GPT-Live-1 vs Ming-3.0-TTS : une licence MIT face à une minute facturée

Ming-3.0-TTS est arrivé le 20 octobre 2026 avec la licence dont la plupart des équipes vocales rêvent : MIT, des poids sur Hugging Face et ModelScope, du code d'inférence sur GitHub, zéro coût par caractère, et le sichuanais et le cantonais dans la liste des langues. GPT-Live-1 coûte 0,05 $ par minute, ne livre aucun poids et parle les langues pour lesquelles OpenAI l'a ajusté. Les comparer n'est pas vraiment une question de qualité. C'est une question de savoir quelle langue vos clients parlent réellement et si vous êtes prêt à faire tourner un GPU pour les servir.

Les deux sont réels, les deux sont actuels, et chacun excelle dans des choses que l’autre ne peut pas faire. Voici la répartition honnête.

La famille Ming compte deux modèles, pas un seul.

L’équipe inclusionAI d’Ant Group a publié en open source Ming-3.0-TTS sous la forme d’une paire partageant un même framework de génération — un modèle de langage alimentant une tête de patch de transformer de diffusion et un tokeniseur audio.

• Ming-3.0-TTS-0.5B — modèle dense d'environ 500 millions de paramètres sur une base Qwen2.5-0.5B, un téléchargement de 2,96 Go, fonctionne sur un H800-80GB ou un H20-96G.

• Ming-3.0-TTS-Tiny — une déclinaison mixture-of-experts sur l’architecture Ling V3 d’Ant, avec 7,9 milliards de paramètres au total dont 1,3 milliard actifs, et celle qui ajoute un mode podcast multi-locuteurs.

Le 0.5B est celui qui est intéressant pour quiconque a chiffré un produit vocal. Un modèle TTS d’un demi-milliard de paramètres qui tient dans trois gigaoctets n’est pas un investissement de centre de données ; c’est un simple GPU que vous possédez peut-être déjà. Le Tiny est l’option qualité, et les propres notes d’Ant indiquent que sa production de podcasts est inférieure à celle du précédent Ming-Omni-TTS — une limitation reconnue avec franchise, qu’il vaut la peine de prendre au pied de la lettre.

Ensemble de fonctionnalités : clonage vocal zero-shot, conception de voix à partir d’une description textuelle, plus de 100 voix chinoises intégrées et 5 voix anglaises, 14 balises paralinguistiques intégrées pour les rires, les soupirs et la respiration, contrôle du style en langage naturel, et sortie à 44,1 kHz. Les langues sont le chinois, l’anglais, l’allemand, l’espagnol, le français, le coréen et le japonais, ainsi que les dialectes sichuanais et cantonais.

Ce que GPT-Live-1 propose à la place

Le modèle d'OpenAI est un moteur de conversation, et non un synthétiseur doté d'une interface de script. Disponible sur l'API depuis le 10 septembre 2026, il accepte l'audio et le texte en entrée, renvoie de l'audio et du texte en sortie, écoute pendant qu'il parle et transmet le raisonnement à un modèle textuel lorsqu'une question le nécessite. Un seul point de terminaison : v1/live/sessions. 0,05 $ par minute, facturé à la seconde. Date limite des connaissances : juillet 2025, aucune fenêtre de contexte documentée et aucun accès à l'offre gratuite.

Il n’existe pas de prise en charge documentée des dialectes, pas de clonage vocal, pas de facturation au caractère, ni aucun moyen de lui confier un script de 4 000 caractères pour récupérer un fichier en retour. Ce qu’il offre, en revanche, c’est une gestion des tours de parole qui fonctionne — ce que chaque agent vocal en cascade passe six mois à régler et rate encore sur une mauvaise ligne téléphonique.

La question de la langue vient en premier.

Si vos utilisateurs parlent mandarin, cantonais ou sichuanais, cette comparaison s'arrête tout de suite. Ming-3.0-TTS a été conçu pour ces langues, publie des taux d'erreur par mot pour chaque langue et propose des voix qui sonnent natives plutôt qu'adaptées. La documentation de GPT-Live-1 ne décrit pas du tout la gestion des dialectes, et les déploiements que nous pouvons observer — ChatGPT Voice, et désormais le mode vocal de Perplexity — sont des produits conçus avant tout pour l'anglais.

Si vos utilisateurs ne parlent qu’anglais, l’avantage de Ming se réduit à sa licence et à son prix, et l’avantage de GPT-Live-1 devient toute la couche conversationnelle. C’est là la véritable bifurcation, et elle n’a rien à voir avec Elo.

Le seul domaine où l’étendue linguistique de Ming est véritablement stratégique est un produit qui doit servir plusieurs marchés à la fois — allemand, espagnol, coréen et japonais dans une même version. Ant rapporte ses meilleurs taux d’erreur sur les mots en allemand et en espagnol avec la variante Tiny, tout en notant que la similarité des locuteurs est plus faible dans les langues plus récentes et se situe généralement en dehors du top trois. Traduction : une couverture étendue, une fidélité inégale, et il faut faire des tests d’écoute par marché plutôt que de se fier à la liste.

L’affirmation à 0 $, auditée

Ming est gratuit au sens où sa licence ne coûte rien. Il ne l'est pas au sens où le faire tourner ne coûte rien, et chaque article sur le « TTS à coût zéro » passe discrètement sous silence cette étape.

Artificial Analysis ne relève aucun prix pour Ming-3.0-TTS : le champ affiche N/A, car inclusionAI ne propose aucune API commerciale hébergée à tarifer. Votre coût, c'est du temps GPU, et la formule honnête est la suivante : (tarif horaire du GPU ÷ caractères synthétisés par heure) × 1 000 000. À vous de renseigner le second terme. Personne ne publie de chiffre de débit pour le 0.5B, si bien que tout montant par million que vous lisez en ligne — y compris le seuil de rentabilité de $6.58 qui circule dans les comparaisons — repose sur une hypothèse de vitesse que les auteurs du modèle n'ont pas publiée.

Ce qu’on peut dire sans inventer de chiffres : à un tarif de location de 2 $ par heure-GPU, il faut synthétiser environ un demi-million de caractères par heure pour descendre sous 4 $ par million — un débit qui exige que le modèle tourne plusieurs fois plus vite que le temps réel, ce qu’un modèle de 0.5B peut vraisemblablement faire et qu’un MoE de 7.9B ne peut vraisemblablement pas faire. Mesurez-le avant de bâtir un dossier de rentabilité dessus.

Face à GPT-Live-1, le calcul est plus simple, précisément parce que la facturation est linéaire : une heure de conversation coûte 3,00 $, le raisonnement backend étant facturé séparément. Aucun risque lié au taux d’utilisation, aucun GPU à surveiller, et aucune hypothèse à défendre lors d’une réunion budgétaire.

Pourquoi les deux indiquent-ils 93,2 % ?

Une curiosité qui déroutera quiconque compare des fiches techniques : Ming-3.0-TTS rapporte 93,2 % de robustesse de prononciation selon la mesure d’Artificial Analysis, en revendiquant la première place au classement général. Drama 3 de Fish Audio rapporte le même 93,2 % et revendique aussi la première place. Deux laboratoires, deux architectures, un chiffre identique à la décimale près.

Considérez cela comme la preuve d’un plafond plutôt que d’un départage. La fraction restante est concentrée dans les cas qui mettent en échec tous les modèles TTS : les chaînes alphanumériques, les noms propres inhabituels, les nombres lus en contexte et les homographes. Le modèle qui l’emporte pour vous dépend de si votre contenu contient des références de pièces ou de la poésie, et seul votre propre jeu d’évaluation peut répondre à cette question.

Sur les planches, avec les réserves qui s'y attachent

Sur le Provider Voice Arena, relevé du 29 octobre 2026, Ming-3.0-TTS se situe à 1187 Elo, troisième parmi les modèles à poids ouverts derrière Drama 3 à 1240 et Breeze TTS 2 à 1228, et le classement que le dépôt d’Ant lui-même indique comme troisième parmi les modèles à poids ouverts sur ce tableau. Sur le tableau Controlled Voice, où chaque modèle clone les mêmes huit voix, le dépôt d’Ant lui-même revendique la première place parmi les modèles à poids ouverts avec 1069 Elo et la treizième place au classement général.

GPT-Live-1 n’apparaît pas sur ces classements, car ce n’est pas un modèle de synthèse vocale au sens où ils l’entendent. Ses scores se trouvent ailleurs : 83,2 sur le Speech-to-Speech Index, deuxième sur 21, et 1037–1041 sur le Speech Agent Arena, avec un taux de réussite des tâches compris entre 87,4 % et 90,9 %. Instruments différents, échelles différentes, aucune soustraction permise.

Là où chacun perd

Ming perd sur la conversation, point final. Il ne peut pas entendre, ne peut pas interrompre, ne peut pas décider d'arrêter de parler. Tout déploiement qui exige un humain au bout du fil est hors périmètre, aussi bonne que soit la voix.

Ming perd également en matière de simplicité opérationnelle pour les petites équipes. Un GPU est un composant qui tombe en panne à 3 h du matin, exige des pilotes compatibles et se dégrade silencieusement lorsqu’un autre locataire partage la carte. La licence MIT n’inclut pas d’ingénieur d’astreinte.

GPT-Live-1 est moins performant sur la structure de coûts pour le travail à dominante textuelle et sur le contrôle de la voix de marque. Des voix de modèle fixes impliquent que vous ne pouvez pas diffuser la voix d’un fondateur ou d’un personnage sous licence. Et la facturation à la minute pénalise exactement le cas d’usage où TTS excelle : des sorties longues, scriptées et répétitives où rien n’a besoin d’écouter.

L'angle de routage qui s'applique effectivement

Aucun des deux n’est sur OrcaRouter, et il vaut la peine de le dire franchement : Ming-3.0-TTS est un modèle à poids ouverts auto-hébergé, sans endpoint hébergé à router, et GPT-Live-1 expose un unique endpoint de session que nous ne proposons pas. Ce que nous routons, c’est le modèle de raisonnement derrière un agent vocal en chinois — les modèles Qwen3.8 Max, GLM-5.3, Kimi K3 et Gemini se trouvent derrière une seule clé avec bascule automatique en cas d’échec, aux prix catalogue des fournisseurs, répercutés avec 0 % de marge.

Pour un déploiement bilingue, l'enjeu compte plus qu'il n'y paraît. Le choix du TTS se fait généralement une seule fois, sur la couverture linguistique ; le modèle de raisonnement qui le sous-tend, lui, est remplacé au gré de l'évolution des prix et de l'arrivée de nouveaux checkpoints en langue chinoise. Maintenir ce segment routable est la forme de pérennisation la moins coûteuse dans la pile.

Sur lequel construire

Adoptez Ming-3.0-TTS si le produit parle chinois ou sert plusieurs marchés asiatiques et européens, si vous disposez d’un GPU et si la sortie est scénarisée plutôt que conversationnelle. La licence MIT est un véritable atout stratégique : elle ne peut être révoquée, faire l’objet d’un nouveau tarif ni être soumise à des limitations de débit, et la variante 0.5B fait tomber la barrière à l’essai à environ un après-midi.

Partez de GPT-Live-1 si le produit est une conversation en anglais et que la barre de qualité est « a-t-on l’impression de parler à une personne au téléphone ». Vous paierez 0,05 $ par minute, pour toujours, sans rien posséder, et vous obtiendrez la seule capacité que le domaine des modèles à poids ouverts n’a pas encore livrée à ce niveau de qualité : un modèle qui écoute pendant qu’il parle.

Ne vous fondez sur ni l’un ni l’autre parce qu’un classement l’a dit. Le 1187 de Ming et le 83,2 de Live sont deux instruments différents pointés vers deux tâches différentes, et la seule comparaison qui résiste au contact d’un déploiement réel est celle que vous effectuez sur votre propre audio.