 90,6 % (1. von 31) vs. Sonic 60,8 %

• Erweiternde Kurzschrift — Ming 96,5 % (1. von 31) vs. Sonic 49,1 %

Expanding Shorthand ist der Punkt, den man sich genauer ansehen sollte. Es deckt Zahlen, Datumsangaben, Einheiten und Notation ab – "6'2"", "Chapter XVII", "1 tsp". Gemessen daran trifft Sonic 3.6 etwa die Hälfte dieser Textstellen richtig. Das ist eine erschreckende Zahl für eine Voice-API im Produktivbetrieb, und es ist genau die Art von Sache, die eine Demo nie ans Licht bringt, weil Demos in Prosa geschrieben sind, die der Anbieter ausgewählt hat. Legt man ihm eine Auftragsbestätigung, eine Dosierungsangabe oder eine Messung vor, sagt das Präferenzranking nichts Nützliches mehr voraus.

Der Fall Latenz und Durchsatz, in dem Cartesia nicht annähernd mithält

Cartesias zentrale Behauptung ist erstes Audio in unter 90 Millisekunden – die Zahl, die bei einem Konversationsagenten zählt: Der Anrufer hört eine Stimme, bevor er entscheidet, dass du eine Maschine bist. Ming-3.0-tts veröffentlicht überhaupt keine Latenzangabe. Was der unabhängige Prüfstand bietet, ist Durchsatz, und dieser fällt für das offene Modell nicht gerade gnädig aus.

• Zeichen pro Sekunde bei der Generierung — Sonic 3.6 146,9 vs. Ming-3.0-tts 44,3. Cartesia ist unter identischen Hardwarebedingungen 3,3-mal schneller.

• Mediane Generierungszeit für eine bewertete Anfrage — Sonic 3.6 9,20 s vs. Ming 2,56 s. Lesen Sie diesen Wert sorgfältig; er spiegelt unterschiedliche Anfragelängen wider, nicht einen Geschwindigkeitsvorteil von Ming.

Die ehrliche Zusammenfassung ist, dass Sonic 3.6 für Streaming gebaut ist und Ming-3.0-tts für Batch. Bei 44,3 Zeichen pro Sekunde – etwa sieben Wörtern – läuft das selbst gehostete Modell tatsächlich der echten Sprache davon, sodass eine lange Erzählung früher fertig ist, als man fürs Anhören braucht. Was ihm fehlt, ist eine Streaming-Story, eine veröffentlichte Time-to-First-Audio-Angabe oder Session-Handling. Cartesia verkauft genau diese drei Dinge.

Wenn Sie einen Telefonagenten, ein Live-Übersetzungstool oder irgendetwas bauen, bei dem ein Mensch auf die erste Silbe wartet, endet der Vergleich hier, und Sie sollten aufhören zu lesen. Der Rest dieses Textes ist für den anderen Fall gedacht: Text, der im Voraus vorbereitet wird, oder Text, bei dem die Korrektheit wichtiger ist als die Unmittelbarkeit.

Was jede Seite dir tatsächlich bietet

Ming-3.0-tts aus der inclusionAI-Gruppe von Ant Group wird als 2,96 GB großer Checkpoint vertrieben, der das Backbone, einen Diffusion-Transformer-Patch-Head, einen Audio-Tokenizer, einen Sprecher-Encoder und einen Text-Tokenizer enthält, unter der MIT-Lizenz mit erlaubter kommerzieller Nutzung. Es gibt Audio mit 44,1 kHz aus, unterstützt sieben Sprachen plus Sichuanesisch und Kantonesisch und bietet Voice Cloning, textbeschriebenes Voice Design, 14 inline-paralinguistische Tags sowie Steuerung von Emotion und Geschwindigkeit/Tonhöhe/Lautstärke. Ant testete es auf einem H800-80GB und einem H20-96G mit PyTorch 2.6 und CUDA 12.4 und liefert ein Dockerfile mit.

Sonic 3.6 von Cartesia ist eine API. Sie verarbeitet 44 Sprachen mit einem einzigen Modell, klont eine Stimme aus zehn Sekunden Referenzaudio, unterstützt emotionsbewusste Ausgabe und einfügbare nonverbale Signale und akzeptiert benutzerdefinierte Aussprachewörterbücher – was die eigene Antwort des Anbieters auf genau das Problem ist, das das Aussprache-Board misst; bemerkenswert ist außerdem, dass ein Kunde, der dies konfiguriert, nicht auf dem Standardpfad bewertet wird, den die Arena testet. Cartesia baut auch den Rest des Voice-Stacks: Speech-to-Text, Voice-Agents für $0.06 pro Minute, Telefonnummern und Nebenläufigkeitslimits, die mit der Tarifstufe skalieren.

• Lizenz — MIT-Gewichte, die Sie behalten, im Vergleich zu einer kommerziellen API ohne Gewichte

• Sprachabdeckung — 7 plus 2 Dialekte gegenüber 44

• Deployment — Ihre GPU vs. deren Endpunkt

• Ausgangsabtastrate — 44.1 kHz vs. nicht auf der Produktseite angegeben

• Voice Cloning – Referenzaudio, Referenztext und ein expliziter Aufgabenmodus vs. 10 Sekunden Audio, sofort

• Preisbasis — GPU-Stunden vs. Credits bei einem Credit pro Zeichen

Es lohnt sich, die Credit-Preise umzurechnen, denn „ein Credit pro Zeichen“ ist keine Zahl, mit der die meisten Teams budgetieren können. Cartesias eigene Tariftabelle besagt, dass eine Minute Audio 750–800 Credits benötigt, was die effektive Rate auf etwa $0.038 pro Minute im $5-Pro-Plan, $0.029 im $49-Startup-Plan und $0.028 im $299-Scale-Plan bringt. Die Arena normalisiert es auf $49 pro Million Zeichen, was die vergleichbare Zahl gegenüber Mings Null ist. Ming ist nicht kostenlos; es ist eine GPU-Stunden-Rechnung, die Ihr Finanzteam als Infrastruktur statt als Einzelposten pro Wort sehen wird.

Der Drei-Monats-Vergleich, den niemand in die Bewertung aufnimmt

Es gibt eine Version dieser Entscheidung, die beide Modelle überdauert, und genau sie ist die, die für ein Produktionssystem zählt: Was passiert, wenn das von Ihnen gewählte Modell ersetzt wird.

Cartesia hat Sonic 3, 3.5 und 3.6 innerhalb eines Jahres veröffentlicht – zu konstanten 49 US-Dollar pro Million Zeichen. Ant hat im Februar Ming-omni-tts veröffentlicht, im Juni eine 16,8B-Variante und jetzt Ming-3.0-tts – wobei ein technischer Bericht auf der Roadmap noch nicht abgehakt ist und ein vLLM-Omni-Beschleunigungspfad als erledigt markiert, aber im Repository nicht dokumentiert ist. Beide Anbieter agieren schnell. Keiner von beiden wird damit aufhören.

Bei einem gehosteten Modell ist das ein routinemäßiges Versionsupdate. Bei einem selbst gehosteten Checkpoint ist es eine Migration: neue Gewichte, neue Abhängigkeiten, eine neue Runde der Evaluierung anhand Ihrer eigenen Texte. Die MIT-Lizenz schützt Ihr Recht, das alte weiterhin zu betreiben, was ein echter Vorteil ist und der Hauptgrund, warum Teams sich überhaupt für offene Gewichte entscheiden – aber sie schützt Sie nicht davor, das neue haben zu wollen.

Das ist die Nahtstelle, an der eine Routing-Schicht etwas Konkretes statt Rhetorisches tut. OrcaRouter hostet weder Ming-3.0-tts noch Cartesia Sonic 3.6, und nichts hier sollte etwas anderes nahelegen — Ming kommt aus dem Repository, Sonic aus Cartesias eigener API. Was der Katalog jedoch enthält, ist eine Reihe gehosteter Sprachmodelle, darunter die TTS-Vorschauen von G​oogle G​emini sowie O​penAI tts-1 und gpt-4o-mini-tts, hinter demselben Schlüssel wie mehr als 200 Textmodelle, zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover zwischen Anbietern. Wenn Ihre Sprachpipeline einen Fallback-Pfad hat — und jede Pipeline, die Live-Traffic verarbeitet, sollte einen haben —, kann dieser Fallback ein einziger Endpunkt sein statt eines zweiten Vertrags und eines zweiten SDK. Eine Preissenkung eines Anbieters kommt noch am selben Tag bei uns an, weil dazwischen kein Aufschlag abzubauen ist.

Welchen wählen, je nach Arbeitsbelastung

Die Entscheidung ist kurz, wenn Sie ehrlich auf den Text antworten.

Wählen Sie Sonic 3.6, wenn ein Mensch auf das erste Audio wartet, Sie mehr als eine Handvoll Sprachen benötigen oder möchten, dass ein Anbieter die Verfügbarkeit verantwortet. Der Präferenzabstand von 102 Punkten ist real, und Zuhörer werden ihn hören. Konfigurieren Sie das Aussprachewörterbuch für die Begriffe, die Ihr Produkt tatsächlich verwendet, denn der Standardpfad erreicht genau dafür 74,5 %.

Wählen Sie Ming-3.0-tts, wenn Ihr Audio im Voraus erzeugt wird – Erzählung, Vorlesen von Dokumentation, IVR-Ansagen, Schulungsmaterial, Hörbuchentwürfe – und der Text Kennungen, Einheiten, Codes oder Notationen enthält. In den drei Kategorien, die diese Abschnitte abdecken, ist es entweder auf dem ersten Platz oder innerhalb von drei Punkten davon, und kein gehostetes System auf der Rangliste ist besser darin, eine exakte Reihenfolge zu bewahren.

Wähle keines von beiden, aber wenn es dir auf korrekte englische Eigennamen ankommt. Ming's liegt bei Standalone Terms mit 88,5 % auf Platz 21 von 31, und es ist die einzige Kategorie, in der das Modell eindeutig im Mittelfeld liegt. Ein in einer Produktdemo falsch ausgesprochener Markenname kostet mehr als ein unbeholfen vorgelesenes Datum.

Es gibt auch einen Hybridansatz, den kein Anbieter empfehlen wird: ein gehostetes Echtzeitmodell für die interaktive Oberfläche und einen selbst gehosteten Checkpoint für den Batch-Korpus zu verwenden und beide an demselben zurückgehaltenen Text zu evaluieren. Die beiden Systeme versagen an unterschiedlichen Stellen, und genau das macht die Aufteilung die Betriebskosten wert.

Die offene Frage

Cartesias Produktseite besagt, dass das Unternehmen in der Speech Arena auf Platz eins steht. Das war wahr, als die Seite geschrieben wurde, und ist es nicht mehr — HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo und Eleven v4 liegen heute alle vor Sonic 3.6, und Sonic selbst steht auf Platz vier. Bestenlisten-Behauptungen von Anbietern veralten in Wochen. Die Aussprachebewertung von 74,5 % ist die belastbarere Tatsache in diesem Vergleich, denn sie wird von jemandem gemessen, der kein Produkt zu verkaufen hat, und sie ist schlecht genug, dass Cartesias eigene Aussprachewörterbuch-Funktion existiert, um sie zu umgehen.

Was das Urteil ändern würde: ein Streaming-Release von Ming-3.0-tts mit veröffentlichter Time-to-First-Audio-Zeit oder ein Sonic 3.7, das die Kurzschrift-Erweiterung behebt. Beides ist nicht angekündigt. Bis dahin ist die Trennung sauber – Geschwindigkeit und Abdeckung auf der einen Seite, Exaktheit und Eigentümerschaft auf der anderen –, und die richtige Antwort lautet: aufhören, nach einem Sieger zu suchen, und anfangen, den eigenen Korpus anzusehen.