Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS : des poids gratuits contre 78 points Elo

Placez Ming-3.0-tts-0.5B à côté de Qwen-Audio-3.0-TTS et la première chose que vous remarquez, c’est qu’ils ne sont pas du même type d’objet. Ming est un checkpoint de 2,96 Go que vous téléchargez, sous licence MIT, et que vous exécutez sur votre propre GPU. Qwen-Audio-3.0-TTS, dans le palier de qualité qu’A​libaba référence sous le nom de Qwen-Audio-3.0-TTS-Plus, est un point de terminaison hébergé sur A​libaba Cloud Model Studio, sans aucun poids disponible nulle part. Sur l’arène vocale indépendante d’Artificial Analysis, le modèle hébergé obtient 1 266 points Elo et le modèle téléchargeable 1 188 — un écart de 78 points, sans chevauchement entre les deux intervalles de confiance. Cet écart est réel. Ce que cela vaut dépend de si vous achetez une voix ou un actif. Les défaillances d’IA et incidents d’agents documentés à l’origine de versions comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

La réponse courte, avant les preuves

Si la voix est livrée dans un produit ce trimestre et que quelqu'un d'autre doit être d'astreinte lorsqu'elle tombe en panne, Qwen-Audio-3.0-TTS-Plus est le meilleur choix, et l'écart n'est pas mince. Si vous créez du contenu pensé d'abord pour le chinois, avez besoin de conception de voix ou de contrôle des dialectes, ou ne pouvez pas accepter une facturation au caractère, Ming-3.0-tts-0.5B est le seul des deux qui puisse être le vôtre. Aucune des deux réponses ne survit intacte au contact d'un tableur budgétaire, et c'est précisément ce dont traite le reste de cet article.

Ce qu'est réellement chaque modèle

Ming-3.0-tts-0.5B est une publication à poids ouverts d'Ant Group issue d'inclusionAI, reposant sur un socle Qwen2.5-0.5B avec une tête diffusion-transformer et un tokenizer audio distinct. Elle a été publiée discrètement en deux étapes — les poids sur Hugging Face en septembre 2026, le code d'inférence sur GitHub le 19 octobre — et Ant ne l'a pas annoncée. L'ensemble comprend un encodeur de locuteur et un tokenizer de texte, produit de l'audio à 44,1 kHz et prend en charge le clonage, la conception de voix à partir d'une description textuelle, 14 balises paralinguistiques intégrées, le contrôle de l'émotion et des attributs, sept langues et deux dialectes chinois.

Qwen-Audio-3.0-TTS est la ligne de synthèse hébergée d’A​libaba, lancée le 20 juillet 2026, en deux niveaux : Flash pour le travail en temps réel et Plus pour une qualité maximale. Le niveau Plus est celui qui dispose d’une position mesurée dans l’arène, et c’est le niveau auquel se rapportent tous les chiffres ci-dessous. Il couvre 16 langues ainsi que 20 régions de dialectes chinois, prend en charge le clonage vocal et environ 86 balises de diction intégrées, et n’est accessible que via l’API d’A​libaba. Il n’y a ni poids, ni déploiement local, ni licence à auditer.

Une anomalie de datation mérite d’être signalée, car vous verrez les deux dates : Alibaba a lancé la gamme en juillet, mais la ligne arena du modèle Plus porte une date de sortie au 15 septembre 2026. Nous l’interprétons comme la date à laquelle la révision notée ou la fiche a été mise en ligne, et non comme un second modèle. Si vous citez une date de sortie dans un document, le 20 juillet correspond au lancement et le 15 septembre relève de la comptabilité de l’arena.

Les chiffres qui les séparent

• Arena Elo, voix du fournisseur — Ming-3.0-tts-0.5B 1 188 (intervalle 1 173–1 203) contre Qwen-Audio-3.0-TTS-Plus 1 266 (1 252–1 280). Les intervalles ne se touchent pas.

• Arena Elo, Voix contrôlée — Ming 1 069 (1 053–1 085) contre Qwen-Plus 1 126 (1 113–1 139). Un écart encore net, 57 points, sur des voix clonées maintenues constantes pour tous les modèles.

• Prix — Ming n’en propose aucun ; vous payez pour le calcul. Qwen-Plus est affiché à 19,31 $ par million de caractères dans la colonne des prix normalisés de l’arène.

• Débit — Ming 42,1 caractères par seconde de temps de génération contre Qwen-Plus 25,6, mesuré sur le même banc de test indépendant.

• Poids — point de contrôle sous licence MIT vs aucun.

• Langues — sept, plus le sichuanais et le cantonais, contre 16, plus 20 régions dialectales chinoises.

• Surface de contrôle — instruction libre, conception vocale, 14 balises paralinguistiques, émotion/vitesse/hauteur/volume explicites contre environ 86 balises en ligne et un contrôle de l’élocution de style instruction.

Le résultat en matière de débit est celui qui surprend. Un modèle dense d’un demi-milliard de paramètres avec un bundle de 2,96 Go surpasse le niveau Plus hébergé d’A​libaba d’environ 65 % en caractères par seconde dans la mesure indépendante. Ce n’est pas un reproche envers Q​wen — les points de terminaison hébergés sont dimensionnés pour la concurrence, et le chiffre de débit de l’arène correspond à une requête à la fois — mais cela signifie que le petit modèle n’est pas le lent dans cette comparaison.

D'où viennent les 78 points

Le Preference Elo ne vous dit pas ce qui ne va pas. L’écoute des deux systèmes sur le même texte, elle, le fait, et le schéma concorde avec ce que la fiche modèle d’Ant admet elle-même.

Ant publie ses faiblesses dans un langage d’une franchise inhabituelle : la similarité du locuteur est en retrait par rapport à la précision du contenu, la similarité en français constitue l’écart multilingue le plus manifeste, les phrases paralinguistiques à événements multiples restent instables, et la conception vocale ouverte n’égale pas encore le système le plus performant évalué. Dans l’arène, cela se traduit par une voix clonée compétitive — première parmi les modèles à poids ouverts sur le tableau contrôlé — et par un ensemble de voix natives qui ne l’est pas. Le rang de Ming parmi les voix de fournisseurs, 19e sur 98, est tiré vers le bas par les plus de 100 voix chinoises et les cinq voix anglaises intégrées plutôt que par la voie du clonage.

L’avantage de Qwen présente une configuration inverse. Ses voix natives sont le produit ; le niveau Plus a été conçu pour paraître abouti d’emblée, et les mesures le confirment, à la fois dans les conditions du fournisseur et dans des conditions contrôlées. Il bénéficie aussi de l’étendue linguistique d’une entreprise qui exploite un cloud : 16 langues et 20 régions de dialectes chinois, contre sept et deux pour Ming.

Sur le plan de la précision plutôt que de la préférence, la comparaison est plus ténue que ne le laisse penser l’écart Elo. Qwen-Audio-3.0-TTS n’a aucun tableau public de taux d’erreur sur les mots d’Alibaba que nous ayons pu vérifier sur un jeu de test commun, et les chiffres Seed-TTS de Ming — 0,800 % en chinois, 1,584 % en anglais — sont ceux d’Ant, mesurés sur le banc d’évaluation d’Ant avec les réglages recommandés par Ant. Aucun des deux camps ne fournit un taux d’erreur comparable à conditions égales. Vous disposez d’un score de préférence pour les deux et d’un tableau fournisseur pour un seul.

Deux modèles de facturation, et le compteur que personne n’imprime

La comparaison des prix n’est pas $19.31 contre zéro. C’est un compteur par caractère face à un compteur à l’heure de GPU, et le second est invisible jusqu’à ce que votre équipe financière le demande.

Qwen facture chaque caractère du texte saisi. À 19,31 $ le million de caractères, un million de caractères de narration finalisée coûte 19,31 $, et le montant évolue de manière linéaire et prévisible. Vous pouvez l’inscrire dans une feuille de calcul avant même d’écrire une ligne de code.

Ming facture en temps GPU. La version a été testée sur un H800-80GB et un H20-96G, nécessite PyTorch 2.6 avec CUDA 12.4, et est livrée avec un Dockerfile mais sans point de terminaison hébergé. À la vitesse mesurée de l’arène de 42,1 caractères par seconde, un million de caractères représente environ 6,6 heures de génération sur cette classe de matériel, sans compter le chargement du modèle, la mise en file d’attente ou les requêtes échouées. Savoir si c’est moins cher que 19,31 $ dépend entièrement du coût de votre heure GPU et de son taux d’occupation — et c’est le calcul qui décide de ce duel pour la plupart des équipes.

C’est aussi là qu’une couche de routage gagne sa place sans prétendre héberger l’un ou l’autre modèle. OrcaRouter ne prend pas en charge Ming-3.0-tts-0.5B ni Qwen-Audio-3.0-TTS, et rien ici ne doit laisser entendre le contraire ; les deux sont accessibles via leurs propres canaux, Model Studio d’A​libaba pour Q​wen et votre propre infrastructure pour Ming. Ce que nous prenons en charge, c’est le volet texte du même pipeline au prix catalogue du fournisseur, avec 0 % de marge ajoutée — ainsi, tout changement de prix d’un fournisseur de texte que nous routons se répercute le jour même sur votre prix — avec basculement automatique entre fournisseurs pour le modèle qui rédige le script, étiquette l’émotion ou pilote l’agent. La parole est la moitié coûteuse et lente d’un produit vocal ; la moitié qui la précède ne devrait pas non plus être celle qui est fragile.

Le problème du successeur

Un troisième modèle a sa place dans cette décision et n'apparaît pas dans le titre : Qwen-Audio-3.1-TTS-Plus, publié le 24 septembre 2026. Il obtient 1 300 Elo sur la même arène — soit 34 points de plus que le palier 3.0 Plus — au même tarif de 19,31 $ par million de caractères.

Relisez-le avec les yeux d’un acheteur. Alibaba a livré un meilleur modèle cinq semaines après celui de cette comparaison, à un prix inchangé, sur la même famille de points de terminaison. Quiconque choisit aujourd’hui Qwen-Audio-3.0-TTS choisit un modèle que son propre fournisseur a déjà supplanté, sans aucune remise. Le palier 3.0 reste répertorié et reste bon — 1 266 Elo le place sixième sur un classement de 98 — mais le bon choix hébergé dans cette famille est désormais 3.1, et non 3.0.

Ming n’a pas ce problème, car il n’a ni successeur ni cadence. C’est un véritable avantage pour une équipe qui veut un artefact stable, et un véritable risque pour celle qui veut la meilleure voix disponible dans six mois. Une version non annoncée, sans engagement de feuille de route, peut rester silencieuse dans un sens comme dans l’autre.

Qui devrait choisir lequel ?

Choisissez Qwen-Audio-3.1-TTS-Plus — et non 3.0 — si vous voulez la meilleure qualité mesurée de cette famille à un prix par caractère connu, si vous avez besoin d'une large couverture linguistique, ou si vous préférez que quelqu'un d'autre assume la disponibilité. Acceptez le compteur et acceptez que l'échelon suivant arrivera sans prévenir.

Choisissez Ming-3.0-tts-0.5B si la voix doit fonctionner à l’intérieur de votre propre périmètre, si votre contenu est prioritairement en chinois et nécessite du sichuanais ou du cantonais, si vous voulez concevoir une voix à partir d’une description plutôt que de la choisir dans un casting, ou si votre volume est suffisamment élevé pour qu’un GPU que vous possédez déjà soit plus rentable qu’une facturation au caractère. Prévoyez un budget pour l’ingénierie : l’environnement est épinglé, la normalisation du texte nécessite une bibliothèque FST qui n’a pas de wheel universel, et les seuls chiffres de débit publiés proviennent d’un unique banc de test indépendant.

Pour l’instant, ne choisissez ni l’un ni l’autre si vous avez besoin d’un contrat de support. Ming n’a pas d’annonce, pas d’option hébergée et aucun engagement de support déclaré ; Q​wen a les trois, mais le palier 3.0 n’est plus celui qu’il faut acheter. Le résumé honnête, c’est que ce n’est pas un combat équitable et que ça n’a jamais été censé l’être — l’un est une version de recherche sous licence et l’autre un produit cloud avec une grille tarifaire — et la question utile est de savoir laquelle de ces deux choses votre projet a réellement besoin.