Ming-3.0-tts-tiny vs Breeze-TTS-2: pesos MIT frente a una licencia no comercial

Dos modelos de voz con pesos abiertos aparecieron con un mes de diferencia y no compiten en el mismo eje. Ming-3.0-tts-tiny, de inclusionAI, de Ant Group, es un checkpoint de mezcla de expertos de 7,9B que activa alrededor de 1,3B parámetros por token, se distribuye bajo MIT y cubre nueve idiomas, incluidos dos dialectos chinos. Breeze-TTS-2, de BreezeBlue, es un modelo denso de 3B que cubre solo inglés y chino, publica su código bajo Apache 2.0 y publica sus pesos bajo una licencia de investigación y no comercial con una excepción para el alojamiento de pago. La pregunta principal —cuál suena mejor— resulta ser la menos decisiva, porque la entrada de la arena que parece ser la puntuación de Ming pertenece a un checkpoint completamente diferente, y la diferencia de licencia es la que decide si puedes lanzar el producto o no. Los fallos de IA y los incidentes de agentes documentados 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 y marca de disputa.

Ninguno de los dos proveedores anunció un evento de disponibilidad general en el sentido habitual, y ambos hechos importan aquí. Los pesos de Breeze-TTS-2 se publicaron el 25 de agosto de 2026, con las suites de diseño de voz y latencia llegando después, el 7 de agosto. Ming-3.0-tts-tiny existía en Hugging Face desde el 24 de septiembre, pero solo se volvió ejecutable el 19 de octubre, cuando su código de inferencia y su recetario de tareas aparecieron en GitHub. Por lo tanto, esta es una comparación de dos artefactos que tienes que alojar tú mismo, escrita antes de que ninguno de los dos tenga un precio de servicio alojado que citar, y etiquetada en consecuencia en todo el texto.

Empieza por la licencia, porque para algunos equipos eso zanja la discusión.

Las dos licencias no son variaciones de un mismo permiso. Son categorías de permiso diferentes.

• Ming-3.0-tts-tiny — MIT, tanto para los pesos como para el código. Puedes usarlo comercialmente, modificarlo, redistribuirlo e incluirlo en un producto de código cerrado. Ant adjunta una nota de uso en la que pide que no suplantes a personas sin consentimiento y que etiquetes el audio sintético; eso es una solicitud en la documentación, no una condición de la concesión.

• Breeze-TTS-2 — Apache 2.0 para el código fuente, y una "BreezeBlue Research and Non-Commercial License" separada para los pesos. El uso comercial de los resultados alojados requiere una suscripción de pago de BreezeBlue y, aun así, la suscripción no extiende los derechos comerciales a los pesos abiertos ni a los resultados que generes al alojarlos tú mismo.

Lee con atención ese segundo punto, porque la interpretación obvia es la equivocada. Pagar a BreezeBlue no convierte los pesos en algo que puedas ejecutar comercialmente; lo que hace es licenciar una ruta alojada. El autoalojamiento es no comercial independientemente de que te suscribas. Si tu plan es «afinar el modelo 3B, ponerlo detrás de nuestro propio endpoint y facturar por ello», la licencia cierra esa puerta y MIT la deja abierta. Para investigación interna, evaluación o un prototipo que nunca vaya a generar ingresos, la distinción no cuesta nada.

Hay una segunda diferencia relacionada con la licencia que decide más despliegues que cualquiera de los dos párrafos anteriores. La versión de Ming incluye todo un pipeline —backbone, cabeza de difusión, tokenizador de audio, codificador de hablante y tokenizador de texto— como un único conjunto de pesos. Breeze distribuye su código y sus pesos con una ruta de inferencia empaquetada para varios runtimes a la vez: el ecosistema de derivados en torno a Breeze-TTS-2 incluye builds de MLX en 4 bits y 8 bits, además de un port de precisión completa, cuantizaciones GGUF, conversiones int8 e int4, una build HQQ int4, una build ROCm/RDNA4 BF16 del 18 de octubre, una build GPTQ int4 para ROCm del 19 de octubre, fine-tunes para ComfyUI y un LoRA de portugués brasileño publicado el 6 de octubre. Ming-3.0-tts-tiny no tiene nada de eso, porque dispone de una ruta de inferencia utilizable desde hace menos de un día.

La diferencia en la huella es de aproximadamente un orden de magnitud.

Aquí es donde «tiny» deja de significar pequeño. El nombre describe los parámetros activos por token, no la memoria que necesitas.

• {{1}}Ming-3.0-tts-tiny{{/1}} — {{2}}8.980.964.372 parámetros en BF16 más 40.096 en F32{{/2}} según los propios metadatos de Hugging Face, unos {{3}}18 GB de almacenamiento del repositorio{{/3}}, y una {{4}}H800 recomendada en las notas de entorno del proveedor{{/4}}. Pagas la memoria de un modelo de {{5}}7,9B{{/5}} y obtienes la latencia de uno de {{6}}1,3B{{/6}}, lo cual es una buena opción para síntesis por lotes en hardware alquilado y una mala para cualquier cosa que tenga una {{7}}tarjeta de 12 GB{{/7}} dentro.

• Breeze-TTS-2 — 3B parámetros densos, aproximadamente 7,7 GiB de memoria de GPU en modo eager y aproximadamente 14,4 GiB con --fast-all habilitado. BreezeBlue recomienda 12 GB o 24 GB según la ruta que elijas, y documenta que sus valores predeterminados de Docker están orientados a H100/Hopper sm90, mientras que los propietarios de A100 deben establecer FLASH_ATTN_CUDA_ARCHS=80.

• El modelo de concurrencia de Ming: un punto de entrada de Python por tarea con valores predeterminados fijos: escala de guía 2.0, temperatura cero, diez pasos de flujo, sigma 0.25, semilla 1234. La compatibilidad con vLLM-Omni está en la hoja de ruta y sin marcar, por lo que hoy no existe una ruta de servicio de alto rendimiento.

• El modelo de concurrencia de Breeze: una API de streaming HTTP de concurrencia única que devuelve PCM mono a 24 kHz, entero de 16 bits con signo y little-endian, con un tiempo hasta el primer audio declarado inferior a 40 milisegundos en una H100 ya calentada y un factor de tiempo real de 0,32, lo que es aproximadamente 3,1 veces más rápido que el tiempo real.

Ese último par es el resumen honesto del equilibrio. Breeze está diseñado para la latencia de streaming con una solicitud a la vez; Ming está diseñado para el rendimiento por unidad de cómputo con activación dispersa, y no ha publicado una pila de servicio. Si tu producto es un agente de voz en vivo, esos no son puntos de partida equivalentes. Si tu producto es un lote nocturno de narración, el modelo de concurrencia importa mucho menos que la licencia y la factura de memoria.

La cobertura de idiomas no está ni cerca, y la brecha va en un solo sentido.

Breeze-TTS-2 admite inglés y chino. Su ficha lo afirma sin ambages y también documenta eventos vocales en línea en ambos idiomas —(laugh) y (sigh) en inglés, [笑] y [叹气] en chino—, además de la clonación a partir de un clip de referencia con su transcripción exacta y un control de dirección de voz.

Ming-3.0-tts-tiny abarca chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés cuando se le proporciona un clip de referencia dialectal. Añade control de estilo de forma libre, diseño de voz a partir de una descripción en lenguaje natural, más de 100 voces chinas integradas y cinco voces inglesas, y 14 etiquetas paralingüísticas en línea. También genera pódcasts con varios hablantes, algo que Breeze no intenta.

El truco está en la propia tabla multilingüe de Ant, y es lo primero que hay que leer antes de asumir que nueve supera a dos. En coreano, Ming-3.0-tts-tiny registra una tasa de error de caracteres del 6,000 %, sexto de los ocho sistemas evaluados por Ant, frente al 1,728 % de su hermano de 0,5B de Ant. En francés es segundo en tasa de error, pero su similitud de hablante de 0,733 no entra en los tres primeros puestos, una limitación que la propia ficha indica. El alemán (0,325 %) y el español (0,971 %) son primeros en esa tabla. Así que la lectura honesta es: cinco de los siete idiomas de Ming son creíbles, el coreano todavía no, y la compatibilidad con dialectos es única pero no está verificada fuera del entorno de pruebas de Ant. Breeze, en cambio, no afirma nada que no cubra: dos idiomas, y todos los resultados de su ficha se refieren a esos dos.

Las cifras de la arena, y por qué no son un cara a cara

Breeze-TTS-2 tiene una puntuación independiente. Ming-3.0-tts-tiny no tiene una, y la entrada que parece ser una pertenece a un modelo diferente.

• Breeze-TTS-2 en Artificial Analysis, leído de los tableros en vivo el 19 de octubre de 2026 — 1.220 de Elo en Provider Voice, donde cada modelo utiliza su propio elenco de voces nativo, y 1.019 en Controlled Voice, donde cada modelo clona las mismas ocho voces de referencia.

• La fila de Ming en las mismas tablas —1.188 en Provider y 1.069 en Controlled— está vinculada a Ming-3.0-tts-0.5B, el hermano denso con backbone de quinientos millones, no al checkpoint diminuto. El README de GitHub de Ant reproduce estas cifras en su sección de resultados sin esa distinción. Conviene ser explícito: no hay un Elo independiente para Ming-3.0-tts-tiny, ni una cifra medida de caracteres por segundo, ni una tasa de error de palabras de terceros.

• La tabla de clasificación de la propia página del proyecto sitúa a Breeze en 1.222 en Provider y 1.018 en Controlled, una diferencia de dos puntos respecto a la tabla en vivo en cada dirección. Así se ve una tabla cuando todavía está acumulando votos; cita las cifras en vivo y menciona el redondeo si vas a comparar documentos.

• En el tablero controlado, el orden de los sistemas de pesos abiertos es Ming-3.0-tts-0.5B con 1,069, Fish Audio Drama 3 Preview con 1,059, Breeze-TTS-2 con 1,019. En el tablero de proveedores, Breeze lidera ese grupo con 1,220, con Ming-3.0-tts-0.5B en 1,188. Así que el pequeño modelo Ming gana cuando la voz se mantiene constante y pierde cuando cada sistema aporta su propio elenco de voces — lo que dice algo sobre las grabaciones de voz de BreezeBlue y muy poco sobre la arquitectura.

Nada de eso se traslada al checkpoint diminuto en ninguna de las dos direcciones. Un lector podría inferir razonablemente que un modelo de mezcla de expertos de 7,9B con una mejor puntuación de similitud de hablante en chino que su hermano de 0,5B obtendría una puntuación más alta en el tablero controlado. Esa inferencia no está probada, no es un número, y este artículo no la presentará como tal.

Para qué sirve realmente cada uno

Si dejamos de lado las listas de especificaciones, los dos modelos resuelven problemas distintos.

Breeze-TTS-2 es una versión centrada ante todo en el despliegue. Dos idiomas, una huella densa de 3B que cabe en una tarjeta de 12 GB en modo eager, una API de streaming con una ruta de latencia documentada, un contenedor orientado a Hopper de centros de datos pero que puede recompilarse para A100, y un ecosistema de adaptaciones cuantizadas y específicas para cada entorno de ejecución que aparecieron en las ocho semanas posteriores a los pesos. Su número de descargas —14.636 en el último mes, con 747 me gusta y 17 Spaces— es lo que parece la adopción cuando un modelo es fácil de ejecutar. Su limitación es la licencia: pesos para investigación y uso no comercial, con una vía alojada de pago que no otorga derechos de autohospedaje comercial.

Ming-3.0-tts-tiny es un lanzamiento centrado en las capacidades. Nueve idiomas, control de dialectos, diseño de voz, un sistema paralingüístico de 14 etiquetas, generación de pódcasts con múltiples hablantes y la mejor puntuación de voz clonada de su propia familia, con 0,781 de similitud de hablante en chino. Su limitación es todo lo que rodea a la capacidad: una descarga de 18 GB, una activación dispersa que necesita memoria de GPU real, una propuesta de servicio que es una casilla en la hoja de ruta, ninguna evaluación independiente y ningún anuncio. Veinte descargas y tres me gusta en Hugging Face, cinco estrellas en GitHub y doce commits de documentación en una sola tarde indican que el proveedor todavía está escribiendo el manual.

Si necesitas lanzar una función de voz bilingüe este trimestre en hardware que ya tienes, Breeze-TTS-2 con un acuerdo comercial es el camino más corto, y lo que hay que negociar es la licencia, no los cálculos. Si necesitas alemán, español, japonés, cantonés o un formato de pódcast, Breeze no puede ayudarte y Ming es la única opción de pesos abiertos con una tabla publicada, siempre que puedas asumir el consumo de memoria y aceptar que el coreano no está listo.

OrcaRouter no enruta ninguno de estos dos modelos, y este artículo no debe interpretarse como una sugerencia de lo contrario. Lo que hay en el catálogo es la mitad de texto del pipeline al que se conectan estas voces: más de 200 modelos con una sola clave, al precio de lista del proveedor sin ningún margen añadido, de modo que un cambio de precio del proveedor está activo en nuestro lado el mismo día en lugar de en un ciclo de actualización. Cuando comparas dos checkpoints autoalojados y ninguno tiene una tarifa de alojamiento, la única factura recurrente que realmente puedes controlar es el modelo que escribe el script, y esa es la parte que merece la pena enrutar en lugar de alquilar una GPU para ello.

El veredicto que resiste la evidencia es más limitado de lo que sugiere la diferencia de Elo. En un despliegue comercial en condiciones equivalentes, la licencia MIT lo decide antes de leer un solo benchmark. En el trabajo bilingüe sensible a la latencia, la ingeniería de Breeze lo decide antes que la licencia. Y en cuanto a la pregunta por la que la mayoría de los lectores vino —¿suena mejor el modelo más grande?—, la respuesta honesta es que nadie lo ha medido, que la fila de la arena que todos citarán corresponde al checkpoint equivocado y que la primera persona que ejecute ambos con el mismo audio de referencia producirá el único número que merezca la pena citar.