GPT-Live-1 vs Ming-3.0-TTS: una licencia MIT frente a un minuto tarificado

Ming-3.0-TTS llegó el 20 de octubre de 2026 con la licencia con la que sueña la mayoría de los equipos de voz: MIT, pesos en Hugging Face y ModelScope, código de inferencia en GitHub, coste cero por carácter y el sichuanés y el cantonés en la lista de idiomas. GPT-Live-1 cuesta 0,05 $ por minuto, no distribuye pesos y habla los idiomas para los que OpenAI lo ajustó. Compararlos no es realmente una cuestión de calidad. Es una cuestión de qué idioma hablan realmente tus clientes y de si estás dispuesto a ejecutar una GPU para atenderlos.

Ambos son reales, ambos están vigentes, y ambos son buenos en cosas que el otro no puede hacer. Esta es la división honesta.

La familia Ming son dos modelos, no uno.

El equipo inclusionAI de Ant Group publicó en código abierto Ming-3.0-TTS como un par que comparte un único framework de generación: un modelo de lenguaje que alimenta un cabezal de parches de transformer de difusión y un tokenizador de audio.

• {{1}}Ming-3.0-TTS-0.5B{{/1}} — {{2}}denso{{/2}}, {{3}}aproximadamente 500 millones de parámetros sobre una red troncal Qwen2.5-0.5B{{/3}}, {{4}}una descarga de 2,96 GB{{/4}}, {{5}}funciona en una{{/5}} {{6}}H800-80GB{{/6}} {{7}}o en una{{/7}} {{8}}H20-96G{{/8}}.

• Ming-3.0-TTS-Tiny — una implementación de mezcla de expertos sobre la arquitectura Ling V3 de Ant, con 7.900 millones de parámetros totales y 1.300 millones activos, y la que añade un modo pódcast multiparlante.

El 0.5B es el interesante para cualquiera que haya puesto precio a un producto de voz. Un modelo TTS de quinientos millones de parámetros que cabe en tres gigabytes no es un compromiso de centro de datos; es una única GPU que quizá ya tengas. El Tiny es la apuesta por la calidad, y las propias notas de Ant dicen que su salida de pódcast está por debajo del anterior Ming-Omni-TTS: una limitación sincera, y que bien merece tomarse al pie de la letra.

Conjunto de funciones: clonación de voz zero-shot, diseño de voz a partir de una descripción textual, más de 100 voces chinas integradas y 5 voces inglesas, 14 etiquetas paralingüísticas en línea para risas, suspiros y respiraciones, control de estilo en lenguaje natural y salida de 44,1 kHz. Los idiomas son chino, inglés, alemán, español, francés, coreano y japonés, además de los dialectos sichuanés y cantonés.

Lo que GPT-Live-1 ofrece en su lugar

El modelo de OpenAI es un motor conversacional, no un sintetizador con interfaz de scripting. En la API desde el 10 de septiembre de 2026, recibe audio y texto como entrada, devuelve audio y texto como salida, escucha mientras habla y transfiere el razonamiento a un modelo de texto cuando una pregunta lo requiere. Un único endpoint: v1/live/sessions. 0,05 $ por minuto, facturado por segundo. Fecha de corte de conocimiento: julio de 2025, sin ventana de contexto documentada y sin acceso al nivel gratuito.

No hay soporte documentado para dialectos, ni clonación de voz, ni facturación por carácter, ni forma de darle un guion de 4.000 caracteres y recibir un archivo de vuelta. Lo que sí tiene es una gestión de turnos que funciona: justo eso que todo agente de voz en cascada se pasa seis meses ajustando y aun así sigue haciendo mal con una línea telefónica deficiente.

La cuestión del idioma es lo primero.

Si sus usuarios hablan mandarín, cantonés o sichuanés, esta comparación termina pronto. Ming-3.0-TTS se desarrolló para esos idiomas, publica tasas de error por palabra para cada idioma y ofrece voces que suenan nativas en lugar de adaptadas. La documentación de GPT-Live-1 no describe en absoluto el manejo de dialectos, y los despliegues que podemos observar —ChatGPT Voice y ahora el modo de voz de Perplexity— son productos centrados en el inglés.

Si tus usuarios hablan únicamente inglés, la ventaja de Ming se reduce a su licencia y a su precio, y la ventaja de GPT-Live-1 pasa a ser toda la capa conversacional. Esa es la verdadera bifurcación, y no tiene nada que ver con Elo.

El único punto en el que la amplitud lingüística de Ming es genuinamente estratégica es un producto que deba atender varios mercados a la vez — alemán, español, coreano y japonés en un mismo lanzamiento. Ant reporta sus mejores tasas de error de palabra en alemán y español en la variante Tiny, y señala a la vez que la similitud de hablante es más débil en los idiomas nuevos y que en general queda fuera de los tres primeros puestos. Traducción: cobertura amplia, fidelidad desigual, y conviene hacer pruebas de escucha por mercado en lugar de fiarse de la lista.

La afirmación de $0, auditada

Ming es gratis en el sentido de que la licencia no cuesta nada. No es gratis en el sentido de que servirlo no cueste nada, y cada artículo sobre «TTS de coste cero» omite en silencio ese paso.

Artificial Analysis no registra ningún precio para Ming-3.0-TTS: el campo indica N/A, porque no hay una API comercial alojada de inclusionAI a la que asignarle un precio. Tu costo es tiempo de GPU, y la fórmula honesta es: (tarifa por hora de GPU ÷ caracteres sintetizados por hora) × 1.000.000. Completa tú mismo el segundo término. Nadie publica una cifra de rendimiento para el 0.5B, así que cualquier cifra por millón que leas en línea —incluido el punto de equilibrio de $6.58 que circula en las comparaciones— se basa en una suposición sobre la velocidad que los autores del modelo no han publicado.

Lo que se puede decir sin inventar números: con un alquiler de $2 por hora-GPU, hay que sintetizar aproximadamente medio millón de caracteres por hora para quedar por debajo de $4 por millón — una tasa que exige que el modelo funcione varias veces más rápido que el tiempo real, algo que un modelo de 0.5B plausiblemente puede lograr y un MoE de 7.9B plausiblemente no. Mídelo antes de construir un caso de negocio sobre ello.

Frente a GPT-Live-1, las cuentas son más claras precisamente porque la tarifa es lineal: una hora de conversación cuesta $3.00, con el razonamiento de backend facturado por separado. Sin riesgo de utilización, sin GPU que supervisar y sin ninguna suposición que tengas que defender en una reunión de presupuesto.

¿Por qué ambos reportan 93,2 %?

Una curiosidad que hará tropezar a cualquiera que compare fichas técnicas: Ming-3.0-TTS reporta un 93,2 % de robustez de pronunciación en la medición de Artificial Analysis y afirma ser el primero en el ranking general. Drama 3, de Fish Audio, reporta el mismo 93,2 % y también afirma ser el primero. Dos laboratorios, dos arquitecturas, una cifra idéntica hasta el decimal.

Considera eso como evidencia de un techo más que como un desempate. La fracción restante se concentra en los casos que rompen todos los modelos TTS: cadenas alfanuméricas, nombres propios poco comunes, números leídos en contexto y homógrafos. Qué modelo gana para ti depende de si tu contenido incluye números de pieza o poesía, y solo tu propio conjunto de evaluación puede responderlo.

En escena, con las salvedades incluidas.

En el Provider Voice Arena, con datos capturados el 29 de octubre de 2026, Ming-3.0-TTS ocupa 1187 Elo, tercero entre las entradas de pesos abiertos por detrás de Drama 3 con 1240 y Breeze TTS 2 con 1228, y la clasificación que el propio repositorio de Ant informa lo sitúa como tercero entre los pesos abiertos en este tablero. En el tablero Controlled Voice, donde todos los modelos clonan las mismas ocho voces, el propio repositorio de Ant afirma el primer puesto entre los pesos abiertos con 1069 Elo y el decimotercero en la clasificación general.

GPT-Live-1 no aparece en esas clasificaciones, porque no es un modelo de texto a voz en su sentido. Sus puntuaciones figuran en otro lugar: 83,2 en el Speech-to-Speech Index, segundo de 21, y 1037–1041 en el Speech Agent Arena, con un éxito en tareas entre el 87,4 % y el 90,9 %. Instrumentos diferentes, escalas diferentes, no se permite restar.

Dónde pierde cada uno

Ming pierde en la conversación, punto final. No puede oír, no puede interrumpir, no puede decidir dejar de hablar. Cualquier despliegue que requiera a una persona al otro lado de la línea queda fuera del alcance, por buena que sea la voz.

Ming también pierde en simplicidad operativa para equipos pequeños. Una GPU es algo que se cae a las 3 de la madrugada, necesita controladores que coincidan y se degrada silenciosamente cuando otro inquilino comparte la tarjeta. La licencia MIT no incluye un ingeniero de guardia.

GPT-Live-1 pierde en estructura de costes para el trabajo con mucho texto y en control para la voz de marca. Las voces fijas del modelo implican que no puedes lanzar la voz de un fundador ni la de un personaje con licencia. Y el medidor por minuto penaliza justo la carga de trabajo en la que el TTS es mejor: salidas largas, con guion y repetitivas, donde nada necesita escuchar.

El ángulo de enrutamiento que realmente aplica

Ninguno de los dos está en OrcaRouter, y conviene ser franco al respecto: Ming-3.0-TTS es un conjunto de pesos abiertos autoalojado, sin endpoint alojado que enrutar, y GPT-Live-1 expone un único endpoint de sesión que no servimos. Lo que sí enrutamos es el modelo de razonamiento detrás de un agente de voz en chino — Qwen3.8 Max, GLM-5.3, Kimi K3 y los modelos Gemini están detrás de una clave con conmutación automática por error, a precios de lista del proveedor repercutidos con 0 % de margen.

Para un despliegue bilingüe, algo que importa más de lo que parece. La elección de TTS normalmente se toma una sola vez y en función de la cobertura de idiomas; el modelo de razonamiento que la sustenta se cambia a medida que se mueven los precios y llegan nuevos checkpoints en chino. Mantener ese segmento enrutable es la forma más barata de blindar el stack de cara al futuro.

¿Sobre cuál construir?

Parta de Ming-3.0-TTS si el producto habla chino o atiende a varios mercados asiáticos y europeos, si usted controla una GPU y si la salida está guionizada en lugar de ser conversacional. La licencia MIT es un activo estratégico genuino: no puede revocarse, ni cambiar de precio, ni limitarse su frecuencia de uso, y la variante 0.5B hace que la barrera para probarlo sea de aproximadamente una tarde.

Construye sobre GPT-Live-1 si el producto es una conversación en inglés y el listón de calidad es «¿se siente como una persona al teléfono?». Pagarás 0,05 $ por minuto para siempre y no serás dueño de nada, y obtendrás la única capacidad que el campo de pesos abiertos no ha entregado a este nivel de calidad: un modelo que escucha mientras habla.

No construyas sobre ninguno de los dos porque lo dijo una tabla de clasificación. Ming's 1187 y Live's 83.2 son dos instrumentos distintos orientados a dos tareas distintas, y la única comparación que resiste el contacto con un despliegue real es la que haces con tu propio audio.