Ming-3.0-tts vs. Qwen-Audio-3.0-TTS: Offene Gewichte gegen eine Stimme, die pro Zeichen abgerechnet wird

Ming-3.0-tts und Qwen-Audio-3.0-TTS sind die beiden glaubwürdigsten chinesischen Text-to-Speech-Systeme, die 2026 veröffentlicht wurden, und sie sind sich in fast allem uneinig, außer was die Qualität ihrer Ausgabe angeht. Ming-3.0-tts ist Ant Groups MIT-lizenziertes Open-Weight-Modell, das vom inclusionAI-Team am 20. Oktober 2026 als Teil der Ming-3.0-Sprachfamilie veröffentlicht wurde. Qwen-Audio-3.0-TTS ist Alibabas geschlossener, ausschließlich über API verfügbarer Sprachsynthesizer, der am 20. Juli 2026 auf der WAIC in den Tarifen Plus und Flash angekündigt wurde, ohne dass überhaupt Gewichte veröffentlicht wurden. Das eine lädt man herunter und führt es aus; das andere mietet man pro Zeichen. Genau dieser Unterschied macht den Vergleich aus, und die Qualitätslücke ist kleiner als die Lücke zwischen den Geschäftsmodellen.

Es gibt außerdem eine Feinheit, die bei den meisten Vergleichen dieser beiden Modelle übersehen wird, und sie ändert die Empfehlung: Qwen-Audio-3.0-TTS ist nicht mehr das Qwen-Sprachmodell, das man tatsächlich kaufen würde. Alibaba hat es am 23. September 2026 durch Qwen-Audio-3.1-TTS ersetzt und die Synthesepreise am Tag zuvor um rund 70 % gesenkt. Diese Seite vergleicht daher das im Titel genannte Modell mit Ming-3.0-tts, weil danach gesucht wird, und erläutert anschließend, was das neuere Qwen an der Antwort ändert.

Das Modell im Titel ist bereits überholt.

Qwen-Audio-3.0-TTS wurde auf der WAIC vorgestellt – mit einer klaren Behauptung: erster Platz in der Provider Voice Arena von Artificial Analysis, vor Gemini 3.1 Flash TTS und einer langen Liste kommerzieller Systeme. Es erschien in zwei Varianten – Plus für Qualität, Flash für Echtzeit-Interaktion mit einer First-Packet-Latenz von rund 300 ms – zu Listenpreisen von etwa 27,60 US-Dollar bzw. 15 US-Dollar pro Million Zeichen.

Neun Wochen später kam Qwen-Audio-3.1-TTS auf der Apsara Conference an. Die Änderungen, die für diesen Vergleich relevant sind:

• Preis — Synthese um etwa 70 % gesenkt, Echtzeit um etwa 85 %, gültig ab 22. September 2026 für die Regionen Peking und Singapur. Damit liegt 3.1 TTS Flash bei rund 1,5 ¥ pro Million Eingabe-Token und 12 ¥ pro Million Ausgabe-Token, und das Plus-Äquivalent liegt bei etwa 8 $ pro Million Zeichen in der alten Einheit.

• Steuerung — frei formulierte Anweisungen in natürlicher Sprache für Emotion, Tempo und Stil ersetzen die 86 Inline-Delivery-Tags von 3.0. Das ist eine Änderung der Benutzerfreundlichkeit, keine Qualitätsänderung, und sie dürfte am ehesten beeinflussen, ob Sie ausliefern können.

• Klonen — sprachübergreifende Timbre-Übertragung zwischen Mandarin, Kantonesisch, Englisch und Japanisch, plus die direkte Verarbeitung von verrauschtem oder halligem Referenzaudio.

• Verifizierung — zum Zeitpunkt der Erstellung liegt kein unabhängiger Arena-Score vor. Die Qualitätsaussagen zu 3.1 sind Herstellerangaben.

Die faire Einordnung lautet also nicht „Ming versus Qwen“, sondern „Ming versus Qwens aktuelle Generation, deren Preis inzwischen etwa ein Drittel dessen beträgt, was 3.0 verlangte“. Mings Kostenvorteil verringert sich entsprechend. Der Architekturunterschied verringert sich nicht.

Zwei verschiedene Produkte, nicht zwei Versionen eines Produkts.

• Bereitstellungsmodell — Ming-3.0-tts sind MIT-lizenzierte Gewichte auf Hugging Face und ModelScope, mit Inferenzcode in einem separaten GitHub-Repository. Qwen-Audio-3.0-TTS veröffentlicht keine Gewichte; es wird über Alibaba Cloud Model Studio bereitgestellt.

• Größe — Mings Standard-Checkpoint hat 0,5 Mrd. Parameter, ist dicht und basiert auf einem Qwen2.5-0.5B-Backbone, etwa 2,96 GB. Das Schwestermodell Ming-3.0-tts-tiny ist ein MoE mit insgesamt 7,9 Mrd. und 1,3 Mrd. aktiven Parametern auf Ants Ling-V3-Backbone. Qwen gibt die Parameterzahlen für keine der beiden Stufen an.

• Obergrenze der Ausgabequalität — Ming erreicht maximal 44,1 kHz. Qwen-Audio-3.0-TTS wechselte auf 48 kHz und unterstützt die Synthese von bis zu drei Minuten in einem Durchgang.

• Sprachabdeckung — Ming deckt Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch ab, zusätzlich Sichuanesisch und Kantonesisch. Qwen deckt 16 Sprachen und 20 chinesische Dialektregionen ab und hat mit 3.0 Arabisch, Vietnamesisch, Malaiisch und Filipino hinzugefügt.

• Stimmen — Ming liefert über 100 chinesische Stimmen und fünf englische. Qwens Katalog ist eine gehostete Auswahl, die Sie nicht verwalten.

• Steuerungsebene — Ming bietet Voice-Design aus einer Textbeschreibung, einen „Director Mode“ für frei formulierte Vortragsanweisungen, 14 Inline-paralinguistische Tags sowie explizite Steuerungen für Emotion, Geschwindigkeit, Tonhöhe und Lautstärke. Qwen 3.0 bot frei formulierte Regie-Prompts plus feingranulare Tags; 3.1 ersetzte die Tags durch Anweisungen.

Das Muster in dieser Liste ist konsistent: Ming bietet dir mehr Kontrolle über eine engere Sprachauswahl, und Qwen bietet eine breitere Abdeckung mit weniger Einblick in das, was darunter liegt.

Qualität: Was die Arena sagt – und was nicht.

Beide Modelle verfügen über unabhängige Messungen, was selten genug ist, um sorgfältig genutzt zu werden. Die Falle besteht darin, über verschiedene Boards hinweg zu vergleichen.

Im Provider Voice Arena — Modelle, die mit ihren eigenen Standardstimmen sprechen, was den direkten Vergleich darstellt — erzielte Qwen-Audio-3.0-TTS-Plus im August 2026 1.238 Elo und bis September 1.259, Platz zwei. Ming-3.0-tts erzielte 1.188 Elo, den dritten Platz unter den Open-Weight-Modellen und etwa Platz 18 insgesamt. Auf dieser Rangliste liegt Qwen mit rund 50 bis 70 Elo vorn, was einen echten, aber nicht riesigen Abstand darstellt — etwa den Unterschied zwischen zwei benachbarten Stufen kommerzieller Stimmen.

Ming hat zwei Ergebnisse, mit denen Qwen auf demselben Board nicht mithalten kann. Bei Pronunciation Robustness belegte es mit 93,2 % insgesamt den geteilten ersten Platz, und im Controlled Voice Arena rangiert es mit 1.069 Elo auf Platz eins unter den Open-Weight-Modellen – ein Board, das aus acht geklonten Stimmen mit US- und UK-Akzenten besteht. Qwen erscheint nicht auf dem Controlled-Voice-Board, weil es keinen lokalen Checkpoint gibt, gegen den dieser Test ausgeführt werden könnte.

Zusammengelesen sagen diese Zahlen etwas Bestimmtes aus. Ming ist am besten, wenn es eine Stimme reproduziert, die man ihm vorgibt, und am schwächsten, wenn es aus seinem eigenen kleinen englischen Katalog schöpft. Qwen ist stark bei seinen eigenen Stimmen und beansprucht State-of-the-Art-Sprecherähnlichkeit über alle 16 Sprachen hinweg — eine Herstellerangabe, keine unabhängige. Wenn Ihr Anwendungsfall lautet: „unseren Gründer klonen und den Newsletter vorlesen“, dann ist das Board, in dem Ming am stärksten ist, das entscheidende. Wenn er lautet: „Gib uns 40 Stimmen in 12 Sprachen“, ist Qwens Abdeckung der entscheidende Faktor.

Eine vom Anbieter gemeldete Zahl verdient Hervorhebung, weil sie ungewöhnlich und praktisch relevant ist: Der Durchsatz von Qwen-Audio-3.0-TTS wurde mit etwa 16 Zeichen pro Sekunde angegeben, gegenüber ungefähr 120 bei Sonic 3.5 und 30 bei Simba 3.2. Das ist langsam. Das ist der Grund, warum die Flash-Stufe existiert, und es ist die Art von Einschränkung, die ein Qualitäts-Leaderboard Ihnen nie zeigen wird. Mings 0,5B-Checkpoint hat keine vergleichbare öffentliche Durchsatzangabe, was für sich genommen eine Lücke ist.

Kosten, in der Einheit, in der jeweils abgerechnet wird

Die beiden Modelle verwenden keine gemeinsame Einheit, daher muss der Vergleich umgerechnet werden, bevor er etwas aussagt. Bei etwa 14 Zeichen pro Sekunde gesprochener Sprache entsprechen eine Million Zeichen ungefähr 19 bis 20 Stunden Audio.

• Qwen-Audio-3.0-TTS-Plus — 27,60 $ pro Million Zeichen bzw. rund 1,40 $ pro Audio-Stunde zum Listenpreis.

• Qwen-Audio-3.0-TTS-Flash — etwa 15 US-Dollar pro Million Zeichen oder ungefähr 0,76 US-Dollar pro Audiostunde.

• Qwen-Audio-3.1-TTS — nach der Preissenkung im September etwa ein Drittel des Preises von 3.0, also ungefähr 0,40 bis 0,45 US-Dollar pro Audio-Stunde für eine gleichwertige Synthese.

• Ming-3.0-tts — kein Preis pro Zeichen. MIT-Gewichte und stattdessen eine GPU-Rechnung. Ein gemieteter H800 für rund 2 US-Dollar pro GPU-Stunde, der ein 0,5B-Modell deutlich oberhalb von Echtzeit ausführt, erzeugt mehrere Audio-Stunden pro Wanduhr-Stunde; im Batch-Betrieb fällt die effektive Rate unter das, was irgendeiner der oben genannten nutzungsabhängigen Preise bei dauerhafter Auslastung erreichen kann.

Der Übergangspunkt ist das ganze Argument. Bei ein paar Stunden Audio pro Monat ist Selbsthosting ein schlechtes Geschäft: Die GPU ist 99 % der Zeit im Leerlauf, der Abhängigkeitsstapel kostet einen Arbeitstag, und die abgerechnete API kostet weniger als der Strom. Bei ein paar hundert Stunden pro Monat ist die abgerechnete API mit großem Abstand die teure Option, und die Kluft wächst mit jeder weiteren Stunde, weil die Grenzkosten der nächsten Generierung nahezu null sind. Wo genau Ihr Übergangspunkt liegt, hängt von GPU-Preisen und Auslastung ab, aber er wird in Hunderten von Stunden pro Monat gemessen, nicht in Tausenden.

Es gibt einen zweiten Kostenfaktor, der auf keiner der beiden Preislisten auftaucht: die Kosten dafür, dass sich das Modell unter Ihnen ändert. Qwen-Audio-3.0-TTS war etwa neun Wochen lang das beste Sprachmodell, das Alibaba verkaufte. Wer ein Produkt auf seiner Steuerungsgrammatik mit 86 Tags aufbaute, verbrachte den September damit, Prompts für natürlichsprachliche Anweisungen umzuschreiben. Mings MIT-Gewichte können nicht als veraltet markiert werden, nur von Ihnen verbessert werden.

Kontrolle, Klonen und die Realität der Bereitstellung

Mings Stimmdesign ist die Funktion, für die Qwen kein Äquivalent bietet. Man beschreibt eine Sprecherstimme im Text – Alter, Timbre, Tempo, Akzent – und das Modell synthetisiert eine passende Stimme, ohne Referenzclip. Für das Prototyping einer Figur oder einer Markenstimme, bevor man eine Aufnahme hat, ist das ein wirklich anderer Workflow als die Auswahl aus einem Katalog.

Qwens Gegengewicht ist Robustheit. Seine 3.1-Version verarbeitet gezielt verrauschte und hallige Referenzaudiodaten – genau der Fehlermodus, der das Klonen in realen Einsätzen scheitern lässt: Jemand nimmt mit einem Laptop in einem Konferenzraum eine Probe auf, und der Klon klingt wie eine andere Person. Mings Modellkarte räumt offen ein, dass die Sprecherähnlichkeit hinter der Inhaltsgenauigkeit zurückbleibt, wobei Französisch die deutlichste mehrsprachige Lücke darstellt.

Beim Deployment weichen die beiden im Hinblick auf den Aufwand am stärksten voneinander ab.

• Ming — das GitHub-Repository klonen, CUDA 12.4 und PyTorch installieren, optional flash-attn bauen, pynini für die Textnormalisierung installieren und infer.py oder die Python-API ming_tts.MingTTS ausführen. Hugging Face hostet nur Checkpoints und weist in einem Callout darauf hin. Das Tiny-Modell benötigt eine eigene Umgebung. Zum Zeitpunkt der Erstellung gibt es auf Hugging Face keinen gehosteten Inferenzanbieter.

• Qwen — ein API-Schlüssel und ein regionaler Endpunkt. Keine Infrastruktur, kein Abhängigkeits-Stack, keine GPU-Kapazitätsplanung. Sie können außerdem weder eine Version festlegen noch das Modell inspizieren oder offline betreiben.

Für ein Team mit einer bestehenden GPU-Infrastruktur und einem Compliance-Grund, Audio im eigenen Haus zu behalten, ist Ming die naheliegende Wahl, und der Aufwand ist ein Rundungsfehler. Für ein Team ohne beides ist Qwen dieses Quartal günstiger und bei Skalierung teurer, und der Lock-in ist real.

Wo ein Router hingehört

Keines der beiden Modelle ist auf OrcaRouter verfügbar. Wir hosten Ming-3.0-tts nicht und verkaufen Qwen-Audio-3.0-TTS nicht weiter, und eine Vergleichsseite ist der falsche Ort, um etwas anderes vorzugeben. Auf unserer Seite der Pipeline steht alles rund um die Stimme: das Sprachmodell, das das Skript entwirft und überarbeitet, sowie gehostete Sprachmodelle wie Gemini 3.1 Flash TTS Preview und GPT-4o mini TTS für die Fälle, in denen das Selbsthosten von Ming der falsche Kompromiss ist.

Das ist am wichtigsten für die Entscheidung, um die es auf dieser Seite tatsächlich geht. Eine Voice-Pipeline ist nicht ein einziges Modell; sie besteht aus einem Skriptgenerator, einem Normalisierer, einem Synthesizer und einem Fallback. Den Text-Teil hinter einen einzigen API-Schlüssel zu legen — über 200 Modelle, 0 % Aufschlag auf den Listenpreis des Anbieters, automatisches Failover, wenn ein Anbieter an Leistung verliert — bedeutet, dass der einzige Teil, auf den Sie sich festlegen, das Stimmmodell selbst ist. Wenn Sie Ming selbst hosten und sich herausstellt, dass es bei Ihren englischen Markennamen schwächer abschneidet, als die Arena vermuten ließ, ist der Austausch der Voice-Ebene eine Änderung einer einzelnen Komponente und kein Re-Platforming. Wenn Sie auf Qwens gehosteter API aufbauen, sorgt die Routing-Ebene dafür, dass der Rest der Pipeline weiterläuft, wenn der Endpoint langsam ist oder gedrosselt wird, und die durchgereichte Preisgestaltung bedeutet, dass die nächste Preissenkung von Alibaba Sie am Tag ihres Inkrafttretens erreicht und nicht erst, wenn es einem Reseller passt.

Welches soll man wählen?

• Wählen Sie Ming-3.0-tts, wenn Sie GPUs haben, eine geklonte oder individuell gestaltete Stimme statt eines Katalogs benötigen, MIT-Bedingungen wünschen, die einer rechtlichen Prüfung standhalten, und Tooling auf Forschungsniveau sowie ein begrenztes englischsprachiges Stimmenset akzeptieren können. Es ist die einzige Option hier, die Sie vollständig besitzen können.

• Wählen Sie Qwen-Audio-3.0-TTS nur dann, wenn Sie aus einem bestimmten Grund daran gebunden sind – einen bestehenden Vertrag mit Alibaba Cloud, einen Workflow, der auf seiner 86-Tag-Grammatik aufbaut. Andernfalls wählen Sie ein überholtes Modell zu einem überholten Preis.

• Wählen Sie Qwen-Audio-3.1-TTS, wenn Sie eine verwaltete Voice-API mit breiter Abdeckung wünschen und die Preissenkung im September Ihre Kalkulation verändert. Akzeptieren Sie, dass sie auf unabhängigen Ranglisten nicht verifiziert ist und dass ihre instruktionsbasierte Steuerung eine neue Grammatik ist, die Sie erlernen werden.

Die Qualitätslücke zwischen den beiden Familien ist klein genug, dass sie die Frage nicht entscheiden sollte. Auf dem einen Board, auf dem beide direkt konkurrieren, liegt Qwen um etwa 50 bis 70 Elo vorn. Auf den Boards, die Klonen messen, steht Ming an der Spitze und Qwen fehlt. Was sie tatsächlich trennt, ist die Frage, ob die Stimme ein Dienst ist, den man mietet, oder ein Artefakt, das man besitzt – und nachdem Alibaba sein eigenes Flaggschiff in neun Wochen ersetzt hat, wirkt diese Unterscheidung weniger wie Ideologie und mehr wie Beschaffungsrisiko.