Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS : l'un a une grille tarifaire, l'autre a un dépôt

La comparaison que tout le monde veut, ce sont deux scores côte à côte, et elle ne peut pas être faite honnêtement aujourd'hui. Ming-3.0-tts-tiny est un checkpoint vocal à mélange d'experts de 7,9 milliards de paramètres d'inclusionAI, d'Ant Group, publié sous forme de poids sous licence MIT, sans point de terminaison hébergé ni évaluation indépendante. Qwen-Audio-3.0-TTS est un point de terminaison de synthèse hébergé sur Alibaba Cloud Model Studio, lancé le 20 juillet 2026, vendu en offre Flash et en offre Plus, sans aucun poids disponible et sans tableau de taux d'erreur publié. Un côté a une position dans un classement et un prix. L'autre a un pipeline téléchargeable et une suite de benchmarks du fournisseur. Le travail utile ici ne consiste pas à désigner un gagnant à partir de ces deux artefacts ; il consiste à déterminer quels chiffres peuvent être placés côte à côte, et lesquels ne peuvent pas l'être. Les défaillances documentées de l'IA et les incidents d'agents à l'origine de versions comme celle-ci sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée porte ses propres sources, son niveau de gravité, son niveau de confiance et son indicateur de contestation.

Les dates comptent, car aucun des deux produits n'est arrivé comme le laisserait supposer une annonce de lancement. Le dépôt Hugging Face de Ming-3.0-tts-tiny a été créé le 22 septembre 2026 et le checkpoint lui-même a été téléversé le 24 septembre. Pendant trois semaines et demie, ce n'était qu'un dossier de poids sans aucun moyen de les exécuter : le code d'inférence, les exemples en un clic et le recueil de recettes pour les tâches n'ont été mis en ligne sur GitHub que le 19 octobre à 08:58 UTC, en neuf commits répartis sur un seul après-midi. Ant ne l'a pas annoncé ; il n'y a ni article de blog, ni vidéo de fiche modèle, ni rapport technique. Qwen-Audio-3.0-TTS, en revanche, a bénéficié d'un véritable lancement et figure toujours sur la grille tarifaire d'Alibaba — et le niveau qui compte pour la qualité, Plus, reste au sommet de l'échelle de synthèse d'Alibaba, même après l'arrivée de la génération 3.1 en septembre.

La ligne du classement correspond au mauvais checkpoint, et le dépôt ne le précise pas.

Commencez ici, car c'est l'erreur que commettra la première vague d'articles de comparaison. Artificial Analysis tient deux classements vocaux, et tous deux incluent un modèle appelé Ming-3.0-tts. Au 19 octobre, il affiche 1 188 Elo sur le classement Provider Voice et 1 069 sur le classement Controlled Voice.

Cette entrée est le modèle 0.5B, pas celui-ci. Ming-3.0-tts-tiny n'a aucune ligne dans l'arène — ni classée, ni non classée, ni en entrée d'aperçu. Le README GitHub reproduit les chiffres de 1 188 et 1 069 dans sa section de résultats sans préciser quel checkpoint les a produits, et c'est exactement ainsi qu'un chiffre se retrouve affublé de la mauvaise étiquette deux repartages plus tard.

Donc, quand on lit « Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266 », ce qui est réellement comparé, c’est le modèle dense d’Ant à un demi-milliard de paramètres face à l’offre hébergée la plus grande d’Alibaba, le modèle cité dans le titre de cet article étant absent du tableau. L’écart de 78 points est réel pour le 0.5B. Il ne dit rien du petit MoE, dans un sens comme dans l’autre. Le petit modèle pourrait être meilleur ; personne ne l’a encore soumis à un panel de préférence.

L'absence n'est pas une note faible. C'est un modèle non évalué, et c'est précisément cette distinction qui justifie toute l'existence de cette section.

Ce qu'est réellement chaque camp

Faites abstraction du marketing : les deux objets diffèrent en nature avant de différer en qualité.

• Forme — Ming-3.0-tts-tiny est un checkpoint que vous téléchargez : environ 18 Go, 8 980 964 372 paramètres en BF16 plus 40 096 en F32, contenant le backbone Ling V3, une tête de transformateur de diffusion, un tokeniseur audio, un encodeur de locuteur CAM++ et le tokeniseur de texte. Qwen-Audio-3.0-TTS est un endpoint HTTP qui renvoie de l’audio ; il n’y a rien à télécharger et aucune licence à auditer.

• Paramètres — 7,9 Md au total, dont environ 1,3 Md actifs par token, un mélange d’experts clairsemé, face à un modèle hébergé pour lequel Alibaba ne publie aucun nombre de paramètres.

Licence — MIT sur les poids et le code, avec une note d'utilisation demandant de ne pas usurper l'identité de personnes sans leur consentement et d'étiqueter les audio synthétiques. Côté hébergé, des conditions d'API commerciales.

• Langues — 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 audio de référence dialectal est fourni. Qwen-Audio-3.0-TTS répertorie 16 langues et 20 régions dialectales chinoises.

• Surface de contrôle — clonage zero-shot, conception de voix à partir d'une description, instructions de style libres, 14 balises paralinguistiques en ligne, réglages explicites d'émotion, de vitesse, de hauteur et de volume, et une tâche de podcast multi-locuteurs. Qwen-Audio-3.0-TTS expose le clonage ainsi qu'environ 86 balises de rendu en ligne et un contrôle par instructions.

• Prix — aucun tarif affiché pour Ming-3.0-tts-tiny ; vous payez le temps de GPU. Qwen-Audio-3.0-TTS-Plus est à 1,4 ¥ pour 10 000 caractères sur la liste de Pékin d’A​libaba, ce qu’Artificial Analysis normalise à 19,31 $ par million de caractères.

• Score indépendant — aucun pour Ming-3.0-tts-tiny. 1 266 Elo sur Provider Voice et 1 126 sur Controlled Voice pour Qwen-Audio-3.0-TTS-Plus, les deux avec des intervalles de confiance qui ne touchent pas les 1 188 et 1 069 de la ligne Ming-3.0-tts.

Deux types de preuves qui ne se convertissent pas l’un en l’autre

L’arène mesure la préférence. Les tableaux d’Ant mesurent l’erreur et la similarité. Ni l’un ni l’autre ne se transforme en l’autre, et il faut résister à la tentation de traiter un écart Elo comme un multiplicateur de qualité.

Ce que Qwen-Audio-3.0-TTS vous offre, c’est le jugement relatif d’une foule sur ses voix natives, avec les nombres d’échantillons et les intervalles qui le sous-tendent. Ce que Ant vous offre, c’est la mesure, par un laboratoire, de son propre modèle sur un jeu de test fixe, avec le banc de test, les clips de référence et le code de notation tous choisis par la même équipe qui a construit le modèle. Les deux sont légitimes. Aucun ne remplace l’autre, et un seul d’entre eux existe pour le modèle cité dans le titre de cet article.

La suite d’Ant est vaste, et il vaut la peine de savoir ce qu’elle contient avant de la rejeter. Sur l’ensemble chinois Seed-TTS, le petit modèle affiche 0,820 % d’erreur de mots pour une similarité de locuteur de 0,781 — le meilleur chiffre de similarité de tous les tableaux publiés par Ant, y compris les 0,758 de son propre homologue 0,5B. L’anglais atteint 1,666 % à 0,728. L’allemand se situe à 0,325 % d’erreur de caractères et l’espagnol à 0,971 %, tous deux en tête de la comparaison à huit systèmes d’Ant. Le japonais est à 3,427 %, le français à 3,470 %. Sur le test paralinguistique à événement unique de NVBench, il mène dans les six catégories, avec 17,23 PCER en chinois et 32,95 en anglais. Les suites dialectales atteignent 86,09 % de précision sur WSC-Eval-TTS easy et 92,90 sur WSYue base, le jeu sur les émotions 74,00 % en moyenne sur CV3, et la conception de voix 75,37 % sur InstructTTSEval-ZH. Tout cela provient du propre banc d’évaluation d’Ant, exécuté par Ant, rapporté par Ant et reproduit par personne.

Le résumé honnête est que Qwen-Audio-3.0-TTS a été jugé par des inconnus et qu’Ant a été jugé par son auteur. Ce n’est une critique ni pour l’un ni pour l’autre ; c’est une constatation sur ce que sont les deux chiffres.

Le seul face-à-face qu'Ant publie, et c'est contre lui-même

Au sein de cette suite, il y a un résultat qui se comporte comme une véritable comparaison, car le concurrent est le propre modèle 0.5B d'Ant et la différence est suffisamment importante pour résister à un harnais différent.

En coréen, Ming-3.0-tts-tiny affiche un taux d'erreur de caractères de 6,000 %. Le 0.5B affiche 1,728 %. Même équipe, même jeu de test, même jour de publication des résultats — un facteur d'environ trois et demi, dans la direction que personne n'attendait de la part du modèle plus grand. La fiche du modèle ne l'explique pas, et la section des limites cite le coréen parmi les points faibles connus sans proposer de mécanisme.

Une explication structurelle est disponible et devrait être étiquetée comme une hypothèse plutôt que comme un constat : les modèles creux acheminent chaque token via un sous-ensemble d’experts, de sorte qu’une langue ayant reçu moins de signal d’entraînement au sein du mélange peut se dégrader plus rapidement qu’elle ne le ferait dans un modèle dense de taille totale comparable. C’est plausible. Ce n’est pas mesuré. Ce qui est défendable, c’est la conclusion opérationnelle, plus étroite : si le coréen figure dans votre produit, ce checkpoint n’est pas celui vers lequel se tourner tant que quelqu’un ne l’a pas exécuté sur du texte coréen réel et publié le résultat.

Qwen-Audio-3.0-TTS couvre le coréen parmi ses 16 langues, et A​libaba ne publie aucun taux d’erreur par langue à opposer aux 6,000 % d’Ant. Ainsi, même ce point faible ne peut pas être converti en comparaison. Il ne peut être lu que comme un avertissement.

Un million de caractères, facturé deux fois

C'est ici que les deux produits cessent d'être des abstractions.

Qwen-Audio-3.0-TTS facture au caractère. Au tarif normalisé de l'arène de 19,31 $ par million de caractères, un million de caractères de narration finalisée coûte 19,31 $, et cent millions coûtent 1 931 $. Le chiffre est linéaire, prévisible et disponible avant même d'écrire la moindre ligne de code. Le débit sur le même banc d'essai indépendant est de 25,61 caractères par seconde de temps de génération, ce qui relève de la concurrence plutôt que de la facturation à l'échelle de l'API.

Ming-3.0-tts-tiny est facturé en heures GPU, et l’arithmétique comporte un trou en son milieu. Le modèle homologue de 0,5 B a été mesuré à 42,1 caractères par seconde ; le modèle tiny n’a pas été mesuré du tout. Vous ne pouvez pas emprunter le débit de son homologue, car le modèle tiny active environ deux fois et demie plus de paramètres par token et occupe environ 18 Go plutôt que 2,96 Go. La carte recommandée par Ant est une H800, et l’environnement figé — Python 3.10.15, torch et torchaudio 2.7.1 avec CUDA 11.8, transformers 4.46.3 — est la seule affirmation de performance de la version.

Alors faites le calcul au grand jour au lieu de prétendre que la question est réglée. À 20 caractères par seconde, un million de caractères représente environ 14 heures de génération ; à 10 caractères par seconde, environ 28. Multipliez ces heures par votre propre coût de GPU-heure, ajoutez le temps de chargement du modèle, la mise en file d’attente et les nouvelles tentatives, puis comparez avec 19,31 $. En dessous de quelques millions de caractères par mois, le tarif hébergé l’emporte généralement sur le coût total dès que le temps de quelqu’un est pris en compte. Au-dessus, sur du matériel que vous possédez déjà et gardez occupé, le coût marginal horaire du checkpoint est le même que celui de la première heure — c’est l’avantage structurel qu’aucune grille tarifaire ne peut égaler.

Une chose que la comparaison des prix ne doit pas masquer : les deux modèles ne sont pas le même produit, à aucun prix. La formule Plus de Qwen-Audio-3.0-TTS est un catalogue vocal prêt à l’emploi avec 16 langues ; Ming-3.0-tts-tiny est un pipeline que vous exploitez, dont vous mesurez vous-même la qualité des résultats.

La question des niveaux qu’A​libaba n’a pas résolue.

Quiconque choisit aujourd’hui Qwen-Audio-3.0-TTS choisit au sein d’une famille qui a évolué sous ses pieds. La gamme Qwen-Audio-3.1 a été annoncée le 23 septembre 2026, et Artificial Analysis classe un Qwen-Audio-3.1-TTS-Plus à 1 300 Elo sur Provider Voice et à 1 186 sur Controlled — au-dessus du 3.0 Plus sur les deux tableaux, daté du 24 septembre, au même tarif de 19,31 $ par million de caractères.

Mais la grille tarifaire publique d'Alibaba ne liste qu'un SKU Flash pour 3.1 TTS, donc savoir si l'offre 3.1 Plus peut être appelée aujourd'hui est une question à poser à la console du fournisseur lui-même plutôt qu'à déduire d'un classement. Dans les deux cas, la lecture pratique est la même : l'offre 3.0 Plus n'est pas obsolète, mais ce n'est plus le produit le plus récent qu'Alibaba ait évalué, et un acheteur devrait confirmer quel SKU il contracte réellement avant de comparer son prix à quoi que ce soit.

Pour Ming-3.0-tts-tiny, il n’y a pas du tout de question de gamme — il y a un seul checkpoint, aucune feuille de route avec des dates, et une note de prise en charge de vLLM-Omni qui est apparue dans la documentation le jour même où le code est apparu.

Ce que les dépôts n’établissent pas

Quatre lacunes méritent d'être nommées avant que quiconque ne bâtisse ses plans sur ce modèle.

• Aucun score indépendant — aucune ligne d’arène, aucun taux d’erreur de mots tiers, aucun débit mesuré. La ligne qui ressemble à celle de Ming-3.0-tts-tiny est celle du 0.5B.

• Aucun rapport technique — la feuille de route l’indique comme non coché, et la fiche du modèle a été modifiée le 16 octobre afin de supprimer toute référence à un tel rapport.

• Pas de point de terminaison hébergé — il n'y a ni API propriétaire ni tarif, donc la seule voie vers la production passe par votre propre infrastructure.

• Aucune recette de fine-tuning — le dépôt documente des tâches d’inférence, pas l’entraînement. Le LoRA ou le fine-tuning complet sur ce checkpoint n’est pas documenté, ce qui diffère d’un modèle qui est livré avec des scripts d’entraînement.

Au moment de la capture, le dépôt Hugging Face affichait 20 téléchargements et 3 mentions J’aime, et le dépôt GitHub quelques étoiles et aucune version publiée. Ce n’est la preuve de rien, sinon que la publication s’est faite discrètement, ce qui est la seule affirmation dont cet article soit certain.

Ce que cette comparaison vaut en pratique

Si vous avez besoin d’une voix en production ce mois-ci, dans plus de deux ou trois langues, avec quelqu’un d’autre qui assure la disponibilité, Qwen-Audio-3.0-TTS-Plus est le choix défendable : il est évalué, tarifé, documenté et pris en charge, et le score Elo de 1 266 est mesuré plutôt qu’affirmé.

Si vous avez besoin de posséder le modèle — cloner des voix que vous ne pouvez pas envoyer à un tiers, générer à un volume où la facturation au caractère prédomine, livrer sous une licence qui autorise la redistribution — Ming-3.0-tts-tiny est le seul des deux qui puisse vous appartenir. Acceptez en échange que vous serez le premier à en faire le benchmark, que le coréen est une faiblesse connue que son propre fournisseur publie, et que le pipeline n’a qu’une semaine.

OrcaRouter n’achemine ni l’un ni l’autre de ces modèles, et rien ici ne doit être interprété comme affirmant le contraire ; on accède à la parole par le canal propre à chaque fournisseur, et au checkpoint Ming-3.0-tts-tiny par votre propre matériel. Ce que nous acheminons, c’est la partie texte du même pipeline — plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur, sans marge ajoutée, de sorte que tout changement de prix chez un fournisseur de texte devient votre prix le jour même. Pour un produit vocal, le script, les indications de type SSML et l’agent qui décide quoi dire relèvent tous du texte, et c’est précisément la partie où un second contrat avec un fournisseur ne vous apporte rien.

Le chiffre qui permettrait de trancher n’existe pas encore. Ce n’est pas un score Elo ; c’est un après-midi sur un H800 à faire tourner le petit checkpoint sur les mêmes clips de référence qu’Ant a utilisés, avec les résultats publiés en même temps que le harness. Tant que personne ne le fait, la position honnête est celle qu’a adoptée cet article : deux artefacts crédibles, l’un noté et l’autre non, et une comparaison qui doit se faire sur la propriété, la forme du prix et le risque linguistique plutôt que sur la qualité.