Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS: pesos gratuitos contra 78 puntos Elo

Coloca Ming-3.0-tts-0.5B junto a Qwen-Audio-3.0-TTS y lo primero que notas es que no son el mismo tipo de objeto. Ming es un checkpoint de 2,96 GB que descargas, con licencia MIT, y ejecutas en tu propia GPU. Qwen-Audio-3.0-TTS, en el nivel de calidad que A​libaba denomina Qwen-Audio-3.0-TTS-Plus, es un endpoint alojado en A​libaba Cloud Model Studio sin pesos en ningún sitio. En la arena de voz independiente Artificial Analysis, el modelo alojado obtiene 1.266 Elo y el descargable obtiene 1.188 —una diferencia de 78 puntos sin solapamiento entre los dos intervalos de confianza. Esa diferencia es real. Cuánto vale depende de si compras una voz o compras un activo. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

La respuesta breve, antes de las pruebas

Si la voz se lanza en un producto este trimestre y otra persona debe estar de guardia cuando falle, Qwen-Audio-3.0-TTS-Plus es la mejor opción, y no por poco. Si estás creando contenido con el chino como prioridad, necesitas diseño de voz o control de dialectos, o no puedes aceptar un cobro por carácter, Ming-3.0-tts-0.5B es la única de las dos que puede ser tuya. Ninguna de las dos respuestas sale intacta del contacto con una hoja de cálculo de presupuesto, y de eso trata el resto de este artículo.

Lo que cada modelo realmente es

Ming-3.0-tts-0.5B es un lanzamiento de pesos abiertos de Ant Group procedente de inclusionAI, construido sobre una base Qwen2.5-0.5B con una cabeza de transformer de difusión y un tokenizador de audio independiente. Se lanzó discretamente en dos etapas —los pesos en Hugging Face en septiembre de 2026 y el código de inferencia en GitHub el 19 de octubre— y Ant no lo ha anunciado. El paquete incluye un codificador de locutor y un tokenizador de texto, genera audio de 44,1 kHz y admite clonación, diseño de voz a partir de una descripción textual, 14 etiquetas paralingüísticas en línea, control de emoción y atributos, siete idiomas y dos dialectos chinos.

Qwen-Audio-3.0-TTS es la línea de síntesis alojada de A​libaba, lanzada el 20 de julio de 2026, en dos niveles: Flash para trabajo en tiempo real y Plus para la máxima calidad. El nivel Plus es el que tiene una posición medida en la arena, y es el nivel al que se refiere cada cifra de las siguientes. Abarca 16 idiomas además de 20 regiones de dialectos chinos, admite clonación de voz y unas 86 etiquetas de locución insertadas en el texto, y solo es accesible a través de la API de A​libaba. No hay pesos, ni despliegue local, ni licencia que auditar.

Una rareza en las fechas que vale la pena señalar porque verás ambas: Alibaba lanzó la línea en julio, pero la fila de la arena para el modelo Plus indica una fecha de lanzamiento del 15 de septiembre de 2026. Interpretamos que esa es la fecha en que se publicó la revisión puntuada o el listado, no un segundo modelo. Si vas a citar una fecha de lanzamiento en un documento, el 20 de julio es el lanzamiento y el 15 de septiembre es el registro administrativo de la arena.

Los números que los separan

• Arena Elo, Voz del proveedor — Ming-3.0-tts-0.5B 1.188 (intervalo 1.173–1.203) frente a Qwen-Audio-3.0-TTS-Plus 1.266 (1.252–1.280). Los intervalos no se solapan.

• Arena Elo, Voz controlada — Ming 1.069 (1.053–1.085) frente a Qwen-Plus 1.126 (1.113–1.139). Sigue habiendo una brecha clara, de 57 puntos, en voces clonadas mantenidas constantes en todos los modelos.

• Precio — Ming no ofrece ninguno; pagas por el cómputo. Qwen-Plus figura a $19.31 por millón de caracteres en la columna de precios normalizados de la arena.

• Rendimiento — Ming 42,1 caracteres por segundo de tiempo de generación frente a Qwen-Plus 25,6, medido con el mismo arnés independiente.

• Pesos — checkpoint con licencia MIT vs ninguno.

• Idiomas — siete más el sichuanés y el cantonés frente a 16 más 20 regiones dialectales chinas.

• Superficie de control — instrucción libre, diseño de voz, 14 etiquetas paralingüísticas, emoción/velocidad/tono/volumen explícitos frente a aproximadamente 86 etiquetas en línea y control de entrega estilo instrucción.

El resultado de rendimiento es el que sorprende a la gente. Un modelo denso de quinientos millones de parámetros con un paquete de 2,96 GB supera al nivel Plus alojado de Alibaba en alrededor de un 65 % en caracteres por segundo en la medición independiente. Eso no es una crítica a Qwen —los endpoints alojados se aprovisionan para concurrencia, y la cifra de rendimiento de la arena es de una solicitud a la vez—, pero sí significa que el modelo pequeño no es el lento en esta comparación.

¿De dónde vienen los 78 puntos?

El Elo de preferencia no te dice qué está mal. Escuchar a los dos sistemas con el mismo texto sí lo hace, y el patrón es consistente con lo que admite la propia ficha del modelo de Ant.

Ant publica sus debilidades en un lenguaje inusualmente llano: la similitud del hablante va por detrás de la precisión del contenido, la similitud en francés es la brecha multilingüe más evidente, las frases paralingüísticas con múltiples eventos siguen siendo inestables y el diseño de voz abierto aún no iguala al sistema más potente evaluado. En la arena, eso se traduce en una voz clonada que es competitiva —la primera entre los modelos de pesos abiertos en la tabla controlada— y un elenco de voces nativas que no lo es. El puesto de Ming en voces de proveedor, 19.º de 98, se ve lastrado por las más de 100 voces integradas en chino y las cinco en inglés, más que por la vía de la clonación.

La ventaja de Q​wen tiene la forma opuesta. Sus voces nativas son el producto; el nivel Plus se diseñó para sonar acabado desde el primer momento, y así se mide tanto en el entorno del proveedor como en entornos controlados. También tiene la amplitud lingüística que aporta una empresa que opera una nube: 16 idiomas y 20 regiones de dialectos chinos frente a los siete y dos de Ming.

En cuanto a la precisión más que a la preferencia, la comparación es más endeble de lo que sugiere la diferencia en Elo. Qwen-Audio-3.0-TTS no tiene una tabla publicada de tasa de error de palabras de Alibaba que pudiéramos verificar con un conjunto de pruebas común, y las cifras de Seed-TTS de Ming —0,800 % en chino, 1,584 % en inglés— son de Ant, medidas en el entorno de pruebas de Ant con la configuración recomendada por Ant. Ninguno de los dos ofrece una tasa de error comparable en igualdad de condiciones. Lo que tienes es una puntuación de preferencia para ambos y una tabla del proveedor para uno.

Dos modelos de facturación, y el medidor que nadie imprime

La comparación de precios no es 19,31 $ frente a cero. Es un medidor por carácter frente a un medidor por hora de GPU, y el segundo es invisible hasta que tu equipo de finanzas lo pida.

Qwen cobra por cada carácter del texto de entrada. A $19.31 por millón de caracteres, un millón de caracteres de narración finalizada cuesta $19.31, y la cifra escala de forma lineal y predecible. Puedes ponerlo en una hoja de cálculo antes de escribir una sola línea de código.

Ming factura por tiempo de GPU. La versión se ha probado en una H800-80GB y una H20-96G, requiere PyTorch 2.6 con CUDA 12.4 y se distribuye con un Dockerfile, pero sin endpoint alojado. A los 42,1 caracteres por segundo medidos en la arena, un millón de caracteres requiere unas 6,6 horas de generación en ese tipo de hardware, sin contar la carga del modelo, las colas ni las solicitudes fallidas. Que sea más barato que 19,31 USD depende por completo de cuánto te cueste la hora de GPU y de lo llena que la mantengas, y es el cálculo que decide este enfrentamiento para la mayoría de los equipos.

Aquí es también donde una capa de enrutamiento se justifica, sin pretender alojar ninguno de los dos modelos. OrcaRouter no ofrece Ming-3.0-tts-0.5B ni Qwen-Audio-3.0-TTS, y nada de lo que hay aquí debería sugerir lo contrario; a ambos se llega a través de sus propios canales: Model Studio de Alibaba para Qwen y tu propia infraestructura para Ming. Lo que sí ofrecemos es la parte de texto del mismo pipeline al precio de lista del proveedor, con un 0 % de margen añadido — de modo que un cambio de precio de un proveedor de texto que enrutamos es tu precio ese mismo día — con conmutación por error automática entre proveedores para el modelo que escribe el guion, etiqueta la emoción o impulsa al agente. La voz es la mitad cara y lenta de un producto de voz; la mitad que va por delante no debería ser también la frágil.

El problema del sucesor

Hay un tercer modelo que pertenece a esta decisión y no está en el título: Qwen-Audio-3.1-TTS-Plus, lanzado el 24 de septiembre de 2026. Obtiene 1.300 Elo en la misma arena —34 puntos por encima del nivel 3.0 Plus— al mismo precio de 19,31 dólares por millón de caracteres.

Vuelve a leer eso como comprador. Alibaba lanzó un modelo mejor cinco semanas después del que aparece en esta comparación, a un precio sin cambios, en la misma familia de endpoints. Quien elija Qwen-Audio-3.0-TTS hoy está eligiendo un modelo que su propio proveedor ya ha superado sin ningún descuento. El nivel 3.0 sigue en el catálogo y sigue siendo bueno —1,266 Elo es sexto en una tabla de 98—, pero la opción alojada correcta en esta familia ahora es 3.1, no 3.0.

Ming no tiene ese problema porque no tiene sucesor ni cadencia. Eso es una ventaja genuina para un equipo que quiere un artefacto estable y un riesgo genuino para uno que quiere la mejor voz disponible dentro de seis meses. Un lanzamiento no anunciado y sin compromiso de hoja de ruta puede quedar en silencio en cualquiera de las dos direcciones.

¿Quién debería elegir cuál?

Elige Qwen-Audio-3.1-TTS-Plus —no 3.0— si quieres la máxima calidad medida de esta familia a un precio por carácter conocido, necesitas una amplia cobertura de idiomas o prefieres que otro se encargue del tiempo de actividad. Asume el pago por uso y asume que el siguiente escalón llegará sin aviso.

Elija Ming-3.0-tts-0.5B si la voz tiene que ejecutarse dentro de su propio perímetro, si su contenido es prioritariamente en chino y necesita sichuanés o cantonés, si quiere diseñar una voz a partir de una descripción en lugar de elegirla de un elenco, o si su volumen es lo bastante alto como para que una GPU que ya posee supere una factura por carácter. Presupueste la ingeniería: el entorno está fijado, la normalización de texto necesita una biblioteca FST que no tiene una wheel universal, y las únicas cifras de rendimiento publicadas provienen de un único arnés independiente.

Por ahora no elijas ninguno de los dos si necesitas un contrato de soporte. Ming no tiene anuncio, ni opción alojada, ni compromiso de soporte declarado; Q​wen tiene las tres cosas, pero el nivel 3.0 ya no es el que hay que comprar. El resumen honesto es que no es una competencia justa y nunca pretendió serlo —uno es un lanzamiento de investigación con una licencia y el otro es un producto en la nube con una lista de precios—, y la pregunta útil es cuál de esas dos cosas necesita realmente tu proyecto.