Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS: Uno tiene una lista de tarifas, el otro tiene un repositorio

La comparación que todos quieren es la de dos puntuaciones una al lado de la otra, y hoy no puede hacerse con honestidad. Ming-3.0-tts-tiny es un checkpoint de voz de mezcla de expertos de 7,9 mil millones de parámetros de inclusionAI, de Ant Group, publicado como pesos bajo licencia MIT, sin endpoint alojado ni evaluación independiente. Qwen-Audio-3.0-TTS es un endpoint de síntesis alojado en A​libaba Cloud Model Studio, lanzado el 20 de julio de 2026, vendido en un nivel Flash y un nivel Plus, sin pesos en ningún lado y sin tabla publicada de tasas de error. Un lado tiene una posición en la clasificación y un precio. El otro tiene un pipeline descargable y una suite de benchmarks del proveedor. El trabajo útil aquí no es elegir un ganador entre esos dos artefactos; es determinar qué números pueden colocarse uno al lado del otro, y cuáles no. 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.

Las fechas importan, porque ninguno de los dos productos llegó como sugeriría una entrada de lanzamiento. El repositorio de Ming-3.0-tts-tiny en Hugging Face se creó el 22 de septiembre de 2026 y el checkpoint se subió el 24 de septiembre. Durante tres semanas y media fue una carpeta de pesos sin forma de ejecutarlos: el código de inferencia, los ejemplos de un clic y el recetario de tareas solo aparecieron en GitHub el 19 de octubre a las 08:58 UTC, en nueve commits a lo largo de una sola tarde. Ant no lo ha anunciado; no hay entrada de blog, ni vídeo de ficha de modelo, ni informe técnico. Qwen-Audio-3.0-TTS, en cambio, tuvo un lanzamiento real y sigue en la lista de precios de Alibaba; y el nivel que importa para la calidad, Plus, sigue siendo lo más alto de la escala de síntesis de Alibaba incluso después de que la generación 3.1 llegara en septiembre.

La fila de la tabla de clasificación es el checkpoint equivocado, y el repositorio no lo indica.

Empieza aquí, porque este es el error que cometerá la primera ola de publicaciones comparativas. Artificial Analysis mantiene dos tableros de voz, y ambos incluyen un modelo llamado Ming-3.0-tts. A 19 de octubre, ocupa 1.188 de Elo en el tablero Provider Voice y 1.069 en el tablero Controlled Voice.

Esa entrada es el 0.5B modelo, no este. Ming-3.0-tts-tiny no tiene ninguna fila en la arena —ni clasificada, ni sin clasificar, ni como entrada de vista previa. El README de GitHub reproduce las cifras 1.188 y 1.069 en su sección de resultados sin distinguir qué checkpoint las produjo, que es exactamente cómo un número adquiere la etiqueta equivocada dos republicaciones después.

Así que cuando ves «Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266», lo que en realidad se está comparando es el modelo denso de quinientos millones de parámetros de Ant frente al mayor nivel alojado de Alibaba, con el modelo del título de este artículo ausente de la tabla. La diferencia de 78 puntos es real para el 0,5B. No dice nada sobre el pequeño MoE, en ningún sentido. Puede que el modelo pequeño sea mejor; nadie lo ha sometido a un panel de preferencias.

La ausencia no es una puntuación baja. Es un modelo sin puntuación, y esa distinción es precisamente la razón por la que existe esta sección.

Lo que cada lado realmente es

Si le quitas el marketing, los dos objetos difieren en naturaleza antes de diferir en calidad.

• Forma — Ming-3.0-tts-tiny es un checkpoint que se descarga: unos 18 GB, 8.980.964.372 parámetros en BF16 más 40.096 en F32, que contiene el backbone Ling V3, una cabeza de transformer de difusión, un tokenizador de audio, un codificador de hablante CAM++ y el tokenizador de texto. Qwen-Audio-3.0-TTS es un endpoint HTTP que devuelve audio; no hay nada que descargar ni licencia que auditar.

• Parámetros — 7.9B en total con alrededor de 1.3B activos por token, una mezcla dispersa de expertos, frente a un modelo alojado para el cual A​libaba no publica un recuento de parámetros.

• Licencia — MIT tanto en los pesos como en el código, con una nota de uso que solicita no suplantar a personas sin consentimiento y etiquetar el audio sintético. En el lado alojado, términos comerciales de la API.

• Idiomas: chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés cuando se proporciona un clip de referencia de dialecto. Qwen-Audio-3.0-TTS enumera 16 idiomas y 20 regiones dialectales de China.

• Superficie de control: clonación zero-shot, diseño de voz a partir de una descripción, instrucciones de estilo de formato libre, 14 etiquetas paralingüísticas en línea, ajustes explícitos de emoción, velocidad, tono y volumen, y una tarea de pódcast con múltiples hablantes. Qwen-Audio-3.0-TTS ofrece clonación además de aproximadamente 86 etiquetas de interpretación en línea y control mediante instrucciones.

• Precio — no figura ninguna tarifa publicada en el caso de Ming-3.0-tts-tiny; se paga por tiempo de GPU. Qwen-Audio-3.0-TTS-Plus cuesta ¥1,4 por cada 10.000 caracteres en la lista de Alibaba para Pekín, que Artificial Analysis normaliza a $19,31 por millón de caracteres.

• Puntuación independiente: ninguna para Ming-3.0-tts-tiny. 1.266 de Elo en Provider Voice y 1.126 en Controlled Voice para Qwen-Audio-3.0-TTS-Plus, ambos con intervalos de confianza que no tocan los 1.188 y 1.069 de la fila de Ming-3.0-tts.

Dos tipos de evidencia que no se convierten entre sí

La arena mide preferencia. Las tablas de Ant miden error y similitud. Ninguna de las dos se transforma en la otra, y debe resistirse la tentación de tratar una diferencia de Elo como un multiplicador de calidad.

Lo que Qwen-Audio-3.0-TTS te ofrece es el juicio relativo de una multitud sobre sus voces nativas, respaldado por recuentos de muestras e intervalos. Lo que Ant te ofrece es la medición de un laboratorio de su propio modelo frente a un conjunto de pruebas fijo, con el arnés, los clips de referencia y el código de puntuación elegidos por el mismo equipo que construyó el modelo. Ambos son legítimos. Ninguno sustituye al otro, y solo uno de ellos existe para el modelo que aparece en el título de este artículo.

La suite de Ant es amplia, y vale la pena saber qué contiene antes de descartarla. En el conjunto chino Seed-TTS, el modelo pequeño registra un 0.820 % de error de palabra con una similitud de hablante de 0.781 —la mejor cifra de similitud de todas las tablas publicadas por Ant, incluido el 0.758 de su propio modelo hermano de 0.5B—. El inglés alcanza 1.666 % con 0.728. El alemán llega a 0.325 % de error de carácter y el español a 0.971 %, ambos primeros en la comparación de ocho sistemas de Ant. El japonés es 3.427 %, el francés 3.470 %. En la prueba paralingüística de evento único de NVBench, lidera las seis categorías, con 17.23 PCER en chino y 32.95 en inglés. Las suites de dialectos alcanzan una precisión de 86.09 % en WSC-Eval-TTS easy y 92.90 en WSYue base, el conjunto de emociones un promedio de 74.00 % en CV3, y el diseño de voz un 75.37 % en InstructTTSEval-ZH. Todo ello es el propio arnés de Ant, ejecutado por Ant, reportado por Ant y reproducido por nadie.

El resumen honesto es que a Qwen-Audio-3.0-TTS lo han juzgado desconocidos y a Ant lo ha juzgado su autor. Eso no es una crítica a ninguno de los dos; es una afirmación sobre qué son los dos números.

El único enfrentamiento directo que Ant sí publica, y es contra sí misma.

En medio de esa suite hay un resultado que se comporta como una comparación real, porque el competidor es el propio modelo 0.5B de Ant y la diferencia es lo suficientemente grande como para sobrevivir a un entorno de pruebas diferente.

En coreano, Ming-3.0-tts-tiny registra una tasa de error de caracteres del 6.000%. El 0.5B registra el 1.728%. El mismo equipo, el mismo conjunto de pruebas, el mismo día de publicación: un factor de aproximadamente tres y medio, en la dirección que nadie esperaba del modelo más grande. La ficha del modelo no lo explica, y la sección de limitaciones incluye el coreano entre los puntos débiles conocidos sin ofrecer un mecanismo.

Disponer de una explicación estructural y etiquetarla como hipótesis en lugar de hallazgo es posible: los modelos dispersos enrutan cada token a través de un subconjunto de expertos, por lo que un idioma que recibió menos señal de entrenamiento dentro de la mezcla puede degradarse más rápido de lo que lo haría en un modelo denso de tamaño total comparable. Eso es plausible. No está medido. Lo defendible es la conclusión operativa, que es más acotada: si el coreano está en tu producto, este punto de control no es al que hay que recurrir hasta que alguien lo ejecute con texto coreano real y publique el resultado.

Qwen-Audio-3.0-TTS incluye el coreano entre sus 16 idiomas, y A​libaba no publica ninguna tasa de error por idioma que pueda compararse con el 6,000 % de Ant. Así que ni siquiera el punto débil puede convertirse en una comparación. Solo puede interpretarse como una advertencia.

Un millón de caracteres, con doble precio

Aquí es donde los dos productos dejan de ser abstracciones.

Qwen-Audio-3.0-TTS factura por carácter. Con el precio normalizado de la arena de 19,31 USD por millón de caracteres, un millón de caracteres de narración finalizada cuesta 19,31 USD, y cien millones cuestan 1931 USD. La cifra es lineal, predecible y está disponible antes de que escribas código. El rendimiento en el mismo arnés independiente es de 25,61 caracteres por segundo de tiempo de generación, lo que es una cuestión de concurrencia más que de facturación a la escala de la API.

Ming-3.0-tts-tiny cuesta en horas de GPU, y la aritmética tiene un agujero justo en el medio. El hermano de 0.5B se midió en 42,1 caracteres por segundo; el modelo tiny no se midió en absoluto. No puedes tomar prestado el rendimiento de su hermano, porque el modelo tiny activa aproximadamente dos veces y media más parámetros por token y ocupa unos 18 GB en lugar de 2,96 GB. La tarjeta recomendada por Ant es una H800, y el entorno fijado —Python 3.10.15, torch y torchaudio 2.7.1 con CUDA 11.8, transformers 4.46.3— es la única afirmación de rendimiento del lanzamiento.

Así que haz el cálculo a la vista en lugar de fingir que está resuelto. A 20 caracteres por segundo, un millón de caracteres supone unas 14 horas de generación; a 10 caracteres por segundo, unas 28. Multiplica esas horas por tu propio costo por hora de GPU, suma el tiempo de carga del modelo, la cola y los reintentos, y compáralo con $19.31. Por debajo de unos pocos millones de caracteres al mes, la tarifa alojada suele ganar en costo total una vez que se incluye el tiempo de alguien. Por encima, en hardware que ya tienes y mantienes ocupado, el costo marginal por hora del checkpoint es el mismo que el de la primera hora, que es la ventaja estructural que ninguna tarifa puede igualar.

Una cosa que la comparación de precios no debería ocultar: los dos modelos no son el mismo producto a ningún precio. El plan Plus de Qwen-Audio-3.0-TTS es un catálogo de voces terminado con 16 idiomas; Ming-3.0-tts-tiny es un pipeline que tú mismo operas y cuya calidad de salida mides por tu cuenta.

La cuestión de niveles que A​libaba no ha resuelto

Cualquiera que elija Qwen-Audio-3.0-TTS hoy está eligiendo dentro de una familia que se transformó bajo sus pies. La línea Qwen-Audio-3.1 se anunció el 23 de septiembre de 2026, y Artificial Analysis incluye un Qwen-Audio-3.1-TTS-Plus con 1.300 Elo en Provider Voice y 1.186 en Controlled —por encima del 3.0 Plus en ambas tablas, con fecha del 24 de septiembre, al mismo precio de 19,31 USD por millón de caracteres.

Pero la lista de precios pública de Alibaba solo incluye una SKU Flash para TTS 3.1, así que determinar si el nivel 3.1 Plus es invocable hoy es una cuestión para la propia consola del proveedor, no algo que deba inferirse de una tabla de clasificación. En cualquier caso, la lectura práctica es la misma: el nivel 3.0 Plus no está obsoleto, pero ya no es lo más reciente que Alibaba ha evaluado, y un comprador debería confirmar qué SKU está contratando realmente antes de comparar su precio con cualquier otra cosa.

Para Ming-3.0-tts-tiny no hay ninguna cuestión de niveles en absoluto: hay un solo checkpoint, ninguna hoja de ruta con fechas y una nota de compatibilidad con vLLM-Omni que apareció en la documentación el mismo día que el código.

Lo que los repositorios no establecen

Cuatro lagunas merecen nombrarse antes de que alguien planifique en torno a este modelo.

Sin puntuación independiente — ninguna fila de arena, ninguna tasa de error de palabras de terceros, ningún rendimiento medido. La fila que parece ser de Ming-3.0-tts-tiny pertenece al 0.5B.

• No hay informe técnico — la hoja de ruta lo muestra sin marcar, y la ficha del modelo se editó el 16 de octubre para eliminar una referencia a uno.

• No hay endpoint alojado — no existe una API propia ni un precio, así que el único camino a producción es tu propia infraestructura.

• No hay receta de ajuste fino — el repositorio documenta tareas de inferencia, no entrenamiento. El ajuste fino con LoRA o completo sobre este checkpoint no está documentado, lo cual es una situación distinta de la de un modelo que incluye scripts de entrenamiento.

En el momento de la captura, el repositorio de Hugging Face mostraba 20 descargas y 3 me gusta, y el repositorio de GitHub, un puñado de estrellas y ninguna versión. Eso no es evidencia de nada, excepto de que el lanzamiento fue discreto, que es la única afirmación sobre la que este artículo se muestra seguro.

Qué valor tiene esta comparación en la práctica

Si necesitas una voz en producción este mes, en más de un par de idiomas, con alguien más encargándose del tiempo de actividad, Qwen-Audio-3.0-TTS-Plus es la opción defendible: cuenta con evaluación, precio, documentación y soporte, y los 1.266 de Elo están medidos, no solo afirmados.

Si necesitas ser dueño del modelo —clonar voces que no puedes enviar a un tercero, generar a un volumen en el que la facturación por carácter domina, distribuir bajo una licencia que permita la redistribución—, Ming-3.0-tts-tiny es el único de los dos que puede ser tuyo. Acepta a cambio que serás tú quien primero lo someta a pruebas de referencia, que el coreano es una debilidad conocida que su propio proveedor hace pública y que el pipeline tiene apenas una semana de vida.

OrcaRouter no enruta ninguno de los dos modelos, y nada de lo aquí expuesto debe interpretarse como una afirmación en sentido contrario; a la voz se llega a través del canal propio de cada proveedor, y al checkpoint Ming-3.0-tts-tiny a través de tu propio hardware. Lo que sí enrutamos es la mitad de texto del mismo pipeline — más de 200 modelos con una sola clave, al precio de lista del proveedor sin recargo añadido, así que un cambio de precio de un proveedor de texto es tu precio el mismo día. Para un producto de voz, el guion, la indicación tipo SSML y el agente que decide qué decir son todo texto, y esa es la parte en la que un segundo contrato con un proveedor no te aporta nada.

El número que zanjaría esto aún no existe. No es una puntuación Elo; es una tarde en una H800 ejecutando el checkpoint diminuto contra los mismos clips de referencia que usó Ant, con los resultados publicados junto al arnés de pruebas. Hasta que alguien haga eso, la postura honesta es la que ha adoptado este artículo: dos artefactos creíbles, uno puntuado y otro no, y una comparación que debe hacerse sobre titularidad, estructura de precios y riesgo lingüístico en lugar de sobre calidad.