Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS: Bobot Gratis Melawan 78 Poin Elo

Letakkan Ming-3.0-tts-0.5B di samping Qwen-Audio-3.0-TTS dan hal pertama yang Anda sadari adalah bahwa keduanya bukan jenis objek yang sama. Ming adalah checkpoint 2,96 GB yang Anda unduh, dilisensikan di bawah MIT, dan jalankan di GPU Anda sendiri. Qwen-Audio-3.0-TTS, dalam tingkat kualitas yang Alibaba daftarkan sebagai Qwen-Audio-3.0-TTS-Plus, adalah endpoint terkelola di Alibaba Cloud Model Studio tanpa bobot di mana pun. Di arena ucapan Artificial Analysis yang independen, model terkelola tersebut mencetak 1.266 Elo dan model yang dapat diunduh mencetak 1.188 — selisih 78 poin tanpa tumpang tindih pada dua interval kepercayaan. Selisih itu nyata. Seberapa berharga bergantung pada apakah Anda membeli suara atau membeli aset. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri membawa sumber, tingkat keparahan, nilai keyakinan, dan tanda yang diperdebatkan tersendiri.

Jawaban singkatnya, sebelum buktinya

Jika suara ini dirilis dalam sebuah produk kuartal ini dan orang lain harus siaga saat terjadi masalah, Qwen-Audio-3.0-TTS-Plus adalah pilihan yang lebih baik dan selisihnya tidak tipis. Jika Anda membangun konten yang mengutamakan bahasa Mandarin, membutuhkan desain suara atau kontrol dialek, atau tidak bisa menerima penagihan per karakter, Ming-3.0-tts-0.5B adalah satu-satunya dari keduanya yang bisa menjadi milik Anda. Tidak ada dari kedua jawaban itu yang bertahan tanpa perubahan saat berhadapan dengan spreadsheet anggaran, dan itulah yang dibahas di sisa artikel ini.

Apa sebenarnya masing-masing model

Ming-3.0-tts-0.5B adalah rilis open-weight Ant Group dari inclusionAI, dibangun di atas backbone Qwen2.5-0.5B dengan head diffusion-transformer dan tokenizer audio terpisah. Dirilis secara senyap dalam dua tahap — bobot di Hugging Face pada September 2026, kode inferensi di GitHub pada 19 Oktober — dan Ant belum mengumumkannya. Paket ini mencakup encoder pembicara dan tokenizer teks, menghasilkan audio 44,1 kHz, serta mendukung kloning, desain suara dari deskripsi teks, 14 tag paralinguistik sebaris, kontrol emosi dan atribut, tujuh bahasa, dan dua dialek Tionghoa.

Qwen-Audio-3.0-TTS adalah lini sintesis terkelola Alibaba, diluncurkan pada 20 Juli 2026, dalam dua tingkat: Flash untuk pekerjaan waktu nyata dan Plus untuk kualitas maksimum. Tingkat Plus adalah yang memiliki posisi terukur di arena, dan itulah tingkat yang dirujuk oleh setiap angka di bawah ini. Layanan ini mencakup 16 bahasa plus 20 wilayah dialek Tionghoa, mendukung kloning suara dan sekitar 86 tag penyampaian inline, serta hanya dapat diakses melalui API Alibaba. Tidak ada bobot, tidak ada penerapan lokal, dan tidak ada lisensi untuk diaudit.

Satu keanehan penanggalan yang layak dicatat karena Anda akan melihat kedua tanggal: Alibaba meluncurkan lini tersebut pada Juli, tetapi baris arena untuk model Plus mencantumkan tanggal rilis 15 September 2026. Kami membacanya sebagai tanggal revisi yang diberi skor atau daftar tersebut terbit, bukan model kedua. Jika Anda mengutip tanggal rilis dalam dokumen, 20 Juli adalah peluncuran dan 15 September adalah pembukuan arena.

Angka-angka yang memisahkan mereka

{{1}}Arena Elo{{/1}}, {{2}}Suara Penyedia{{/2}} — Ming-3.0-tts-0.5B 1,188 (interval {{3}}1,173–1,203{{/3}}) vs Qwen-Audio-3.0-TTS-Plus 1,266 ({{4}}1,252–1,280{{/4}}). Interval-interval tersebut tidak bersinggungan.

Arena Elo, Suara Terkendali — Ming 1.069 (1.053–1.085) vs Qwen-Plus 1.126 (1.113–1.139). Masih ada selisih yang jelas, 57 poin, pada suara hasil kloning yang dipertahankan konstan di semua model.

• Harga — Ming tidak punya; Anda membayar untuk komputasi. Qwen-Plus tercantum seharga $19.31 per juta karakter pada kolom harga ternormalisasi arena.

• Throughput — Ming 42,1 karakter per detik waktu generasi vs Qwen-Plus 25,6, diukur pada harness independen yang sama.

• Bobot — checkpoint berlisensi MIT vs tanpa bobot.

• Bahasa — tujuh ditambah Sichuan dan Kanton vs 16 ditambah 20 wilayah dialek Tionghoa.

• Permukaan kontrol — instruksi bebas, desain suara, 14 tag paralinguistik, emosi/kecepatan/nada/volume eksplisit vs sekitar 86 tag inline dan kontrol penyampaian bergaya instruksi.

Hasil throughput adalah yang mengejutkan orang. Model dense setengah miliar parameter dengan bundel 2,96 GB melampaui tier Plus hosted Alibaba sekitar 65% dalam karakter per detik pada pengukuran independen. Itu bukan celaan terhadap Qwen — endpoint hosted disediakan untuk konkurensi, dan angka throughput arena adalah satu permintaan pada satu waktu — tetapi itu berarti model kecil bukan yang lambat dalam perbandingan ini.

Dari mana asal 78 poin itu

Preference Elo tidak memberi tahu Anda apa yang salah. Mendengarkan kedua sistem pada teks yang sama akan memberi tahu Anda, dan polanya konsisten dengan apa yang diakui oleh kartu model Ant sendiri.

Ant mempublikasikan kelemahannya dengan bahasa yang luar biasa terus terang: kemiripan penutur tertinggal dari akurasi konten, kemiripan bahasa Prancis adalah celah multibahasa yang paling jelas, kalimat paralinguistik multiperistiwa masih tidak stabil, dan desain suara terbuka belum menyamai sistem terkuat yang dievaluasi. Di arena, hal itu terlihat sebagai suara kloning yang kompetitif — pertama di antara model open-weights pada papan terkontrol — dan kumpulan suara native yang tidak demikian. Peringkat suara penyedia Ming, ke-19 dari 98, ditarik turun oleh lebih dari 100 suara bawaan Tionghoa dan lima suara bawaan Inggris, bukan oleh jalur kloning.

Keunggulan Qwen adalah bentuk yang berlawanan. Suara bawaannya adalah produknya; tier Plus dirancang agar terdengar selesai sejak awal, dan hasil pengukurannya memang demikian baik dalam pengaturan penyedia maupun terkontrol. Qwen juga memiliki cakupan bahasa yang berasal dari perusahaan yang menjalankan cloud: 16 bahasa dan 20 wilayah dialek Tionghoa, dibandingkan dengan tujuh dan dua milik Ming.

Menyangkut akurasi, bukan preferensi, perbandingannya lebih tipis daripada yang disiratkan oleh selisih Elo. Qwen-Audio-3.0-TTS tidak memiliki tabel tingkat kesalahan kata terbitan dari Alibaba yang dapat kami verifikasi terhadap set pengujian umum, dan angka Seed-TTS milik Ming — 0,800% untuk bahasa Mandarin, 1,584% untuk bahasa Inggris — adalah milik Ant sendiri, diukur pada harness Ant dengan pengaturan yang direkomendasikan Ant. Kedua pihak tidak memberi Anda tingkat kesalahan yang benar-benar sebanding. Yang Anda miliki adalah skor preferensi untuk keduanya dan tabel vendor untuk salah satunya.

Dua model penagihan, dan meteran yang tidak dicetak oleh siapa pun

Perbandingan harganya bukan $19,31 versus nol. Ini adalah meteran per karakter versus meteran per jam GPU, dan yang kedua tidak terlihat sampai tim keuangan Anda memintanya.

Q​wen menagih per karakter teks masukan. Dengan $19.31 per juta karakter, satu juta karakter narasi yang sudah jadi membutuhkan biaya $19.31, dan angkanya berskala linear serta dapat diprediksi. Anda dapat memasukkannya ke spreadsheet sebelum menulis satu baris kode.

Ming menagih dalam waktu GPU. Rilis ini telah diuji pada H800-80GB dan H20-96G, membutuhkan PyTorch 2.6 dengan CUDA 12.4, dan menyertakan Dockerfile tetapi tidak ada endpoint yang di-hosting. Pada 42,1 karakter per detik yang diukur arena, satu juta karakter memerlukan sekitar 6,6 jam generasi pada kelas perangkat keras tersebut, sebelum menghitung pemuatan model, antrean, atau permintaan yang gagal. Apakah itu lebih murah daripada $19,31 sepenuhnya bergantung pada biaya per jam GPU Anda dan seberapa penuh Anda memanfaatkannya — dan itulah perhitungan yang menentukan pertandingan ini bagi sebagian besar tim.

Di sinilah lapisan perutean membuktikan nilainya tanpa berpura-pura menghosting salah satu dari kedua model itu. OrcaRouter tidak menyediakan Ming-3.0-tts-0.5B atau Qwen-Audio-3.0-TTS, dan tidak ada di sini yang boleh menyiratkan sebaliknya; keduanya diakses melalui saluran masing-masing, A​libaba's Model Studio untuk Q​wen dan infrastruktur Anda sendiri untuk Ming. Yang kami sediakan adalah sisi teks dari pipeline yang sama pada harga daftar penyedia dengan tambahan markup 0% — jadi perubahan harga dari penyedia teks yang kami rutekan menjadi harga Anda pada hari yang sama — dengan failover otomatis antarpenyedia untuk model yang menulis skrip, memberi label emosi, atau menjalankan agen. Ucapan adalah separuh yang mahal dan lambat dari sebuah produk suara; separuh yang berada di depannya seharusnya tidak juga menjadi yang rapuh.

Masalah penerus

Ada model ketiga yang termasuk dalam keputusan ini dan tidak disebutkan di judul: Qwen-Audio-3.1-TTS-Plus, dirilis 24 September 2026. Model ini mencetak 1.300 Elo di arena yang sama — 34 poin di atas tier 3.0 Plus — dengan biaya yang sama $19.31 per juta karakter.

Baca lagi sebagai pembeli. Alibaba merilis model yang lebih baik lima minggu setelah model dalam perbandingan ini, dengan harga yang tidak berubah, pada keluarga endpoint yang sama. Siapa pun yang memilih Qwen-Audio-3.0-TTS hari ini sedang memilih model yang telah digantikan oleh vendornya sendiri tanpa diskon. Tingkat 3.0 tetap terdaftar dan tetap bagus — 1.266 Elo berada di peringkat keenam dari 98 — tetapi pilihan hosted yang tepat dalam keluarga ini sekarang adalah 3.1, bukan 3.0.

Ming tidak memiliki masalah semacam itu karena tidak punya penerus dan tidak punya irama pembaruan. Itu adalah keuntungan nyata bagi tim yang menginginkan artefak stabil dan risiko nyata bagi tim yang menginginkan suara terbaik yang tersedia dalam enam bulan. Rilis tanpa pengumuman tanpa komitmen peta jalan bisa senyap ke arah mana pun.

Siapa yang harus memilih yang mana?

Pilih Qwen-Audio-3.1-TTS-Plus — bukan 3.0 — jika Anda menginginkan kualitas tertinggi yang terukur di keluarga ini dengan harga per karakter yang sudah diketahui, membutuhkan cakupan bahasa yang luas, atau ingin pihak lain yang bertanggung jawab atas uptime. Terima meterannya dan terima kenyataan bahwa tingkat berikutnya akan datang tanpa peringatan.

Pilih Ming-3.0-tts-0.5B jika suara harus berjalan di dalam perimeter Anda sendiri, jika konten Anda mengutamakan bahasa Mandarin dan memerlukan bahasa Sichuan atau Kanton, jika Anda ingin merancang suara dari sebuah deskripsi alih-alih memilih dari daftar kandidat, atau jika volume Anda cukup tinggi sehingga GPU yang sudah Anda miliki lebih hemat daripada tagihan per karakter. Sediakan anggaran untuk sisi rekayasanya: lingkungannya dipatok pada versi tertentu, normalisasi teks membutuhkan pustaka FST yang tidak memiliki wheel universal, dan satu-satunya angka throughput yang dipublikasikan berasal dari satu harness independen.

Untuk saat ini, jangan pilih keduanya jika Anda memerlukan kontrak dukungan. Ming tidak memiliki pengumuman, tidak ada opsi hosted, dan tidak ada komitmen dukungan yang dinyatakan; Q​wen memiliki ketiganya, tetapi tier 3.0 bukan lagi yang perlu dibeli. Ringkasan jujurnya adalah ini bukan pertarungan yang adil dan memang tidak pernah dimaksudkan demikian — yang satu adalah rilis riset dengan lisensi dan yang lainnya adalah produk cloud dengan daftar tarif — dan pertanyaan yang berguna adalah mana dari dua hal itu yang sebenarnya dibutuhkan proyek Anda.