Ming-3.0-tts מול Cartesia Sonic 3.6: אחד קורא נכון את מספר החשבונית שלך, והשני עונה תוך 90 מ"ש

העמידו את Ming-3.0-tts ואת Cartesia Sonic 3.6 על אותו קו בזירת הדיבור של Artificial Analysis, ולוח התוצאות אומר ש-Cartesia מנצחת: 1,290 Elo לעומת 1,188 ב-Provider Voice, פער של 102 נקודות, כאשר מרווחי הסמך כלל אינם נוגעים זה בזה. העמידו אותם על לוח ההגייה והתוצאה מתהפכת כל כך חזק שזה נראה כמו שגיאת נתונים: 93.2% לעומת 74.5%. אותן שתי מערכות, שנמדדו על ידי אותה מעבדה, באותו חודש, חלוקות ביניהן בשמונה-עשרה נקודות אחוז בשאלה איזו מהן יכולה לקרוא אנגלית בקול רם. שני המספרים נכונים, והסיבה ששניהם יכולים להיות נכונים היא כל ההשוואה. הכשלים המתועדים של AI ותקריות הסוכנים שמאחורי מהדורות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter שבו כל רשומה נושאת את המקורות שלה, חומרה, דירוג מהימנות ודגל מחלוקת.

Ming-3.0-tts הוא מודל במשקלים פתוחים ברישיון MIT של Ant Group — צ'קפוינט צפוף בנפח 0.5B שתריץ על ה-GPU שלך, עם מודל אחות מסוג mixture-of-experts בנפח 7.9B בשם Ming-3.0-tts-tiny. Cartesia Sonic 3.6 היא נקודת קצה קניינית בזמן אמת ששוחררה ב-17 באוגוסט 2026, בתמחור לפי תו, ומשווקת על בסיס השהיה עד לאודיו הראשון מתחת ל-90 מילישניות וכיסוי של 44 שפות. האחד הוא מודל. האחר הוא שירות שנבנה כדי לענות לשיחת טלפון. איזה מהם תרצו תלוי בשאלה שאין לה דבר עם Elo: האם הטקסט שלכם הוא בעיקר פרוזה, או בעיקר דברים שחייבים להיאמר בדיוק?

שני המספרים החשובים, ולמה הם אינם מתיישבים

התחל עם לוחות ההעדפות, כי הם אלה שאנשים מצטטים.

• Voice Elo של הספק — Ming-3.0-tts 1,188 (טווח 1,174–1,202) לעומת Sonic 3.6 1,290 (1,276–1,304). Sonic היא הרביעית מבין 97 מודלים; Ming היא ה-18.

• Elo קולי מבוקר — Ming-3.0-tts 1,068 (1,052–1,084) לעומת Sonic 3.6 1,151 (1,138–1,164). Sonic במקום ה-5; Ming במקום ה-12. הפער מצטמצם ב-19 נקודות כאשר שתי המערכות משכפלות את אותן שמונה קולות.

• חוסן בהגייה, אנגלית — Ming-3.0-tts 93.2% (91.5–94.9) לעומת Sonic 3.6 74.5% (71.4–77.5). Ming במקום הראשון מבין 31 מערכות שנמדדו; Sonic במקום ה-19.

אלה לא תוצאות סותרות; הן מודדות דברים שונים. לוחות ה-Elo שואלים מאזינים אנושיים איזה קטע הם מעדיפים, וההעדפה מתגמלת את הדברים שהופכים דיבור סינתטי לנעים — פרוזודיה טבעית, רגש משכנע, קול שלא נשמע כאילו הוא מקריא מדריך. Sonic 3.6 מצוין בכך. הוא מדורג רביעי בזירה מאז אוגוסט, ומגיע לו המקום הזה.

ועדת ההגייה שואלת שאלה צרה וקשוחה יותר: האם המערכת אמרה את הקטע הספציפי הזה נכון? סוקרים אנושיים סימנו מילים וביטויים מודגשים בטקסט באנגלית — שמות מותגים, מונחים טכניים, נתיבי קבצים, כתובות דוא"ל, מספרים, תאריכים, יחידות — ושפטו כל אחד מהם. במבחן הזה, Sonic נוחת בחצי התחתון של 31 המערכות שנמדדו, ו-Ming נמצאת בראש כולן.

תת-הציונים מבהירים את צורת הכשל יותר מאשר הציון הכולל:

• מונחים עצמאיים — Ming-3.0-tts 88.5% לעומת Sonic 3.6 72.6%

• מתאים להקשר — Ming 91.0% לעומת Sonic 78.2%

• שימור רצפים מדויקים — Ming 90.6% (מקום 1 מתוך 31) לעומת Sonic 60.8%

• קיצור מתרחב — Ming 96.5% (1 מתוך 31) לעומת Sonic 49.1%

Expanding Shorthand הוא זה שעליו צריך להתבונן. הוא מכסה מספרים, תאריכים, יחידות וסימון — "6'2"", "פרק XVII", "1 tsp". Sonic 3.6 קולע בכ-מחצית מהמקטעים האלה לפי מדד זה. זהו מספר מפתיע ל-API קולי בסביבת ייצור, וזה מסוג הדברים שדמו לעולם אינו חושף, משום שדמואים נכתבים בפרוזה שהספק בחר. הציבו לפניו אישור הזמנה, מינון או מדידה — ודירוג ההעדפות מפסיק לנבא משהו שימושי.

מקרה ההשהיה והתפוקה, שבו Cartesia לא מתקרבת

הטענה המרכזית של Cartesia היא אודיו ראשון בפחות מ-90 אלפיות השנייה, וזה המספר שחשוב עבור סוכן שיחתי: המתקשר שומע קול לפני שהוא מחליט שאתה מכונה. Ming-3.0-tts לא מפרסם נתון השהיה כלל. מה שיש למערכת הבדיקה העצמאית הוא תפוקה, והיא אינה מיטיבה עם המודל הפתוח.

• תווים לשנייה של יצירה — Sonic 3.6 146.9 לעומת Ming-3.0-tts 44.3. Cartesia מהירה פי 3.3 בתנאי חומרה זהים.

• זמן יצירה חציוני לבקשה עם ציון — Sonic 3.6 9.20 ש׳ לעומת Ming 2.56 ש׳. קראו את זה בזהירות; זה משקף אורכי בקשה שונים, ולא יתרון מהירות של Ming.

הסיכום הכנה הוא ש-Sonic 3.6 בנוי לסטרימינג ו-Ming-3.0-tts בנוי לעיבוד באצווה. בקצב של 44.3 תווים לשנייה — בערך שבע מילים — המודל בהארחה עצמית אכן מהיר יותר מדיבור אמיתי, כך שקריאה ארוכה מסתיימת לפני הזמן שלוקח להאזין לה. מה שאין לו הוא סיפור סטרימינג, זמן עד לאודיו ראשון מפורסם, או טיפול בסשנים. Cartesia מוכרת בדיוק את שלושת הדברים האלה.

אם אתם בונים סוכן טלפוני, כלי תרגום בזמן אמת, או משהו שבו אדם ממתין להברה הראשונה, כאן נגמרת ההשוואה וכדאי שתפסיקו לקרוא. המשך הקטע הזה מיועד למקרה האחר: טקסט שמוכן מראש, או טקסט שהנכונות שלו חשובה יותר מהמיידיות שלו.

מה כל צד בעצם נותן לך

Ming-3.0-tts, מקבוצת inclusionAI של Ant Group, מופץ כצ'קפוינט בנפח 2.96 GB הכולל את עמוד השדרה, ראש patch מסוג diffusion-transformer, טוקנייזר אודיו, מקודד דובר וטוקנייזר טקסט, תחת רישיון MIT עם שימוש מסחרי מותר. הוא מפיק אודיו ב-44.1 kHz, תומך בשבע שפות ובנוסף בסצ'ואנית ובקנטונזית, ומציע שיבוט קול, עיצוב קול המתואר בטקסט, 14 תגים פרלינגוויסטיים מוטמעים, ושליטה ברגש ובמהירות/גובה/עוצמה. Ant בחנה אותו על H800-80GB ועל H20-96G עם PyTorch 2.6 ו-CUDA 12.4, ומספקת Dockerfile.

Sonic 3.6, מבית Cartesia, הוא API. הוא מטפל ב־44 שפות ממודל אחד, משכפל קול מעשרה שניות של אודיו ייחוס, תומך בהגשה מודעת לרגש וברמזים לא־מילוליים הניתנים להכנסה, ומקבל מילוני הגייה מותאמים אישית — שזו התשובה של הספק עצמו בדיוק לבעיה שאותה מודד לוח ההגייה, וראוי לציין שלקוח שמגדיר אותו אינו נבחן בנתיב ברירת המחדל שהארינה בודקת. Cartesia בונה גם את שאר מחסנית הקול: דיבור לטקסט, סוכני קול ב־$0.06 לדקה, מספרי טלפוניה, ומגבלות מקביליות שמשתנות לפי דרגת התוכנית.

• רישיון — משקלים ב-MIT שנשארים אצלך לעומת API מסחרי ללא משקלים

• כיסוי שפות — 7 ועוד 2 ניבים לעומת 44

• פריסה — ה-GPU שלך מול נקודת הקצה שלהם

• קצב דגימה בפלט — 44.1 kHz לעומת לא מפורסם בדף המוצר

• שיבוט קול — אודיו ייחוס, טקסט ייחוס ומצב משימה מפורש לעומת 10 שניות של אודיו, מיידי

• בסיס התמחור — שעות GPU לעומת קרדיטים בקצב של קרדיט אחד לתו

תמחור הקרדיטים שווה המרה, מפני ש"קרדיט אחד לכל תו" אינו מספר שרוב הצוותים יכולים לתקצב לפיו. טבלת התוכניות של Cartesia עצמה אומרת שדקת שמע דורשת 750–800 קרדיטים, מה שמעמיד את התעריף האפקטיבי בקירוב ל-$0.038 לדקה בתוכנית Pro ב-$5, $0.029 בתוכנית Startup ב-$49 ו-$0.028 בתוכנית Scale ב-$299. הארנה מנרמלת אותו ל-$49 למיליון תווים, וזה הנתון可比 להשוואה מול האפס של Ming. Ming אינו חינם; זה חשבון של שעות GPU שצוות הכספים שלך יראה ככלי תשתית ולא כשורה בתקציב לכל מילה.

השוואת שלושת החודשים שאף אחד לא מכניס לביקורת

יש גרסה של ההחלטה הזו שמחזיקה מעמד מעבר לשני המודלים, והיא זו שחשובה למערכת פרודקשן: מה קורה כשהמודל שבחרת מוחלף.

Cartesia שחררה את Sonic 3, 3.5 ו-3.6 בתוך שנה, במחיר קבוע של 49 דולר למיליון תווים. Ant שחררה את Ming-omni-tts בפברואר, גרסה של 16.8B ביוני, וכעת את Ming-3.0-tts — כשדו"ח טכני עדיין לא מסומן כמבוצע במפת הדרכים שלה, ונתיב האצה vLLM-Omni מסומן כמבוצע אך אינו מתועד במאגר. שתי הספקיות מתקדמות במהירות. אף אחת מהן לא עומדת לעצור.

עבור מודל באירוח זהו עדכון גרסה שגרתי. עבור צ'קפוינט בהרצה עצמית זו מיגרציה: משקלים חדשים, תלויות חדשות, סבב חדש של הערכה על הטקסט שלך. רישיון MIT מגן על זכותך להמשיך להריץ את הישן, וזה יתרון אמיתי והסיבה העיקרית שצוותים בוחרים במשקלים פתוחים מלכתחילה — אבל הוא לא מגן עליך מכך שתרצה את החדש.

זהו התפר שבו שכבת ניתוב עושה משהו מוחשי ולא רטורי. OrcaRouter אינה מארחת את Ming-3.0-tts או את Cartesia Sonic 3.6, ושום דבר כאן לא אמור לרמוז אחרת — Ming מגיע מהמאגר, Sonic מה-API של Cartesia עצמה. מה שהקטלוג כן כולל הוא סט של מודלי דיבור מתארחים, כולל תצוגות מקדימות של G​emini T​TS מבית G​oogle ואת tts-1 ו-gpt-4o-mini-tts של O​penAI, מאחורי אותו מפתח כמו יותר מ-200 מודלי טקסט, במחיר המחירון של הספק ללא תוספת רווח, עם מעבר אוטומטי בין ספקים. אם לצינור הקולי שלך יש מסלול גיבוי — ולכל צינור שמטפל בתעבורה חיה צריך להיות כזה — מסלול הגיבוי הזה יכול להיות נקודת קצה אחת ולא חוזה נוסף ו-SDK נוסף. הורדת מחיר של ספק נוחתת אצלנו באותו יום, כי אין תוספת רווח בתווך שצריך לפרק.

איזה מהם לבחור, לפי עומס העבודה

ההחלטה קצרה אם תענה בכנות לגבי הטקסט.

בחרו ב-Sonic 3.6 אם אדם ממתין לאודיו הראשון, אתם זקוקים ליותר מקומץ שפות, או שאתם רוצים שספק ייקח אחריות על הזמינות. פער ההעדפה של 102 נקודות הוא אמיתי, והמאזינים ישמעו אותו. הגדירו את מילון ההגייה עבור המונחים שהמוצר שלכם באמת אומר, כי נתיב ברירת המחדל משיג 74.5% בדיוק על זה.

בחרו ב-Ming-3.0-tts אם האודיו שלכם נוצר מראש — קריינות, הקראה של תיעוד, הנחיות IVR, חומרי הדרכה, טיוטות ספרי שמע — והטקסט מכיל מזהים, יחידות, קודים או סימון. בשלוש הקטגוריות שמכסות את הטווחים האלה הוא או במקום הראשון או במרחק של עד שלוש נקודות ממנו, ואף מערכת מתארחת בלוח אינה טובה יותר בשימור רצף מדויק.

אל תבחר באף אחד, עם זאת, אם אתה זקוק לכך ששמות עצם פרטיים באנגלית יהיו נכונים. הציון של Ming ב-Standalone Terms, 88.5%, ממקם אותה במקום ה-21 מתוך 31, וזו הקטגוריה היחידה שבה המודל נמצא באופן חד-משמעי באמצע הטבלה. שם מותג שנהגה שלא כהלכה בהדגמת מוצר עולה יותר מתאריך שנקרא באופן מגושם.

יש גם שילוב היברידי שאף אחד מהספקים לא ימליץ עליו: להשתמש במודל מתארח בזמן אמת עבור המשטח האינטראקטיבי, ובנקודת ביקורת באחסון עצמי עבור מאגר האצווה, ולהעריך אותם על אותו טקסט מוחזק. שתי המערכות נכשלות במקומות שונים, וזה מה שהופך את הפיצול לשווה את העלות התפעולית.

השאלה הפתוחה

דף המוצר של Cartesia אומר שהחברה מדורגת ראשונה ב-Speech Arena. זה היה נכון כשהדף נכתב וזה כבר לא נכון — HeyGen Voice, Qwen-Audio-3.1-TTS-Plus, Eleven v4 Turbo ו-Eleven v4 נמצאים היום כולם מעל Sonic 3.6, והמיקום של Sonic עצמו הוא רביעי. טענות ספקים על טבלאות דירוג מתיישנות בתוך שבועות. ציון ההגייה של 74.5% הוא העובדה העמידה יותר בהשוואה הזו, משום שהוא נמדד על ידי מי שאין לו מוצר למכור, והוא גרוע מספיק עד שתכונת מילון ההגייה של Cartesia עצמה קיימת כדי לעקוף אותו.

מה היה משנה את ההכרעה: מהדורת סטרימינג של Ming-3.0-tts עם זמן עד לאודיו ראשון מפורסם, או Sonic 3.7 שמתקן את הרחבת הקיצורים. אף אחד מהם לא הוכרז. עד אז החלוקה נקייה — מהירות וכיסוי מצד אחד, דיוק ובעלות מצד שני — והתשובה הנכונה היא להפסיק לחפש מנצח ולהתחיל להסתכל על הקורפוס שלך.