Ming-3.0-tts vs Qwen-Audio-3.0-TTS: pesos abiertos frente a una voz que se cobra por carácter

Ming-3.0-tts y Qwen-Audio-3.0-TTS son los dos sistemas chinos de texto a voz más creíbles lanzados en 2026, y no coinciden en casi nada salvo en la calidad de su salida. Ming-3.0-tts es el modelo de pesos abiertos con licencia MIT de Ant Group, publicado por el equipo inclusionAI el 20 de octubre de 2026 como parte de la familia de voz Ming-3.0. Qwen-Audio-3.0-TTS es el sintetizador de voz cerrado y solo por API de Alibaba, anunciado en WAIC el 20 de julio de 2026 en los niveles Plus y Flash, sin que se publicara ningún peso. Uno se descarga y se ejecuta; el otro se alquila por carácter. Esa diferencia es la comparación, y la brecha de calidad es menor que la brecha de modelo de negocio.

Hay además un detalle que la mayoría de las comparaciones de estos dos modelos pasa por alto, y cambia la recomendación: Qwen-Audio-3.0-TTS ya no es el modelo de voz de Qwen que realmente comprarías. Alibaba lo sustituyó por Qwen-Audio-3.1-TTS el 23 de septiembre de 2026 y redujo los precios de síntesis aproximadamente un 70 % el día anterior. Así que esta página compara el modelo que se nombra en el título con Ming-3.0-tts, porque es lo que la gente está buscando, y luego te explica qué cambia el Qwen más reciente en la respuesta.

El modelo del título ya ha sido reemplazado.

Qwen-Audio-3.0-TTS se lanzó en WAIC con una afirmación genuina: primer puesto en Provider Voice Arena de Artificial Analysis, por delante de Gemini 3.1 Flash TTS y una larga lista de sistemas comerciales. Se distribuyó en dos niveles —Plus para calidad, Flash para interacción en tiempo real con una latencia de primer paquete de aproximadamente 300 ms— a precios de lista de alrededor de $27.60 y $15 por millón de caracteres, respectivamente.

Nueve semanas después, Qwen-Audio-3.1-TTS llegó a la Apsara Conference. Los cambios que importan para esta comparación:

• Precio — síntesis baja alrededor del 70 %, tiempo real baja alrededor del 85 %, efectivo el 22 de septiembre de 2026 para las regiones de Pekín y Singapur. Eso sitúa a 3.1 TTS Flash en aproximadamente ¥1,5 por millón de tokens de entrada y ¥12 por millón de tokens de salida, y sitúa el equivalente a Plus cerca de $8 por millón de caracteres en la antigua unidad.

• Control — las instrucciones en lenguaje natural y formato libre para la emoción, el ritmo y el estilo sustituyen a las 86 etiquetas de entrega en línea de la versión 3.0. Se trata de un cambio de usabilidad, no de calidad, y es el que más probabilidades tiene de afectar a si puedes lanzar el producto.

• Clonación — transferencia de timbre entre idiomas en mandarín, cantonés, inglés y japonés, además del manejo directo de audio de referencia con ruido o reverberación.

• Verificación — no hay una puntuación independiente de arena en el momento de redactar esto. Las afirmaciones de calidad para 3.1 son afirmaciones del proveedor.

Entonces, el planteamiento justo no es «Ming versus Qwen» sino «Ming versus la generación actual de Qwen, cuyo precio ahora es aproximadamente un tercio de lo que cobraba 3.0». La ventaja de costos de Ming se reduce en consecuencia. La diferencia de arquitectura no.

Dos productos diferentes, no dos versiones de uno.

• Modelo de entrega — Ming-3.0-tts son pesos con licencia MIT en Hugging Face y ModelScope, con el código de inferencia en un repositorio de GitHub separado. Qwen-Audio-3.0-TTS no publica pesos; se sirve a través de Alibaba Cloud Model Studio.

• Tamaño — El checkpoint predeterminado de Ming es de 0.5B parámetros, denso, sobre una base Qwen2.5-0.5B, aproximadamente 2.96 GB. Su modelo hermano Ming-3.0-tts-tiny es un MoE de 7.9B en total y 1.3B activos sobre la base Ling V3 de Ant. Qwen no divulga el número de parámetros para ninguno de los dos niveles.

• Techo de calidad de salida — Ming alcanza un máximo de 44,1 kHz. Qwen-Audio-3.0-TTS pasó a 48 kHz y admite la síntesis en una sola pasada de hasta tres minutos.

• Cobertura de idiomas — Ming cubre chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés. Qwen cubre 16 idiomas y 20 regiones dialectales chinas, y con la versión 3.0 añadió árabe, vietnamita, malayo y filipino.

• Voces — Ming incluye más de 100 voces en chino y cinco en inglés. El catálogo de Qwen es una selección alojada que no gestionas.

• Superficie de control — Ming ofrece diseño de voz a partir de una descripción de texto, un «modo director» para instrucciones de locución de forma libre, 14 etiquetas paralingüísticas en línea y controles explícitos de emoción, velocidad, tono y volumen. Qwen 3.0 ofrecía indicaciones de director de estilo libre además de etiquetas detalladas; la 3.1 sustituyó las etiquetas por instrucciones.

El patrón en esa lista es consistente: Ming te da más control sobre un conjunto de idiomas más reducido, y Qwen te da una cobertura más amplia con menos visibilidad sobre lo que hay debajo.

Calidad: lo que dice la arena, y lo que no

Ambos modelos tienen mediciones independientes, algo lo bastante raro como para usarlo con cuidado. La trampa está en comparar entre placas diferentes.

En Provider Voice Arena —modelos que hablan con sus propias voces de fábrica, que es la comparación de igual a igual—, Qwen-Audio-3.0-TTS-Plus obtuvo 1.238 puntos Elo en agosto de 2026 y 1.259 en septiembre, y quedó en segundo lugar. Ming-3.0-tts obtuvo 1.188 puntos Elo, tercero entre los modelos de pesos abiertos y alrededor del 18.º puesto de la clasificación general. En esa tabla, Qwen está por delante por unos 50 a 70 puntos Elo, una diferencia real pero no enorme: aproximadamente la que hay entre dos niveles adyacentes de voz comercial.

Ming tiene dos resultados que Qwen no puede igualar en la misma tabla. Empató en el primer puesto general en Robustez de Pronunciación con 93,2%, y ocupa el primer puesto entre los modelos de pesos abiertos en Controlled Voice Arena con 1.069 Elo, una tabla construida a partir de ocho voces clonadas con acentos estadounidenses y británicos. Qwen no aparece en la tabla de voces controladas, porque no hay un checkpoint local con el que ejecutar esa prueba.

Leídos en conjunto, esos números dicen algo concreto. Ming da lo mejor de sí cuando reproduce una voz que se le entrega, y lo peor cuando recurre a su propio y reducido catálogo en inglés. Qwen es fuerte en sus propias voces y afirma tener una similitud de hablante de última generación en los 16 idiomas —una afirmación del proveedor, no independiente. Si tu carga de trabajo es «clonar a nuestro fundador y leer el boletín», la carta más fuerte de Ming es la que importa. Si es «danos 40 voces en 12 idiomas», la cobertura de Qwen es el hecho decisivo.

Hay una cifra reportada por un proveedor que merece señalarse porque es inusual y práctica: el rendimiento de Qwen-Audio-3.0-TTS se reportó en unos 16 caracteres por segundo, frente a aproximadamente 120 de Sonic 3.5 y 30 de Simba 3.2. Eso es lento. Es la razón por la que existe el nivel Flash, y es el tipo de limitación que una tabla de clasificación de calidad nunca te mostrará. El checkpoint 0.5B de Ming no tiene una cifra de rendimiento pública comparable, lo cual es una carencia en sí misma.

Coste, en la unidad en la que cada uno cobra

Los dos modelos no comparten una unidad, así que la comparación debe convertirse antes de que signifique algo. A aproximadamente 14 caracteres por segundo de habla, un millón de caracteres equivale a unas 19 o 20 horas de audio.

• Qwen-Audio-3.0-TTS-Plus — 27,60 $ por millón de caracteres, o aproximadamente 1,40 $ por hora de audio a precio de catálogo.

• Qwen-Audio-3.0-TTS-Flash — alrededor de $15 por millón de caracteres, o aproximadamente $0,76 por hora de audio.

• Qwen-Audio-3.1-TTS — tras el recorte de septiembre, aproximadamente un tercio del precio de 3.0, así que en torno a $0,40 a $0,45 por hora de audio para una síntesis equivalente.

• Ming-3.0-tts — sin precio por carácter. Pesos MIT y, en su lugar, una factura de GPU. Una H800 alquilada a unos 2 USD por hora de GPU, ejecutando un modelo de 0,5B muy por encima del tiempo real, produce varias horas de audio por hora de reloj; en lotes, la tarifa efectiva cae por debajo de lo que cualquiera de los precios por consumo anteriores puede alcanzar con un volumen sostenido.

El punto de cruce es el meollo de todo el debate. Para unas pocas horas de audio al mes, el autoalojamiento es un mal negocio: la GPU está inactiva el 99 % del tiempo, la pila de dependencias supone un día de trabajo y la API de pago por uso cuesta menos que la electricidad. Para unos cientos de horas al mes, la API de pago por uso es la opción cara por un amplio margen, y la diferencia se amplía con cada hora adicional porque el coste marginal de la siguiente generación es casi cero. Dónde se sitúa exactamente tu punto de cruce depende del precio y la utilización de la GPU, pero se mide en cientos de horas al mes, no en miles.

Hay un segundo costo que no aparece en ninguna de las dos listas de precios: el costo de que el modelo cambie bajo tus pies. Qwen-Audio-3.0-TTS fue el mejor modelo de voz que Alibaba vendió durante unas nueve semanas. Cualquiera que construyera un producto sobre su gramática de control de 86 etiquetas pasó septiembre reescribiendo prompts para instrucciones en lenguaje natural. Los pesos MIT de Ming no pueden quedar obsoletos; solo tú puedes mejorarlos.

Control, clonación y la realidad del despliegue

El diseño de voz de Ming es la función para la que Qwen no tiene un equivalente. Describes a un hablante en texto —edad, timbre, ritmo, acento— y el modelo sintetiza una voz que se ajuste, sin necesidad de un clip de referencia. Para prototipar la voz de un personaje o de una marca antes de tener una grabación, ese es un flujo de trabajo genuinamente distinto al de elegir de un catálogo.

El contrapeso de Qwen es la robustez. Su versión 3.1 maneja específicamente audio de referencia ruidoso y con reverberación, que es el modo de fallo que arruina la clonación en implementaciones reales: alguien graba una muestra en un portátil en una sala de conferencias y el clon suena como una persona distinta. La ficha del modelo de Ming es sincera al reconocer que la similitud de hablante va por detrás de la precisión del contenido, y el francés es la brecha multilingüe más clara.

El despliegue es donde los dos divergen más marcadamente en cuanto a esfuerzo.

• Ming — clona el repositorio de GitHub, instala CUDA 12.4 y PyTorch, opcionalmente compila flash-attn, instala pynini para la normalización de texto y ejecuta infer.py o la API de Python ming_tts.MingTTS. Hugging Face solo aloja los checkpoints y lo indica en un aviso destacado. El modelo tiny necesita su propio entorno. En el momento de escribir esto, no hay ningún proveedor de inferencia alojado en Hugging Face.

• Qwen: una clave de API y un endpoint regional. Sin infraestructura, sin pila de dependencias, sin planificación de capacidad de GPU. Además, no tienes la posibilidad de fijar una versión, inspeccionar el modelo ni ejecutarlo sin conexión.

Para un equipo que ya cuenta con infraestructura de GPU y un motivo de cumplimiento normativo para mantener el audio internamente, Ming es la opción obvia y el esfuerzo es un error de redondeo. Para un equipo que no tiene ninguna de las dos cosas, Qwen es más barato este trimestre y más caro a escala, y la dependencia del proveedor es real.

Dónde encaja un router

Ninguno de los dos modelos está en OrcaRouter. No alojamos Ming-3.0-tts ni revendemos Qwen-Audio-3.0-TTS, y una página de comparación no es el lugar adecuado para fingir lo contrario. Lo que está de nuestro lado del pipeline es todo lo relacionado con la voz: el modelo de lenguaje que redacta y reescribe el guion, además de modelos de voz alojados como Gemini 3.1 Flash TTS Preview y GPT-4o mini TTS para los casos en los que autoalojar Ming es la opción equivocada.

Eso es lo que más importa para la decisión de la que realmente trata esta página. Una canalización de voz no es un solo modelo; es un generador de guiones, un normalizador, un sintetizador y un mecanismo de respaldo. Poner la mitad del texto detrás de una sola clave de API — más de 200 modelos, 0 % de margen sobre el precio de lista del proveedor, conmutación por error automática cuando un proveedor se degrada — significa que la única parte a la que te comprometes es el propio modelo de voz. Si alojas Ming en tus propios servidores y resulta ser más débil con los nombres de tu marca en inglés de lo que sugería la arena, cambiar la capa de voz es cambiar un componente, no volver a migrar toda la plataforma. Si desarrollas sobre la API alojada de Qwen, la capa de enrutamiento es lo que mantiene vivo el resto de la canalización cuando el endpoint va lento o tiene límite de velocidad, y el precio de traspaso significa que la próxima reducción de precios de Alibaba te llega el mismo día en que se anuncia, no cuando le conviene a un revendedor.

¿Cuál elegir?

• Elige Ming-3.0-tts si tienes GPU, necesitas una voz clonada o diseñada en lugar de un catálogo, quieres términos MIT que superen una revisión legal y puedes aceptar herramientas de nivel de investigación y un conjunto reducido de voces en inglés. Es la única opción aquí que puedes poseer en su totalidad.

• Elige Qwen-Audio-3.0-TTS solo si estás atado a él por una razón concreta: un contrato existente con Alibaba Cloud, un flujo de trabajo basado en su gramática de 86 etiquetas. De lo contrario, estarás eligiendo un modelo obsoleto a un precio obsoleto.

• Elige Qwen-Audio-3.1-TTS si quieres una API de voz gestionada y de amplia cobertura, y el recorte de precio de septiembre cambia tu economía. Acepta que no cuenta con verificación en rankings independientes y que su control basado en instrucciones es una nueva gramática que irás aprendiendo.

La diferencia de calidad entre las dos familias es lo bastante estrecha como para que no deba decidir la cuestión. En el único ranking en el que ambas compiten directamente, Qwen aventaja por unos 50 a 70 puntos Elo. En los rankings que miden la clonación, Ming está en lo más alto y Qwen no aparece. Lo que realmente las separa es si la voz es un servicio que alquilas o un artefacto que posees — y, después de que Alibaba reemplazara su propio modelo insignia en nueve semanas, esa distinción se parece menos a una cuestión de ideología y más a un riesgo de adquisición.