Ming-3.0-tts-tiny vs Breeze-TTS-2 : des poids MIT face à une licence non commerciale

Deux modèles vocaux à poids ouverts sont sortis à un mois d'intervalle et ils ne sont pas en concurrence sur le même axe. Ming-3.0-tts-tiny, d'inclusionAI, la filiale d'Ant Group, est un checkpoint mixture-of-experts de 7,9B qui active environ 1,3B de paramètres par token, est distribué sous MIT et couvre neuf langues, dont deux dialectes chinois. Breeze-TTS-2, de BreezeBlue, est un modèle dense de 3B qui ne couvre que l'anglais et le chinois, publie son code sous Apache 2.0 et diffuse ses poids sous une licence de recherche et non commerciale avec une dérogation pour l'hébergement payant. La question principale — lequel sonne le mieux — s'avère être la moins décisive, car l'entrée d'arène qui ressemble au score de Ming appartient en fait à un tout autre checkpoint, et c'est la différence de licence qui détermine si vous pouvez livrer le modèle tout court. Les défaillances documentées de l'IA et les incidents d'agents derrière des sorties 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.

Aucun des deux fournisseurs n’a annoncé d’événement de disponibilité générale au sens habituel, et ces deux faits comptent ici. Les poids de Breeze-TTS-2 ont été mis en ligne le 25 août 2026, les suites de conception vocale et de latence suivant le 7 août. Ming-3.0-tts-tiny existait sur Hugging Face depuis le 24 septembre, mais n’est devenu exécutable que le 19 octobre, lorsque son code d’inférence et son cookbook de tâches sont arrivés sur GitHub. Il s’agit donc d’une comparaison de deux artefacts que vous devez héberger vous-même, rédigée avant que l’un ou l’autre n’ait un prix d’hébergement à annoncer, et étiquetée en conséquence tout du long.

Commencez par la licence, car pour certaines équipes, elle met fin au débat

Les deux licences ne sont pas des variantes d'une même autorisation. Ce sont des catégories d'autorisation différentes.

• Ming-3.0-tts-tiny — MIT, pour les poids comme pour le code. Vous pouvez l'utiliser à des fins commerciales, le modifier, le redistribuer et l'intégrer dans un produit fermé. Ant y joint une note d'usage demandant de ne pas usurper l'identité de personnes sans leur consentement et d'étiqueter les audios de synthèse ; il s'agit d'une demande formulée dans la documentation, et non d'une condition de la licence.

{{1}}Breeze-TTS-2{{/1}} — Apache 2.0 pour le code source, et une « BreezeBlue Research and Non-Commercial License » distincte pour les poids. {{2}}L’utilisation commerciale des sorties hébergées nécessite un abonnement BreezeBlue payant{{/2}}, et même dans ce cas, l’abonnement n’étend pas les droits commerciaux aux poids ouverts ni aux sorties que vous générez en les auto-hébergeant.

Lisez attentivement cette deuxième puce, car l’interprétation évidente est la mauvaise. Payer BreezeBlue ne transforme pas les poids en quelque chose que vous pouvez exploiter commercialement ; cela octroie une licence pour un service hébergé. L’auto-hébergement est non commercial, que vous souscriviez ou non. Si votre projet est de « fine-tuner le modèle 3B, de le placer derrière notre propre point de terminaison et de le facturer », la licence ferme cette porte, tandis que MIT la laisse ouverte. Pour la recherche interne, l’évaluation ou un prototype qui ne rapportera jamais d’argent, la distinction ne coûte rien.

Une deuxième différence liée à la licence détermine plus de déploiements que l’un ou l’autre des paragraphes ci-dessus. La version publiée de Ming embarque tout un pipeline — backbone, tête de diffusion, tokeniseur audio, encodeur de locuteur et tokeniseur de texte — sous la forme d’un seul ensemble de poids. Breeze fournit son code et ses poids avec un chemin d’inférence empaqueté pour plusieurs runtimes à la fois : l’écosystème de dérivés autour de Breeze-TTS-2 comprend des builds MLX en 4 bits et 8 bits ainsi qu’un portage en pleine précision, des quantifications GGUF, des conversions int8 et int4, un build HQQ int4, un build ROCm/RDNA4 BF16 du 18 octobre, un build GPTQ int4 ROCm du 19 octobre, des fine-tunes ComfyUI, et un LoRA en portugais brésilien publié le 6 octobre. Ming-3.0-tts-tiny ne dispose de rien de tout cela, car il n’a un chemin d’inférence utilisable que depuis moins d’un jour.

La différence d'empreinte est d'environ un ordre de grandeur

C’est ici que « tiny » cesse de signifier petit. Le nom décrit les paramètres actifs par token, pas la mémoire dont vous avez besoin.

• Ming-3.0-tts-tiny — 8 980 964 372 paramètres en BF16 plus 40 096 en F32 d’après les métadonnées de Hugging Face, environ 18 Go de stockage du dépôt, et une H800 recommandée dans les notes d’environnement du fournisseur. Vous payez la mémoire d’un modèle de 7,9 Md et obtenez la latence d’un modèle de 1,3 Md, ce qui est un bon compromis pour la synthèse par lots sur du matériel loué, et un mauvais pour tout ce qui dispose d’une carte de 12 Go.

• Breeze-TTS-2 — 3 milliards de paramètres denses, environ 7,7 Gio de mémoire GPU en mode eager et environ 14,4 Gio avec --fast-all activé. BreezeBlue recommande 12 Go ou 24 Go selon la voie choisie, et documente que ses configurations Docker par défaut ciblent H100/Hopper sm90, tandis que les utilisateurs d’A100 doivent définir FLASH_ATTN_CUDA_ARCHS=80.

• Le modèle de concurrence de Ming — un point d'entrée Python par tâche avec des valeurs par défaut fixes : guidance scale 2.0, température zéro, dix étapes de flux, sigma 0,25, graine 1234. La prise en charge de vLLM-Omni figure sur la feuille de route et n'est pas encore validée, il n'existe donc aujourd'hui aucun chemin de service à haut débit.

• Le modèle de concurrence de Breeze — une API HTTP de streaming à concurrence unique renvoyant du PCM mono 24 kHz signé 16 bits little-endian, avec un temps jusqu'au premier audio annoncé inférieur à 40 millisecondes sur un H100 préchauffé et un facteur temps réel de 0,32, soit environ 3,1 fois plus rapide que le temps réel.

Ce dernier couple est le résumé honnête du compromis. Breeze est conçu pour la latence de streaming sur une requête à la fois ; Ming est conçu pour le débit par unité de calcul sur activation creuse, et n’a pas publié de stack de serving. Si votre produit est un agent vocal en temps réel, ce ne sont pas des points de départ équivalents. Si votre produit est un lot nocturne de narration, le modèle de concurrence compte bien moins que la licence et la facture mémoire.

La couverture linguistique n'est pas proche, et l'écart va dans un seul sens.

Breeze-TTS-2 prend en charge l’anglais et le chinois. Sa fiche l’indique sans réserve, et elle documente également les événements vocaux intégrés dans les deux langues — (laugh) et (sigh) en anglais, [笑] et [叹气] en chinois — ainsi que le clonage à partir d’un extrait de référence avec sa transcription exacte et un contrôle de direction de la voix.

Ming-3.0-tts-tiny couvre le chinois, l’anglais, l’allemand, l’espagnol, le français, le coréen et le japonais, ainsi que le sichuanais et le cantonais lorsqu’un extrait de référence dialectal est fourni. Il ajoute un contrôle de style libre, la conception de voix à partir d’une description en langage naturel, plus de 100 voix chinoises intégrées et cinq voix anglaises, ainsi que 14 balises paralinguistiques en ligne. Il permet aussi la génération de podcasts multi-locuteurs, ce que Breeze ne tente pas.

Le hic, c’est que le propre tableau multilingue d’Ant est la première chose à lire avant de supposer que neuf l’emporte sur deux. En coréen, Ming-3.0-tts-tiny affiche un taux d’erreur de caractères de 6,000 %, ce qui le place sixième des huit systèmes évalués par Ant, contre 1,728 % pour son homologue 0,5B d’Ant. En français, il est deuxième pour le taux d’erreur, mais sa similarité de locuteur de 0,733 ne le place pas dans les trois premiers, une limite que la fiche indique elle-même. L’allemand (0,325 %) et l’espagnol (0,971 %) occupent la première place dans ce tableau. L’interprétation honnête est donc la suivante : cinq des sept langues de Ming sont crédibles, le coréen ne l’est pas encore, et la prise en charge des dialectes est unique mais non vérifiée en dehors du banc d’essai d’Ant. Breeze, en revanche, ne revendique rien qu’il ne couvre pas — deux langues, et chaque résultat de sa fiche porte sur ces deux-là.

Les chiffres de l’arène, et pourquoi ils ne constituent pas un face-à-face

Breeze-TTS-2 dispose d’un score indépendant. Ming-3.0-tts-tiny n’en dispose pas, et l’entrée qui ressemble à un score appartient à un autre modèle.

• Breeze-TTS-2 sur Artificial Analysis, d'après les classements en direct du 19 octobre 2026 — 1 220 Elo sur Provider Voice, où chaque modèle utilise sa propre distribution de voix native, et 1 019 sur Controlled Voice, où chaque modèle clone les mêmes huit voix de référence.

• La ligne Ming des mêmes classements — 1 188 pour Provider et 1 069 pour Controlled — est associée à Ming-3.0-tts-0.5B, l’homologue à backbone dense d’un demi-milliard de paramètres, et non au checkpoint minuscule. Le README GitHub d’Ant reproduit ces chiffres dans sa section de résultats sans cette distinction. Il convient d’être explicite : il n’existe pas d’Elo indépendant pour Ming-3.0-tts-tiny, ni de valeur mesurée de caractères par seconde, ni de taux d’erreur de mots évalué par un tiers.

• Le classement de la page du projet lui-même indique Breeze à 1 222 Provider et 1 018 Controlled, soit un écart de deux points avec le tableau en direct, dans un sens comme dans l’autre. Voilà à quoi ressemble un tableau qui continue d’accumuler des votes ; citez les chiffres en direct et mentionnez l’arrondi si vous comparez des documents.

• Sur le classement contrôlé, l’ordre des systèmes à poids ouverts est le suivant : Ming-3.0-tts-0.5B à 1 069, Fish Audio Drama 3 Preview à 1 059, Breeze-TTS-2 à 1 019. Sur le classement des fournisseurs, Breeze mène ce groupe à 1 220, avec Ming-3.0-tts-0.5B à 1 188. Ainsi, le petit modèle Ming gagne lorsque la voix est maintenue constante et perd lorsque chaque système apporte son propre casting vocal — ce qui dit quelque chose des enregistrements vocaux de BreezeBlue et très peu de l’architecture.

Rien de tout cela ne se transpose au minuscule checkpoint, dans un sens comme dans l’autre. Un lecteur pourrait raisonnablement en déduire qu’un modèle mixture-of-experts de 7,9B, dont le score de similarité de locuteurs chinois est meilleur que celui de son homologue de 0,5B, obtiendrait un meilleur score sur le tableau contrôlé. Cette inférence n’est pas testée, ce n’est pas un nombre, et cet article ne la présentera pas comme tel.

À quoi sert chacun en réalité

Faites abstraction des listes de caractéristiques et les deux modèles résolvent des problèmes différents.

Breeze-TTS-2 est une version pensée avant tout pour le déploiement. Deux langues, une empreinte dense de 3B qui tient sur une carte de 12 Go en mode eager, une API de streaming avec un chemin de latence documenté, un conteneur ciblant les Hopper de datacentre mais reconstructible pour A100, et un écosystème de ports quantifiés et spécifiques à des environnements d’exécution apparus dans les huit semaines suivant la publication des poids. Son nombre de téléchargements — 14 636 au cours du dernier mois, avec 747 likes et 17 Spaces — montre à quoi ressemble l’adoption lorsqu’un modèle est facile à exécuter. Sa contrainte réside dans la licence : des poids de recherche et non commerciaux, avec une offre hébergée payante qui ne vous achète pas de droits d’auto-hébergement commercial.

Ming-3.0-tts-tiny est une version qui privilégie avant tout les capacités. Neuf langues, le contrôle des dialectes, la conception de voix, un système paralinguistique à 14 balises, la génération de podcasts multi-locuteurs et le meilleur score de voix clonée de sa propre famille, avec 0,781 de similarité de locuteur en chinois. Sa contrainte, c’est tout ce qui entoure la capacité : un téléchargement de 18 Go, une activation creuse qui exige une véritable mémoire GPU, une histoire de serving qui se résume à une case à cocher sur une feuille de route, aucun benchmark indépendant et aucune annonce. Vingt téléchargements et trois mentions J’aime sur Hugging Face, cinq étoiles sur GitHub et douze commits de documentation en un seul après-midi indiquent que l’éditeur est encore en train d’écrire le manuel.

Si vous devez livrer une fonctionnalité vocale bilingue ce trimestre sur du matériel que vous possédez déjà, Breeze-TTS-2 avec un accord commercial est la voie la plus courte, et c’est la licence qu’il faut négocier, pas les calculs. Si vous avez besoin d’allemand, d’espagnol, de japonais, de cantonais ou d’un format podcast, Breeze ne peut pas vous aider et Ming est la seule option à poids ouverts avec un tableau publié — à condition de pouvoir absorber la mémoire et d’accepter que le coréen ne soit pas prêt.

OrcaRouter ne route aucun de ces deux modèles, et cet article ne doit pas être lu comme suggérant le contraire. Ce que contient le catalogue, c’est la partie texte du pipeline auquel ces voix se raccordent : plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur, sans marge ajoutée, de sorte que une modification tarifaire d’un fournisseur est répercutée de notre côté le jour même plutôt que selon un cycle de rafraîchissement. Lorsque vous comparez deux checkpoints auto-hébergés et qu’aucun des deux ne dispose d’un tarif hébergé, la seule facture récurrente que vous pouvez réellement maîtriser est celle du modèle qui écrit le script, et c’est cette partie qu’il vaut la peine de router plutôt que de louer un GPU pour cela.

Le verdict qui résiste à l'épreuve des faits est plus étroit que ne le laisse croire l'écart Elo. Dans un déploiement commercial à conditions égales, la licence MIT tranche avant même qu'un seul benchmark ne soit lu. Sur un travail bilingue sensible à la latence, l'ingénierie de Breeze tranche avant la licence. Et sur la question pour laquelle la plupart des lecteurs sont venus — le modèle plus grand sonne-t-il mieux ? —, la réponse honnête est que personne ne l'a mesuré, que la ligne d'arène que tout le monde citera correspond au mauvais checkpoint, et que la première personne à faire tourner les deux sur le même audio de référence produira le seul chiffre qui vaille la peine d'être cité.