Ming-3.0-tts vs Cartesia Sonic 3.6: Uno lee bien tu número de factura, el otro responde en 90 ms

Si se colocan Ming-3.0-tts y Cartesia Sonic 3.6 en la misma línea de la arena de voz de Artificial Analysis, el marcador dice que gana Cartesia: 1.290 Elo frente a 1.188 en Provider Voice, una diferencia de 102 puntos, con intervalos de confianza que no se acercan ni de lejos a tocarse. Si se colocan en la tabla de pronunciación, el resultado se invierte de forma tan brusca que parece un error de datos: 93,2% frente a 74,5%. Los mismos dos sistemas, medidos por el mismo laboratorio, en el mismo mes, discrepan en dieciocho puntos porcentuales sobre cuál de ellos puede leer inglés en voz alta. Ambas cifras son correctas, y la razón por la que ambas pueden ser correctas es la comparación en su conjunto. 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, su gravedad, su grado de confianza y su indicador de disputa.

Ming-3.0-tts es el modelo de pesos abiertos con licencia MIT de Ant Group: un checkpoint denso de 0.5B que ejecutas en tu propia GPU, con un hermano de mezcla de expertos de 7.9B llamado Ming-3.0-tts-tiny. Cartesia Sonic 3.6 es un endpoint en tiempo real propietario lanzado el 17 de agosto de 2026, con precio por carácter, comercializado por una latencia al primer audio inferior a 90 milisegundos y cobertura de 44 idiomas. Uno es un modelo. El otro es un servicio creado para responder una llamada telefónica. Cuál quieres depende de una pregunta que no tiene nada que ver con Elo: ¿tu texto es principalmente prosa, o principalmente cosas que deben decirse exactamente?

Los dos números que importan, y por qué no coinciden

Empieza con los tableros de preferencias, porque son los que la gente cita.

• Elo de voz del proveedor — Ming-3.0-tts 1,188 (intervalo 1,174–1,202) frente a Sonic 3.6 1,290 (1,276–1,304). Sonic ocupa el puesto 4 de 97 modelos; Ming, el 18.

• Elo de voz controlado — Ming-3.0-tts 1.068 (1.052–1.084) frente a Sonic 3.6 1.151 (1.138–1.164). Sonic ocupa el 5.º puesto; Ming, el 12.º. La diferencia se reduce en 19 puntos una vez que ambos sistemas clonan las mismas ocho voces.

• Robustez de pronunciación, inglés — Ming-3.0-tts 93,2 % (91,5–94,9) frente a Sonic 3.6 74,5 % (71,4–77,5). Ming ocupa el 1.º puesto de 31 sistemas medidos; Sonic, el 19.º.

Esos no son resultados contradictorios; están midiendo cosas distintas. Las tablas Elo preguntan a oyentes humanos qué clip prefieren, y la preferencia recompensa las cosas que hacen agradable el habla sintética: una prosodia natural, una emoción convincente, una voz que no suene como si estuviera leyendo un manual. Sonic 3.6 es muy bueno en eso. Ha sido el sistema clasificado en cuarto lugar en la arena desde agosto y se gana esa posición.

El panel de pronunciación plantea una pregunta más acotada y severa: ¿pronunció el sistema correctamente este fragmento concreto? Revisores humanos anotaron palabras y frases resaltadas en textos en inglés —nombres de marcas, términos técnicos, rutas de archivos, direcciones de correo electrónico, números, fechas y unidades— y evaluaron cada una. En esa prueba, Sonic queda en la mitad inferior de los 31 sistemas evaluados, y Ming queda en la cima de todos ellos.

Las subpuntuaciones hacen que la forma del fallo sea más clara que la puntuación agregada:

• Términos independientes — Ming-3.0-tts 88,5 % vs Sonic 3.6 72,6 %

• Apropiado según el contexto — Ming 91,0 % vs Sonic 78,2 %

• Preservación de secuencias exactas — Ming 90,6 % (1.º de 31) frente a Sonic 60,8 %

• Taquigrafía en expansión — Ming 96,5 % (1.º de 31) frente a Sonic 49,1 %

Expanding Shorthand es el que hay que mirar con atención. Cubre números, fechas, unidades y notación: «6'2"», «Capítulo XVII», «1 tsp». Con este criterio, Sonic 3.6 acierta aproximadamente la mitad de esos fragmentos. Es una cifra alarmante para una API de voz de producción, y es el tipo de cosa que una demo nunca saca a la luz, porque las demos se escriben en la prosa que eligió el proveedor. Pon delante de él una confirmación de pedido, una dosis o una medida y el ranking de preferencias deja de predecir nada útil.

El caso de la latencia y el rendimiento, donde Cartesia no se acerca.

La afirmación principal de Cartesia es que el primer audio llega en menos de 90 milisegundos, que es la cifra que importa para un agente conversacional: quien llama oye una voz antes de decidir que eres una máquina. Ming-3.0-tts no publica ninguna cifra de latencia. Lo que sí mide el arnés independiente es la capacidad de procesamiento, y no deja bien al modelo abierto.

• Caracteres por segundo de generación — Sonic 3.6 146,9 frente a Ming-3.0-tts 44,3. Cartesia es 3,3 veces más rápida en condiciones de hardware idénticas.

Tiempo de generación mediano de una solicitud puntuada — Sonic 3.6, 9,20 s frente a Ming, 2,56 s. Lea esto con detenimiento; refleja longitudes de solicitud distintas, no una ventaja de velocidad para Ming.

El resumen honesto es que Sonic 3.6 está diseñado para streaming y Ming-3.0-tts está diseñado para el procesamiento por lotes. A 44,3 caracteres por segundo —unas siete palabras—, el modelo autoalojado sí supera la velocidad del habla real, por lo que una narración larga termina antes del tiempo que se tarda en escucharla. Lo que no tiene es una historia de streaming, un tiempo hasta el primer audio publicado ni gestión de sesiones. Cartesia vende exactamente esas tres cosas.

Si estás creando un agente telefónico, una herramienta de traducción en vivo o cualquier cosa en la que una persona esté esperando la primera sílaba, ahí termina la comparación y deberías dejar de leer. El resto de este artículo es para el otro caso: texto que se prepara con antelación, o texto cuya corrección importa más que su inmediatez.

Lo que cada lado realmente te ofrece

Ming-3.0-tts, del grupo inclusionAI de Ant Group, se distribuye como un checkpoint de 2,96 GB que contiene la columna vertebral, una cabeza de parches de transformer de difusión, un tokenizador de audio, un codificador de hablante y un tokenizador de texto, bajo la licencia MIT con uso comercial permitido. Genera audio a 44,1 kHz, admite siete idiomas además de sichuanés y cantonés, y ofrece clonación de voz, diseño de voz descrito por texto, 14 etiquetas paralingüísticas en línea y control de emoción y de velocidad/tono/volumen. Ant lo probó en una H800-80GB y una H20-96G con PyTorch 2.6 y CUDA 12.4, e incluye un Dockerfile.

Sonic 3.6, de Cartesia, es una API. Gestiona 44 idiomas con un solo modelo, clona una voz a partir de diez segundos de audio de referencia, admite una locución sensible a las emociones y la inserción de señales no verbales, y acepta diccionarios de pronunciación personalizados —lo cual es la propia respuesta del proveedor justamente al problema que mide el panel de pronunciación, y conviene señalar que a un cliente que lo configura no se le puntúa según la ruta predeterminada que evalúa la arena. Cartesia también desarrolla el resto de la pila de voz: conversión de voz a texto, agentes de voz a 0,06 dólares por minuto, números de telefonía y límites de concurrencia que escalan según el nivel del plan.

• Licencia — pesos MIT que conservas frente a una API comercial sin pesos

• Cobertura de idiomas — 7 más 2 dialectos frente a 44

• Despliegue — tu GPU vs. su endpoint

• Frecuencia de muestreo de salida — 44.1 kHz frente a no publicada en la página del producto

• Clonación de voz — audio de referencia, texto de referencia y un modo de tarea explícito frente a 10 segundos de audio, instantáneo

• Base de precios — horas de GPU frente a créditos a un crédito por carácter

Vale la pena convertir el precio de los créditos, porque «un crédito por carácter» no es una cifra con la que la mayoría de los equipos pueda elaborar un presupuesto. La propia tabla de planes de Cartesia indica que un minuto de audio consume entre 750 y 800 créditos, lo que sitúa la tarifa efectiva cerca de $0,038 por minuto en el plan Pro de $5, $0,029 en el plan Startup de $49 y $0,028 en el plan Scale de $299. La arena lo normaliza a $49 por millón de caracteres, que es la cifra comparable frente al cero de Ming. Ming no es gratis; es una factura de horas de GPU que tu equipo de finanzas verá como infraestructura en lugar de como una partida por palabra.

La comparación a tres meses que nadie incluye en la reseña

Hay una versión de esta decisión que sobrevive a ambos modelos, y es la que de verdad importa para un sistema en producción: qué ocurre cuando el modelo que elegiste es reemplazado.

Cartesia ha lanzado Sonic 3, 3.5 y 3.6 en un año, a un precio constante de 49 USD por millón de caracteres. Ant ha lanzado Ming-omni-tts en febrero, una variante de 16,8 mil millones en junio, y ahora Ming-3.0-tts — con un informe técnico aún sin revisar en su hoja de ruta y una ruta de aceleración vLLM-Omni marcada como completada pero sin documentar en el repositorio. Ambos proveedores avanzan rápido. Ninguno va a detenerse.

Para un modelo alojado, se trata de una actualización de versión rutinaria. Para un checkpoint autoalojado, es una migración: nuevos pesos, nuevas dependencias, una nueva ronda de evaluación sobre tu propio texto. La licencia MIT protege tu derecho a seguir ejecutando el antiguo, lo cual es una ventaja real y el principal motivo por el que los equipos eligen pesos abiertos desde el principio, pero no te protege de querer el nuevo.

Esta es la costura donde una capa de enrutamiento hace algo concreto en lugar de retórico. OrcaRouter no aloja Ming-3.0-tts ni Cartesia Sonic 3.6, y nada de lo aquí presentado debería sugerir lo contrario — Ming proviene del repositorio y Sonic, de la propia API de Cartesia. Lo que sí incluye el catálogo es un conjunto de modelos de voz alojados, entre ellos las previews de G​emini T​TS de G​oogle y tts-1 y gpt-4o-mini-tts de O​penAI, detrás de la misma clave que más de 200 modelos de texto, al precio de lista del proveedor sin ningún margen añadido, con conmutación por error automática entre proveedores. Si tu pipeline de voz tiene una ruta de respaldo —y cualquier pipeline que gestione tráfico en vivo debería tenerla—, ese respaldo puede ser un solo endpoint en lugar de un segundo contrato y un segundo SDK. Un recorte de precios de un proveedor llega a nuestro lado el mismo día, porque no hay ningún margen intermedio que deshacer.

¿Cuál elegir, según la carga de trabajo?

La decisión es breve si respondes con sinceridad sobre el texto.

Elige Sonic 3.6 si hay una persona esperando el primer audio, necesitas más que un puñado de idiomas o quieres que un proveedor se encargue del tiempo de actividad. La diferencia de preferencia de 102 puntos es real y los oyentes la van a notar. Configura el diccionario de pronunciación con los términos que tu producto realmente dice, porque la ruta predeterminada obtiene un 74,5 % exactamente en eso.

Elige Ming-3.0-tts si tu audio se genera con antelación —narración, lectura en voz alta de documentación, indicaciones de IVR, material de capacitación, borradores de audiolibros— y el texto contiene identificadores, unidades, códigos o notación. En las tres categorías que abarcan esos tramos, ocupa el primer puesto o está a tres puntos o menos de él, y ningún sistema alojado de la clasificación es mejor a la hora de preservar una secuencia exacta.

No elijas ninguno; aun así, si necesitas que los nombres propios en inglés sean correctos. El 88,5% de Ming en Términos Independientes ocupa el puesto 21 de 31, y es la única categoría en la que el modelo está claramente en la mitad de la tabla. Un nombre de marca mal pronunciado en una demostración de producto cuesta más que una fecha leída con torpeza.

Existe también un híbrido que ningún proveedor te sugerirá: usar un modelo alojado en tiempo real para la superficie interactiva y un checkpoint autoalojado para el corpus por lotes, y evaluarlos con el mismo texto reservado. Los dos sistemas fallan en lugares distintos, y eso es precisamente lo que hace que la división valga la pena frente al costo operativo.

La pregunta abierta

La página de producto de Cartesia afirma que la empresa ocupa el primer puesto en Speech Arena. Eso era cierto cuando se escribió la página y ya no lo es: hoy HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo y Eleven v4 están todos por encima de Sonic 3.6, y la posición de Sonic es la cuarta. Las afirmaciones de los proveedores sobre las clasificaciones quedan obsoletas en cuestión de semanas. La puntuación de pronunciación del 74,5 % es el dato más duradero de esta comparación, porque la mide alguien que no tiene ningún producto que vender y es lo bastante mala como para que la propia función de diccionario de pronunciación de Cartesia exista para sortearla.

Qué cambiaría el veredicto: un lanzamiento en streaming de Ming-3.0-tts con un tiempo hasta el primer audio publicado, o un Sonic 3.7 que corrija la expansión de abreviaturas. Ninguno está anunciado. Hasta entonces, la división es clara —velocidad y cobertura por un lado, exactitud y propiedad por el otro— y la respuesta correcta es dejar de buscar un ganador y empezar a mirar tu propio corpus.