GPT-Live-1 vs Ming-3.0-TTS: Lisensi MIT Bertemu Menit Berbayar

Ming-3.0-TTS hadir pada 20 Oktober 2026 dengan lisensi yang paling diimpikan tim suara: MIT, bobot di Hugging Face dan ModelScope, kode inferensi di GitHub, tanpa biaya per karakter, serta bahasa Sichuan dan Kanton dalam daftar bahasanya. GPT-Live-1 berbiaya $0,05 setiap menit, tidak menyertakan bobot, dan berbicara dalam bahasa yang disetel OpenAI untuknya. Membandingkan keduanya sebenarnya bukan pertanyaan kualitas. Ini adalah pertanyaan tentang bahasa yang benar-benar digunakan pelanggan Anda dan apakah Anda bersedia menjalankan GPU untuk melayani mereka.

Keduanya nyata, keduanya terkini, dan keduanya unggul dalam hal-hal yang tidak bisa dilakukan oleh yang lain. Berikut perincian yang jujur.

Keluarga Ming terdiri dari dua model, bukan satu.

Tim inclusionAI milik Ant Group telah merilis Ming-3.0-TTS sebagai open source dalam bentuk sepasang model yang berbagi satu kerangka generasi — sebuah model bahasa yang menyuplai patch head transformer difusi dan sebuah tokenizer audio.

• Ming-3.0-TTS-0.5B — padat, sekitar 500 juta parameter pada backbone Qwen2.5-0.5B, unduhan 2,96 GB, berjalan di H800-80GB atau H20-96G.

• Ming-3.0-TTS-Tiny — model mixture-of-experts yang dibangun di atas arsitektur Ling V3 milik Ant, total 7,9 miliar parameter dengan 1,3 miliar parameter aktif, dan model yang menambahkan mode podcast multi-pembicara.

0,5B adalah yang menarik bagi siapa pun yang pernah menghitung biaya produk suara. Model TTS berparameter setengah miliar yang muat dalam tiga gigabita bukanlah komitmen pusat data; itu hanya satu GPU yang mungkin sudah Anda miliki. Tiny adalah pilihan untuk kualitas, dan catatan Ant sendiri menyebut keluaran podcast-nya di bawah Ming-Omni-TTS sebelumnya — sebuah keterbatasan yang jujur, dan layak diterima apa adanya.

Rangkaian fitur: kloning suara zero-shot, desain suara dari deskripsi teks, lebih dari 100 suara Mandarin bawaan dan 5 suara Inggris, 14 tag paralinguistik inline untuk tawa, desahan, dan napas, kontrol gaya bahasa alami, serta output 44,1kHz. Bahasanya adalah Mandarin, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, plus dialek Sichuan dan Kanton.

Apa yang ditawarkan GPT-Live-1 sebagai gantinya

Model OpenAI adalah mesin percakapan, bukan sintesiser dengan antarmuka skrip. Tersedia di API sejak 10 September 2026, ia menerima audio dan teks sebagai masukan, mengembalikan audio dan teks sebagai keluaran, mendengarkan saat berbicara, dan meneruskan penalaran ke model teks ketika suatu pertanyaan memerlukannya. Satu endpoint: v1/live/sessions. $0,05 per menit, ditagih per detik. Batas pengetahuan Juli 2025, tidak ada jendela konteks yang didokumentasikan, dan tidak ada akses tingkat Gratis.

Tidak ada dukungan dialek yang terdokumentasi, tidak ada pengkloningan suara, tidak ada penagihan per karakter, dan tidak ada cara untuk menyerahkan naskah 4.000 karakter kepadanya lalu menerima kembali file. Yang dimilikinya adalah mekanisme giliran bicara yang berfungsi — hal yang setiap agen suara kaskade habiskan enam bulan untuk menyetelnya dan tetap keliru saat saluran teleponnya buruk.

Pertanyaan bahasa datang lebih dulu

Jika pengguna Anda berbicara bahasa Mandarin, Kanton, atau Sichuan, perbandingan ini berakhir lebih awal. Ming-3.0-TTS dibangun untuk bahasa-bahasa tersebut, menerbitkan tingkat kesalahan kata per bahasa, dan menyediakan suara yang terdengar asli, bukan hasil adaptasi. Dokumentasi GPT-Live-1 sama sekali tidak menjelaskan penanganan dialek, dan penerapan yang dapat kami amati — ChatGPT Voice, dan kini mode suara Perplexity — adalah produk yang mengutamakan bahasa Inggris.

Jika pengguna Anda hanya berbicara bahasa Inggris, keunggulan Ming menyusut menjadi lisensi dan harganya, dan keunggulan GPT-Live-1 menjadi seluruh lapisan percakapan. Itulah percabangan yang sebenarnya, dan itu tidak ada hubungannya dengan Elo.

Satu-satunya area di mana keluasan bahasa Ming benar-benar strategis adalah produk yang harus melayani beberapa pasar sekaligus — Jerman, Spanyol, Korea, dan Jepang dalam satu rilis. Ant melaporkan tingkat kesalahan kata Jerman dan Spanyol terbaiknya pada varian Tiny, sambil mencatat bahwa kemiripan penutur lebih lemah pada bahasa-bahasa yang lebih baru dan sebagian besar berada di luar tiga teratas. Terjemahan: cakupan luas, kesetiaan tidak merata, dan Anda sebaiknya melakukan uji coba per pasar daripada mempercayai daftar tersebut.

Klaim $0, diaudit

Ming gratis dalam arti lisensinya tidak memakan biaya. Namun bukan gratis dalam arti menyajikannya tidak memakan biaya, dan setiap artikel "zero-cost TTS" diam-diam melewatkan langkah tersebut.

Artificial Analysis sama sekali tidak mencatat harga untuk Ming-3.0-TTS — kolom tersebut terbaca N/A, karena tidak ada API komersial yang dihosting dari inclusionAI untuk diberi harga. Biaya Anda adalah waktu GPU, dan formula yang jujur adalah: (tarif per jam GPU ÷ karakter yang disintesis per jam) × 1.000.000. Isi sendiri suku kedua tersebut. Tidak ada yang menerbitkan angka throughput untuk model 0,5B, jadi angka per juta apa pun yang Anda baca online — termasuk titik impas $6,58 yang beredar dalam perbandingan — bertumpu pada asumsi tentang kecepatan yang belum diterbitkan oleh para penulis model.

Apa yang bisa dikatakan tanpa mengarang angka: dengan {{1}}sewa $2 per GPU-jam{{/1}}, Anda perlu menyintesis sekitar setengah juta karakter per jam agar berada di bawah {{2}}$4 per juta{{/2}} — laju yang mengharuskan model berjalan beberapa kali lebih cepat daripada waktu nyata, yang secara masuk akal dapat dilakukan oleh {{3}}model 0,5B{{/3}} dan secara masuk akal tidak dapat dilakukan oleh {{4}}MoE 7,9B{{/4}}. Ukur hal itu sebelum Anda membangun kasus bisnis berdasarkan hal itu.

Dibandingkan dengan GPT-Live-1, perhitungannya lebih rapi justru karena meterannya linier: satu jam percakapan adalah $3,00, dengan penalaran backend ditagih terpisah. Tidak ada risiko utilisasi, tidak ada GPU yang harus diawasi, dan tidak ada asumsi yang harus Anda pertahankan dalam rapat anggaran.

Mengapa keduanya melaporkan 93,2%?

Sebuah keanehan yang akan membingungkan siapa pun yang membandingkan lembar data: Ming-3.0-TTS melaporkan keandalan pengucapan 93,2% pada pengukuran Artificial Analysis, dan mengklaim peringkat pertama secara keseluruhan. Drama 3 dari Fish Audio melaporkan 93,2% yang sama dan juga mengklaim peringkat pertama. Dua laboratorium, dua arsitektur, satu angka yang identik hingga satu angka desimal.

Anggap itu sebagai bukti adanya batas atas, bukan penentu seri. Fraksi yang tersisa terkonsentrasi pada kasus-kasus yang membuat semua model TTS gagal: string alfanumerik, nama diri yang tidak lazim, angka yang dibaca dalam konteks, dan homograf. Model mana yang menang untuk Anda bergantung pada apakah konten Anda berisi nomor suku cadang atau puisi, dan hanya set evaluasi Anda sendiri yang dapat menjawabnya.

Di atas panggung, dengan catatan-catatan yang menyertainya.

Pada Provider Voice Arena yang diambil pada 29 Oktober 2026, Ming-3.0-TTS berada di 1187 Elo, peringkat ketiga di antara entri berbobot terbuka di belakang Drama 3 dengan 1240 dan Breeze TTS 2 dengan 1228, dan peringkat yang dilaporkan repositori milik Ant sendiri sebagai ketiga di antara model berbobot terbuka di papan ini. Pada papan Controlled Voice, tempat setiap model mengkloning delapan suara yang sama, repositori milik Ant sendiri mengklaim peringkat pertama di antara model berbobot terbuka dengan 1069 Elo dan peringkat ketiga belas secara keseluruhan.

GPT-Live-1 tidak muncul di papan peringkat tersebut, karena model ini bukan model text-to-speech dalam pengertian mereka. Skornya berada di tempat lain: 83,2 pada Speech-to-Speech Index, peringkat kedua dari 21, dan 1037–1041 pada Speech Agent Arena dengan keberhasilan tugas antara 87,4% dan 90,9%. Instrumen berbeda, skala berbeda, tidak boleh dilakukan pengurangan.

Di mana masing-masing kalah

Ming kalah dalam percakapan, titik. Ia tidak dapat mendengar, tidak dapat menyela, tidak dapat memutuskan untuk berhenti berbicara. Penerapan apa pun yang membutuhkan manusia di ujung lain saluran tidak termasuk cakupan, sekalipun suaranya bagus.

Ming juga kalah dalam kesederhanaan operasional untuk tim kecil. GPU adalah perangkat yang bisa mati pada pukul 3 pagi, membutuhkan driver yang cocok, dan diam-diam menurun performanya saat penyewa lain berbagi kartu tersebut. Lisensi MIT tidak mencakup insinyur on-call.

GPT-Live-1 kalah dalam struktur biaya untuk pekerjaan yang padat teks dan dalam hal kendali atas suara merek. Suara model yang sudah tetap berarti Anda tidak dapat merilis suara seorang pendiri atau karakter berlisensi. Dan pengukur per menit justru menghukum tepat beban kerja yang paling unggul untuk TTS: keluaran panjang, berskrip, dan berulang yang tidak menuntut siapa pun untuk mendengarkan.

Sudut routing yang benar-benar berlaku

Tidak satu pun dari keduanya ada di OrcaRouter, dan perlu dikatakan terus terang: Ming-3.0-TTS adalah open weights yang di-host sendiri tanpa endpoint hosted untuk dirutekan, dan GPT-Live-1 hanya mengekspos satu endpoint sesi yang tidak kami layani. Yang kami rutekan adalah model penalaran di balik agen suara berbahasa Mandarin — model Qwen3.8 Max, GLM-5.3, Kimi K3, dan Gemini berada di balik satu kunci dengan failover otomatis, dengan harga daftar penyedia yang diteruskan dengan markup 0%.

{{1}}Untuk penerapan bilingual{{/1}} yang lebih penting daripada kedengarannya. Pilihan TTS biasanya dibuat sekali, berdasarkan cakupan bahasa; model penalaran di baliknya diganti saat harga bergerak dan checkpoint berbahasa Mandarin baru tersedia. Menjaga jalur itu tetap dapat dirutekan adalah bentuk pencegahan masa depan termurah di dalam stack.

Yang mana yang akan dijadikan dasar

Bangun di atas Ming-3.0-TTS jika produk menggunakan bahasa Mandarin atau melayani beberapa pasar Asia dan Eropa, jika Anda mengendalikan GPU, dan jika output-nya berskrip, bukan percakapan. Lisensi MIT adalah aset strategis yang nyata: lisensi ini tidak dapat dicabut, diubah harganya, atau dibatasi lajunya, dan varian 0.5B menjadikan hambatan untuk mencobanya sekitar satu sore.

Bangun di atas GPT-Live-1 jika produknya adalah percakapan dalam bahasa Inggris dan standar kualitasnya adalah "apakah terasa seperti seseorang di telepon". Anda akan membayar $0,05 per menit selamanya dan tidak memiliki apa pun, dan Anda akan mendapatkan satu kemampuan yang belum pernah dirilis oleh bidang open-weights pada kualitas ini: model yang mendengarkan sambil berbicara.

Jangan membangun berdasarkan salah satunya hanya karena papan peringkat bilang begitu. Ming 1187 dan Live 83.2 adalah dua instrumen berbeda yang diarahkan ke dua pekerjaan berbeda, dan satu-satunya perbandingan yang bertahan saat berhadapan dengan deployment nyata adalah perbandingan yang Anda jalankan pada audio Anda sendiri.