Ming-3.0-tts vs Qwen-Audio-3.0-TTS : des poids ouverts face à une voix facturée au caractère

Ming-3.0-tts et Qwen-Audio-3.0-TTS sont les deux systèmes de synthèse vocale chinois les plus crédibles sortis en 2026, et ils ne sont d'accord sur presque rien, hormis la qualité de leur rendu. Ming-3.0-tts est le modèle à poids ouverts sous licence MIT d'Ant Group, publié par l'équipe inclusionAI le 20 octobre 2026 dans le cadre de la famille vocale Ming-3.0. Qwen-Audio-3.0-TTS est le synthétiseur vocal fermé d'Alibaba, disponible uniquement via API, annoncé à la WAIC le 20 juillet 2026 en offres Plus et Flash, sans aucun poids publié. L'un se télécharge et s'exécute ; l'autre se loue au caractère. C'est là toute la comparaison, et l'écart de qualité est plus petit que l'écart de modèle économique.

Il y a aussi un détail que la plupart des comparaisons de ces deux modèles oublient, et il change la recommandation : Qwen-Audio-3.0-TTS n’est plus le modèle vocal Qwen que vous achèteriez réellement. Alibaba l’a remplacé par Qwen-Audio-3.1-TTS le 23 septembre 2026 et a baissé les prix de synthèse d’environ 70 % la veille. Ainsi, cette page compare le modèle nommé dans le titre à Ming-3.0-tts, parce que c’est ce que les gens recherchent, puis vous explique ce que le Qwen plus récent change dans la réponse.

Le modèle mentionné dans le titre est déjà dépassé.

Qwen-Audio-3.0-TTS a été lancé au WAIC avec une affirmation sérieuse : la première place du Provider Voice Arena d’Artificial Analysis, devant Gemini 3.1 Flash TTS et une longue liste de systèmes commerciaux. Il est proposé en deux niveaux — Plus pour la qualité, Flash pour l’interaction en temps réel avec une latence du premier paquet d’environ 300 ms — à des prix catalogue d’environ 27,60 $ et 15 $ par million de caractères, respectivement.

Neuf semaines plus tard, Qwen-Audio-3.1-TTS est arrivé à la conférence Apsara. Les changements qui importent pour cette comparaison :

• Prix — synthèse en baisse d'environ 70 %, temps réel en baisse d'environ 85 %, à compter du 22 septembre 2026 pour les régions de Pékin et de Singapour. Cela place 3.1 TTS Flash à environ 1,5 ¥ par million de jetons d'entrée et 12 ¥ par million de jetons de sortie, et place l'équivalent Plus à près de 8 $ par million de caractères sur l'ancienne unité.

• Contrôle — des instructions en langage naturel libre pour l’émotion, le rythme et le style remplacent les 86 balises d’interprétation intégrées de la 3.0. Il s’agit d’un changement d’ergonomie, et non de qualité, et c’est celui qui est le plus susceptible d’affecter votre capacité à livrer.

• Clonage — transfert de timbre entre langues pour le mandarin, le cantonais, l’anglais et le japonais, ainsi que le traitement direct d’un audio de référence bruité ou réverbérant.

• Vérification — aucun score d'arène indépendant au moment de la rédaction. Les affirmations de qualité concernant la version 3.1 sont des déclarations du fournisseur.

Donc la formulation équitable n’est pas « Ming contre Qwen », mais « Ming contre la génération actuelle de Qwen, dont le prix est désormais d’environ un tiers de ce que facturait 3.0 ». L’avantage de coût de Ming se réduit d’autant. La différence d’architecture, elle, ne se réduit pas.

Deux produits différents, et non deux versions d'un même produit

• Modèle de distribution — Ming-3.0-tts est distribué sous forme de poids sous licence MIT sur Hugging Face et ModelScope, avec le code d’inférence dans un dépôt GitHub séparé. Qwen-Audio-3.0-TTS ne publie aucun poids ; il est servi via Alibaba Cloud Model Studio.

• Taille — Le checkpoint par défaut de Ming est un modèle dense de 0,5 Md de paramètres, sur une base Qwen2.5-0.5B, soit environ 2,96 Go. Son homologue Ming-3.0-tts-tiny est un MoE de 7,9 Md au total et de 1,3 Md actifs, sur la base Ling V3 d’Ant. Qwen ne divulgue le nombre de paramètres pour aucun des deux niveaux.

• Plafond de qualité de sortie — Ming plafonne à 44,1 kHz. Qwen-Audio-3.0-TTS est passé à 48 kHz et prend en charge la synthèse en une seule passe de jusqu’à trois minutes.

• Couverture linguistique — Ming couvre le chinois, l'anglais, l'allemand, l'espagnol, le français, le coréen et le japonais, ainsi que le sichuanais et le cantonais. Qwen couvre 16 langues et 20 régions dialectales chinoises, ayant ajouté l'arabe, le vietnamien, le malais et le philippin avec la version 3.0.

• Voix — Ming propose plus de 100 voix chinoises et cinq voix anglaises. Le catalogue de Qwen est une sélection hébergée que vous ne gérez pas.

• Surface de contrôle — Ming propose la conception vocale à partir d’une description textuelle, un « mode réalisateur » pour des instructions de diction libres, 14 balises paralinguistiques intégrées, ainsi que des contrôles explicites d’émotion, de vitesse, de hauteur et de volume. Qwen 3.0 proposait des invites de réalisateur libres ainsi que des balises granulaires ; la 3.1 a remplacé les balises par des instructions.

Le schéma dans cette liste est cohérent : Ming vous offre davantage de contrôle sur un ensemble de langues plus restreint, et Qwen vous offre une couverture plus large avec moins de visibilité sur ce qui se trouve en dessous.

Qualité : ce que dit l’arène, et ce qu’elle ne dit pas

Les deux modèles disposent de mesures indépendantes, ce qui est suffisamment rare pour mériter d’être exploité avec prudence. Le piège est de comparer entre différentes cartes.

Sur le Provider Voice Arena — des modèles s’exprimant avec leurs propres voix standard, ce qui constitue la comparaison à armes égales — Qwen-Audio-3.0-TTS-Plus a obtenu 1 238 Elo en août 2026 et 1 259 en septembre, se classant deuxième. Ming-3.0-tts a obtenu 1 188 Elo, troisième parmi les modèles à poids ouverts et environ 18e au classement général. Sur ce classement, Qwen devance d’environ 50 à 70 Elo, soit un écart réel mais pas énorme — environ la différence entre deux paliers adjacents de voix commerciales.

Ming obtient deux résultats que Qwen ne peut pas égaler sur le même tableau. Il a terminé à égalité à la première place du classement général de Robustesse de prononciation avec 93,2 %, et il occupe la première place parmi les modèles à poids ouverts sur le Controlled Voice Arena avec 1 069 Elo, un tableau construit à partir de huit voix clonées couvrant des accents américains et britanniques. Qwen n'apparaît pas sur le tableau des voix contrôlées, car il n'existe aucun checkpoint local pour exécuter ce test.

Lus ensemble, ces chiffres disent quelque chose de précis. Ming est à son meilleur lorsqu’il reproduit une voix que vous lui fournissez, et à son plus faible lorsqu’il puise dans son propre petit catalogue anglais. Qwen est solide sur ses propres voix et revendique une similarité de locuteur de pointe sur les 16 langues — une affirmation de fournisseur, non indépendante. Si votre cas d’usage est « cloner notre fondateur et lire la newsletter », c’est le meilleur atout de Ming qui compte. Si c’est « donnez-nous 40 voix dans 12 langues », la couverture de Qwen est l’élément décisif.

Un chiffre rapporté par un fournisseur mérite d'être signalé, car il est inhabituel et concret : le débit de Qwen-Audio-3.0-TTS a été annoncé à environ 16 caractères par seconde, contre environ 120 pour Sonic 3.5 et 30 pour Simba 3.2. C'est lent. C'est la raison d'être de l'offre Flash, et c'est le genre de limite qu'un classement de qualité ne vous montrera jamais. Le checkpoint 0.5B de Ming n'a pas de chiffre de débit public comparable, ce qui constitue une lacune en soi.

Coût, dans l’unité de facturation de chacun

Les deux modèles n’utilisent pas la même unité ; la comparaison doit donc être convertie pour avoir un sens. À raison d’environ 14 caractères par seconde de parole, un million de caractères correspond à environ 19 à 20 heures d’audio.

• Qwen-Audio-3.0-TTS-Plus — 27,60 $ par million de caractères, soit environ 1,40 $ par heure audio au prix catalogue.

• Qwen-Audio-3.0-TTS-Flash — environ 15 $ par million de caractères, soit environ 0,76 $ par heure d’audio.

• Qwen-Audio-3.1-TTS — après la baisse de septembre, environ un tiers du prix de la 3.0, donc aux alentours de 0,40 à 0,45 $ par heure d’audio pour une synthèse équivalente.

• Ming-3.0-tts — pas de prix au caractère. Des poids sous licence MIT, et une facture GPU à la place. Un H800 loué à environ 2 $ par heure-GPU, faisant tourner un modèle de 0,5 B bien au-delà du temps réel, produit plusieurs heures d’audio par heure d’horloge ; en traitement par lots, le débit effectif tombe sous ce que n’importe lequel des tarifs au compteur ci-dessus peut atteindre à volume soutenu.

Tout l’argument tient au point de bascule. Pour quelques heures d’audio par mois, l’auto-hébergement est une mauvaise affaire : le GPU reste inactif 99 % du temps, la pile de dépendances représente une journée de travail, et l’API facturée à l’usage coûte moins cher que l’électricité. Pour quelques centaines d’heures par mois, l’API facturée à l’usage devient l’option coûteuse, et de loin, l’écart se creusant à chaque heure supplémentaire parce que le coût marginal de la génération suivante est presque nul. L’emplacement exact de votre point de bascule dépend du prix et du taux d’utilisation des GPU, mais il se mesure en centaines d’heures par mois, pas en milliers.

Il existe un second coût qui n’apparaît sur aucune des deux listes de prix : le coût du modèle qui change sous vos pieds. Qwen-Audio-3.0-TTS a été le meilleur modèle vocal vendu par Alibaba pendant environ neuf semaines. Quiconque a bâti un produit sur sa grammaire de contrôle à 86 balises a passé le mois de septembre à réécrire des prompts pour des instructions en langage naturel. Les poids MIT de Ming ne peuvent pas être dépréciés, ils ne peuvent qu’être améliorés par vous.

Contrôle, clonage et la réalité du déploiement

La conception de voix de Ming est la fonctionnalité dont Qwen n'a pas l'équivalent. Vous décrivez un locuteur en texte — âge, timbre, débit, accent — et le modèle synthétise une voix correspondante, sans extrait de référence. Pour prototyper un personnage ou une voix de marque avant de disposer d'un enregistrement, il s'agit là d'un flux de travail véritablement différent de la sélection dans un catalogue.

Le contrepoids de Qwen, c'est la robustesse. Sa version 3.1 gère spécifiquement les audios de référence bruités et réverbérants, le mode de défaillance qui tue le clonage dans les déploiements réels : quelqu'un enregistre un échantillon sur un ordinateur portable dans une salle de conférence et le clone sonne comme une autre personne. La fiche modèle de Ming reconnaît franchement que la similarité du locuteur est en retrait par rapport à la précision du contenu, le français étant l'écart multilingue le plus net.

C'est au niveau du déploiement que les deux divergent le plus nettement en matière d'effort.

• Ming — cloner le dépôt GitHub, installer CUDA 12.4 et PyTorch, compiler flash-attn si besoin, installer pynini pour la normalisation du texte, puis exécuter infer.py ou l’API Python ming_tts.MingTTS. Hugging Face n’héberge que les checkpoints et l’indique dans un encadré. Le petit modèle nécessite son propre environnement. Aucun fournisseur d’inférence hébergé n’est disponible sur Hugging Face au moment de la rédaction.

• Qwen — une clé API et un point de terminaison régional. Aucune infrastructure, aucune pile de dépendances, aucune planification de capacité GPU. Vous n’avez pas non plus la possibilité d’épingler une version, d’inspecter le modèle ou de fonctionner hors ligne.

Pour une équipe qui dispose déjà d’une infrastructure GPU et d’une raison de conformité pour garder l’audio en interne, Ming est le choix évident et l’effort représente une erreur d’arrondi. Pour une équipe qui ne dispose ni de l’un ni de l’autre, Qwen est moins cher ce trimestre et plus cher à l’échelle, et le verrouillage est bien réel.

Où se place un routeur

Aucun des deux modèles n'est sur OrcaRouter. Nous n'hébergeons pas Ming-3.0-tts et nous ne revendons pas Qwen-Audio-3.0-TTS, et une page de comparaison n'est pas le bon endroit pour prétendre le contraire. Ce qui se trouve de notre côté du pipeline, c'est tout ce qui entoure la voix : le modèle de langage qui rédige et réécrit le script, ainsi que des modèles vocaux hébergés tels que Gemini 3.1 Flash TTS Preview et GPT-4o mini TTS pour les cas où auto-héberger Ming n'est pas le bon compromis.

C'est ce qui compte le plus pour la décision que cette page aborde réellement. Un pipeline vocal n'est pas un seul modèle ; c'est un générateur de script, un normaliseur, un synthétiseur et une solution de repli. Placer la moitié textuelle derrière une seule clé API — plus de 200 modèles, 0 % de marge sur le prix catalogue du fournisseur, bascule automatique en cas de dégradation d'un fournisseur — signifie que la seule partie à laquelle vous vous engagez, c'est le modèle vocal lui-même. Si vous auto-hébergez Ming et qu'il s'avère plus faible sur vos noms de marque anglais que l'arène ne le suggérait, changer la couche vocale revient à modifier un composant, pas à refondre votre plateforme. Si vous construisez sur l'API hébergée de Qwen, la couche de routage est ce qui maintient le reste du pipeline en vie lorsque le point de terminaison est lent ou limité en débit, et la tarification en répercussion signifie que la prochaine baisse de prix d'Alibaba vous parvient le jour où elle est annoncée, plutôt qu'au gré d'un revendeur.

Lequel choisir

• Choisissez Ming-3.0-tts si vous disposez de GPU, avez besoin d’une voix clonée ou conçue plutôt que d’un catalogue, souhaitez des conditions MIT qui résistent à un examen juridique et pouvez accepter des outils de niveau recherche ainsi qu’un ensemble restreint de voix anglaises. C’est la seule option ici dont vous pouvez être pleinement propriétaire.

• Choisissez Qwen-Audio-3.0-TTS uniquement si vous êtes contraint de l'utiliser pour une raison précise — un contrat Alibaba Cloud existant, un workflow construit sur sa grammaire de 86 balises. Sinon, vous optez pour un modèle dépassé, à un tarif qui l'est tout autant.

• Choisissez Qwen-Audio-3.1-TTS si vous voulez une API vocale gérée et à large couverture, et que la baisse de prix de septembre modifie vos calculs économiques. Acceptez qu’elle ne soit pas vérifiée sur les classements indépendants et que son contrôle par instructions soit une nouvelle grammaire que vous devrez apprendre.

L’écart de qualité entre les deux familles est assez faible pour ne pas devoir trancher la question. Dans le seul classement où les deux sont directement en concurrence, Qwen mène d’environ 50 à 70 points Elo. Dans les classements qui mesurent le clonage, Ming est en tête et Qwen est absent. Ce qui les sépare réellement, c’est de savoir si la voix est un service que l’on loue ou un artefact que l’on possède — et après qu’Alibaba a remplacé son propre fleuron en neuf semaines, cette distinction ressemble moins à une question d’idéologie qu’à un risque d’approvisionnement.