Ming-3.0-tts vs Cartesia Sonic 3.6 : l’un lit correctement votre numéro de facture, l’autre répond en 90 ms

Placez Ming-3.0-tts et Cartesia Sonic 3.6 sur la même ligne de l’arène vocale d’Artificial Analysis et le tableau des scores dit que Cartesia l’emporte : 1 290 Elo contre 1 188 sur Provider Voice, un écart de 102 points, les intervalles de confiance étant très loin de se chevaucher. Placez-les sur le tableau de prononciation et le résultat s’inverse si brutalement que cela ressemble à une erreur de données : 93,2 % contre 74,5 %. Les deux mêmes systèmes, mesurés par le même laboratoire, le même mois, divergent de dix-huit points de pourcentage sur la question de savoir lequel peut lire l’anglais à voix haute. Les deux chiffres sont corrects, et la raison pour laquelle ils peuvent tous deux l’être, c’est toute la comparaison. Les défaillances documentées de l’IA et les incidents d’agents derrière des versions comme celle-ci sont recueillis 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.

Ming-3.0-tts est le modèle à poids ouverts sous licence MIT d'Ant Group — un checkpoint dense de 0,5 B que vous exécutez sur votre propre GPU, avec un homologue à mélange d'experts de 7,9 B appelé Ming-3.0-tts-tiny. Cartesia Sonic 3.6 est un point de terminaison temps réel propriétaire publié le 17 août 2026, facturé au caractère, commercialisé sur une latence du premier audio inférieure à 90 millisecondes et une couverture de 44 langues. L'un est un modèle. L'autre est un service conçu pour répondre à un appel téléphonique. Celui que vous voulez dépend d'une question qui n'a rien à voir avec Elo : votre texte est-il surtout de la prose, ou surtout des choses qui doivent être dites exactement ?

Les deux chiffres qui comptent, et pourquoi ils ne concordent pas

Commencez par les tableaux de préférences, car ce sont ceux que les gens citent.

• Elo vocal du fournisseur — Ming-3.0-tts 1 188 (intervalle 1 174–1 202) contre Sonic 3.6 1 290 (1 276–1 304). Sonic est 4e sur 97 modèles ; Ming est 18e.

• Elo de voix contrôlée — Ming-3.0-tts 1 068 (1 052–1 084) vs Sonic 3.6 1 151 (1 138–1 164). Sonic est 5e ; Ming est 12e. L’écart se réduit de 19 points une fois que les deux systèmes clonent les mêmes huit voix.

• Robustesse de la prononciation, anglais — Ming-3.0-tts 93,2 % (91,5–94,9) contre Sonic 3.6 74,5 % (71,4–77,5). Ming est 1er sur 31 systèmes mesurés ; Sonic est 19e.

Ces résultats ne sont pas contradictoires ; ils mesurent des choses différentes. Les classements Elo demandent aux auditeurs humains quel extrait ils préfèrent, et la préférence récompense ce qui rend la parole synthétique agréable — une prosodie naturelle, une émotion convaincante, une voix qui ne donne pas l’impression de lire un manuel. Sonic 3.6 y excelle. Depuis août, il est le quatrième système du classement de l’arène, et cette place est méritée.

Le tableau d’évaluation de la prononciation pose une question plus étroite et plus sévère : le système a-t-il prononcé correctement ce segment précis ? Des évaluateurs humains ont annoté les mots et expressions surlignés dans des textes en anglais — noms de marques, termes techniques, chemins de fichiers, adresses e-mail, nombres, dates, unités — et ont jugé chacun d’eux. À ce test, Sonic se classe dans la moitié inférieure des 31 systèmes qui ont été évalués, et Ming arrive en tête de tous.

Les sous-scores rendent la forme de l’échec plus claire que ne le fait l’agrégat :

• Termes autonomes — Ming-3.0-tts 88,5 % vs Sonic 3.6 72,6 %

• Adapté au contexte — Ming 91,0 % vs Sonic 78,2 %

• Préservation des séquences exactes — Ming 90,6 % (1er sur 31) vs Sonic 60,8 %

• Sténographie étendue — Ming 96,5 % (1er sur 31) contre Sonic 49,1 %

C’est Expanding Shorthand qu’il faut regarder de près. Cela couvre les nombres, les dates, les unités et la notation — « 6'2" », « Chapter XVII », « 1 tsp ». Selon ce critère, Sonic 3.6 traite correctement environ la moitié de ces segments. C’est un chiffre stupéfiant pour une API vocale de production, et c’est le genre de chose qu’une démo ne met jamais en évidence, parce que les démos sont rédigées dans une prose choisie par le fournisseur. Mettez une confirmation de commande, un dosage ou une mesure devant elle, et le classement des préférences cesse de prédire quoi que ce soit d’utile.

Le cas de la latence et du débit, où Cartesia n’est pas à la hauteur

La promesse phare de Cartesia, c’est un premier audio en moins de 90 millisecondes, le chiffre qui compte pour un agent conversationnel : l’appelant entend une voix avant de décider que vous êtes une machine. Ming-3.0-tts ne publie aucune donnée de latence. Ce dont dispose le banc d’essai indépendant, c’est le débit, et il n’est pas tendre avec le modèle ouvert.

• Caractères générés par seconde — Sonic 3.6 146,9 vs Ming-3.0-tts 44,3. Cartesia est 3,3 fois plus rapide dans des conditions matérielles identiques.

• Temps de génération médian pour une requête notée — Sonic 3.6 9,20 s vs Ming 2,56 s. Lisez attentivement ce point ; il reflète des longueurs de requête différentes, et non un avantage de vitesse pour Ming.

Le résumé honnête, c’est que Sonic 3.6 est conçu pour le streaming et Ming-3.0-tts pour le traitement par lots. À 44,3 caractères par seconde — environ sept mots —, le modèle auto-hébergé dépasse bel et bien la parole réelle, si bien qu’une longue narration se termine avant le temps qu’il faut pour l’écouter. Ce qui lui manque, c’est un positionnement clair autour du streaming, un temps jusqu’au premier audio publié ou une gestion des sessions. Cartesia vend exactement ces trois choses.

Si vous créez un agent téléphonique, un outil de traduction en direct ou quoi que ce soit où une personne attend la première syllabe, la comparaison s’arrête là et vous pouvez cesser de lire. Le reste de cet article concerne l’autre cas : un texte préparé à l’avance, ou un texte dont l’exactitude importe plus que l’immédiateté.

Ce que chaque partie vous apporte réellement

Ming-3.0-tts, du groupe inclusionAI d'Ant Group, est distribué sous forme d'un checkpoint de 2,96 Go contenant le backbone, une tête de patch de type diffusion-transformer, un tokenizer audio, un encodeur de locuteur et un tokenizer de texte, sous licence MIT avec utilisation commerciale autorisée. Il produit de l'audio à 44,1 kHz, prend en charge sept langues ainsi que le sichuanais et le cantonais, et propose le clonage vocal, la conception de voix décrite par texte, 14 balises paralinguistiques intégrées, ainsi que le contrôle de l'émotion, de la vitesse, de la hauteur et du volume. Ant l'a testé sur un H800-80GB et un H20-96G avec PyTorch 2.6 et CUDA 12.4, et fournit un Dockerfile.

Sonic 3.6, de Cartesia, est une API. Il gère 44 langues à partir d’un seul modèle, clone une voix à partir de dix secondes d’audio de référence, prend en charge une élocution sensible aux émotions et des repères non verbaux insérables, et accepte des dictionnaires de prononciation personnalisés — ce qui constitue la réponse du fournisseur exactement au problème que mesure le tableau de prononciation, et il convient de noter qu’un client qui le configure n’est pas évalué sur le chemin par défaut testé par l’arène. Cartesia construit également le reste de la pile vocale : transcription de la parole, agents vocaux à 0,06 $ par minute, numéros de téléphonie et limites de concurrence qui évoluent avec le niveau de l’offre.

• Licence — des poids MIT que vous conservez, contre une API commerciale sans poids

• Couverture linguistique — 7 plus 2 dialectes contre 44

• Déploiement — votre GPU vs leur point de terminaison

• Fréquence d'échantillonnage de sortie — 44,1 kHz contre non communiquée sur la page produit

• Clonage vocal — audio de référence, texte de référence et mode de tâche explicite, contre 10 secondes d’audio, instantané

• Base de tarification — heures GPU vs crédits à raison d’un crédit par caractère

La tarification en crédits mérite d'être convertie, car « un crédit par caractère » n'est pas un chiffre sur lequel la plupart des équipes peuvent établir un budget. Le tableau des offres de Cartesia indique lui-même qu'une minute d'audio consomme 750 à 800 crédits, ce qui place le tarif effectif autour de 0,038 $ par minute sur l'offre Pro à 5 $, de 0,029 $ sur l'offre Startup à 49 $ et de 0,028 $ sur l'offre Scale à 299 $. L'arène le normalise à 49 $ par million de caractères, ce qui est le chiffre comparable face au zéro de Ming. Ming n'est pas gratuit ; c'est une facture en heures de GPU que votre équipe financière considérera comme de l'infrastructure plutôt que comme une ligne budgétaire par mot.

La comparaison sur trois mois que personne ne met dans l’avis

Il existe une version de cette décision qui survit aux deux modèles, et c'est celle qui compte pour un système de production : ce qui se passe lorsque le modèle que vous avez choisi est remplacé.

Cartesia a livré Sonic 3, 3.5 et 3.6 en l’espace d’un an, à un tarif constant de 49 $ par million de caractères. Ant a livré Ming-omni-tts en février, une variante de 16,8 Md en juin, et maintenant Ming-3.0-tts — avec un rapport technique encore non coché sur sa feuille de route et un axe d’accélération vLLM-Omni marqué comme terminé mais non documenté dans le dépôt. Les deux fournisseurs avancent vite. Ni l’un ni l’autre ne va s’arrêter.

Pour un modèle hébergé, il s’agit d’une simple mise à jour de version. Pour un checkpoint auto-hébergé, c’est une migration : de nouveaux poids, de nouvelles dépendances, une nouvelle série d’évaluations sur vos propres textes. La licence MIT protège votre droit de continuer à faire tourner l’ancien, ce qui constitue un véritable avantage et la principale raison pour laquelle les équipes choisissent des poids ouverts au départ — mais elle ne vous protège pas de l’envie de passer au nouveau.

C'est à cette jonction qu'une couche de routage fait quelque chose de concret plutôt que de rhétorique. OrcaRouter n'héberge ni Ming-3.0-tts ni Cartesia Sonic 3.6, et rien ici ne doit laisser penser le contraire — Ming vient du dépôt, Sonic de l'API propre à Cartesia. Ce que le catalogue contient bel et bien, c'est un ensemble de modèles vocaux hébergés, notamment les aperçus Gemini TTS de Google et tts-1 et gpt-4o-mini-tts d'OpenAI, derrière la même clé que plus de 200 modèles de texte, au prix catalogue du fournisseur, sans marge ajoutée, avec basculement automatique entre fournisseurs. Si votre pipeline vocal dispose d'un chemin de secours — et tout pipeline qui traite du trafic en direct devrait en avoir un — ce chemin de secours peut être un seul point de terminaison plutôt qu'un second contrat et un second SDK. Une baisse de prix d'un fournisseur est répercutée chez nous le jour même, car il n'y a aucune marge intermédiaire à annuler.

Lequel choisir, selon la charge de travail

La décision est brève si vous répondez honnêtement au sujet du texte.

Choisissez Sonic 3.6 si un humain attend le premier audio, si vous avez besoin de plus qu'une poignée de langues ou si vous voulez qu'un fournisseur assume la disponibilité. L'écart de préférence de 102 points est bien réel, et les auditeurs l'entendront. Configurez le dictionnaire de prononciation pour les termes que votre produit prononce réellement, car le chemin par défaut obtient un score de 74,5 % précisément sur ce point.

Choisissez Ming-3.0-tts si votre audio est généré à l’avance — narration, lecture à voix haute de documentation, messages IVR, supports de formation, brouillons de livres audio — et que le texte contient des identifiants, des unités, des codes ou de la notation. Sur les trois catégories qui couvrent ces segments, il est soit en tête, soit à moins de trois points de celle-ci, et aucun système hébergé du classement n’est meilleur pour préserver une séquence exacte.

Ne choisissez ni l’un ni l’autre, mais, si vous avez besoin que les noms propres anglais soient corrects. Le score de Ming's de 88,5 % sur Standalone Terms est 21e sur 31, et c’est la seule catégorie où le modèle est sans ambiguïté en milieu de tableau. Un nom de marque mal prononcé dans une démonstration produit coûte plus cher qu’une date lue maladroitement.

Il existe aussi une approche hybride qu’aucun fournisseur ne proposera : utiliser un modèle hébergé en temps réel pour la surface interactive et un checkpoint auto-hébergé pour le corpus par lots, puis les évaluer sur le même texte réservé à l’évaluation. Les deux systèmes échouent sur des points différents, et c’est précisément ce qui rend cette séparation digne de son coût opérationnel.

La question ouverte

La page produit de Cartesia indique que l'entreprise est classée première sur Speech Arena. C'était vrai au moment où la page a été rédigée, et ce ne l'est plus — HeyGen Voice, Qwen-Audio-3.1-TTS-Plus, Eleven v4 Turbo et Eleven v4 se situent tous au-dessus de Sonic 3.6 aujourd'hui, et Sonic lui-même occupe la quatrième place. Les affirmations des fournisseurs sur les classements vieillissent en quelques semaines. Le score de prononciation de 74,5 % est le fait le plus durable de cette comparaison, car il est mesuré par quelqu'un qui n'a aucun produit à vendre et il est suffisamment mauvais pour que la fonction de dictionnaire de prononciation de Cartesia existe précisément pour y remédier.

Ce qui changerait le verdict : une sortie en streaming de Ming-3.0-tts avec un temps jusqu’au premier audio publié, ou un Sonic 3.7 qui corrige l’expansion des abréviations. Ni l’un ni l’autre n’est annoncé. D’ici là, la séparation est nette — vitesse et couverture d’un côté, exactitude et maîtrise de l’autre — et la bonne réponse est d’arrêter de chercher un gagnant et de commencer à examiner votre propre corpus.