Ming-3.0-tts-tiny vs Breeze-TTS-2: Bobot MIT versus Lisensi Non-Komersial

Dua model ucapan berbobot terbuka muncul dalam selang satu bulan satu sama lain dan keduanya tidak bersaing pada sumbu yang sama. Ming-3.0-tts-tiny, dari inclusionAI milik Ant Group, adalah checkpoint mixture-of-experts 7,9B yang mengaktifkan sekitar 1,3B parameter per token, dirilis di bawah MIT, dan mencakup sembilan bahasa termasuk dua dialek Tionghoa. Breeze-TTS-2, dari BreezeBlue, adalah model dense 3B yang hanya mencakup bahasa Inggris dan Tionghoa, menerbitkan kodenya di bawah Apache 2.0, dan merilis bobotnya di bawah lisensi riset dan non-komersial dengan pengecualian hosting berbayar. Pertanyaan utama — mana yang terdengar lebih baik — ternyata menjadi yang paling tidak menentukan, karena entri arena yang tampak seperti skor Ming sebenarnya milik checkpoint yang sama sekali berbeda, dan perbedaan lisensi adalah faktor yang menentukan apakah Anda dapat merilisnya sama sekali. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda sengketa.

Kedua vendor tidak mengumumkan peristiwa ketersediaan umum dalam pengertian biasa, dan kedua fakta itu penting di sini. Bobot Breeze-TTS-2 diunggah pada 25 Agustus 2026, dengan rangkaian desain suara dan latensi menyusul pada 7 Agustus. Ming-3.0-tts-tiny sudah ada di Hugging Face sejak 24 September tetapi baru dapat dijalankan pada 19 Oktober, ketika kode inferensi dan cookbook tugasnya tiba di GitHub. Jadi ini adalah perbandingan dua artefak yang harus Anda hosting sendiri, ditulis sebelum keduanya memiliki harga hosting untuk dikutip, dan diberi label yang sesuai di sepanjang teks.

Mulailah dengan lisensi, karena itu mengakhiri perdebatan bagi sebagian tim

Kedua lisensi tersebut bukan variasi dari izin yang sama. Keduanya merupakan kategori izin yang berbeda.

• Ming-3.0-tts-tiny — MIT, untuk bobot maupun kode. Anda dapat menggunakannya secara komersial, memodifikasinya, mendistribusikannya ulang, dan mengirimkannya dalam produk tertutup. Ant melampirkan catatan penggunaan yang meminta Anda untuk tidak meniru orang tanpa persetujuan dan memberi label pada audio sintetis; itu adalah permintaan dalam dokumentasi, bukan syarat pemberian lisensi.

• Breeze-TTS-2 — Apache 2.0 untuk kode sumber, dan lisensi terpisah "BreezeBlue Research and Non-Commercial License" untuk bobot model. Penggunaan komersial atas keluaran yang dihosting memerlukan langganan BreezeBlue berbayar, dan bahkan dengan demikian, langganan tersebut tidak memperluas hak komersial ke bobot terbuka atau ke keluaran yang Anda hasilkan dengan menghosting sendiri bobot tersebut.

Baca poin kedua itu dengan cermat, karena tafsiran yang tampak jelas justru salah. Membayar BreezeBlue tidak mengubah bobot menjadi sesuatu yang boleh Anda jalankan secara komersial; itu melisensikan jalur yang dihosting. Self-hosting tetap non-komersial terlepas dari apakah Anda berlangganan. Jika rencana Anda adalah "fine-tune model 3B, menaruhnya di balik endpoint kami sendiri, dan menagih untuk itu," lisensi menutup pintu itu dan MIT membiarkannya terbuka. Untuk riset internal, evaluasi, atau prototipe yang tidak akan pernah menerima pembayaran, perbedaan ini tidak memakan biaya.

Ada perbedaan kedua yang terkait lisensi yang menentukan lebih banyak deployment daripada kedua paragraf di atas. Rilis Ming menyertakan pipeline lengkap — backbone, diffusion head, audio tokenizer, speaker encoder, dan text tokenizer — sebagai satu set bobot. Breeze merilis kode dan bobotnya dengan jalur inferensi yang telah dikemas untuk beberapa runtime sekaligus: ekosistem turunan di sekitar Breeze-TTS-2 mencakup build MLX dalam 4-bit dan 8-bit plus port presisi penuh, kuantisasi GGUF, konversi int8 dan int4, build HQQ int4, build ROCm/RDNA4 BF16 dari 18 Oktober, build GPTQ int4 ROCm dari 19 Oktober, fine-tune ComfyUI, dan LoRA Portugis-Brasil yang diterbitkan pada 6 Oktober. Ming-3.0-tts-tiny tidak memiliki itu semua, karena jalur inferensi yang dapat digunakan baru tersedia kurang dari satu hari.

Perbedaan jejaknya kira-kira satu orde besaran

Di sinilah "tiny" tidak lagi berarti kecil. Nama itu menggambarkan parameter aktif per token, bukan memori yang Anda butuhkan.

• Ming-3.0-tts-tiny — 8.980.964.372 parameter dalam BF16 ditambah 40.096 dalam F32 menurut metadata milik Hugging Face sendiri, sekitar 18 GB penyimpanan repositori, dan H800 direkomendasikan dalam catatan lingkungan vendor. Anda membayar memori model 7,9B dan mendapatkan latensi model 1,3B, yang merupakan pertukaran bagus untuk sintesis batch pada perangkat keras sewaan dan buruk untuk apa pun yang menggunakan kartu 12 GB.

• Breeze-TTS-2 — 3B parameter padat, sekitar 7,7 GiB memori GPU dalam mode eager dan sekitar 14,4 GiB dengan --fast-all diaktifkan. BreezeBlue merekomendasikan 12 GB atau 24 GB tergantung jalur yang Anda ambil, dan mendokumentasikan bahwa default Docker-nya menargetkan H100/Hopper sm90 sementara pemilik A100 perlu menyetel FLASH_ATTN_CUDA_ARCHS=80.

• Model konkurensi Ming — titik masuk Python per tugas dengan default tetap: skala panduan 2.0, suhu nol, sepuluh langkah flow, sigma 0.25, seed 1234. Dukungan vLLM-Omni ada di roadmap dan belum dicentang, jadi belum ada jalur serving throughput tinggi saat ini.

• Model konkurensi Breeze — API streaming HTTP dengan konkurensi tunggal yang mengembalikan PCM mono 24 kHz signed 16-bit little-endian, dengan klaim waktu hingga audio pertama di bawah 40 milidetik pada H100 yang telah dipanaskan dan faktor waktu nyata 0,32, yang kira-kira 3,1 kali lebih cepat daripada waktu nyata.

Pasangan terakhir itu adalah ringkasan jujur dari trade-off tersebut. Breeze dirancang untuk latensi streaming pada satu permintaan dalam satu waktu; Ming dirancang untuk throughput per unit komputasi pada aktivasi sparse, dan belum menerbitkan serving stack. Jika produk Anda adalah agen suara live, itu bukan titik awal yang setara. Jika produk Anda adalah batch narasi setiap malam, model konkurensi jauh lebih tidak penting daripada lisensi dan biaya memori.

Cakupan bahasa tidaklah berimbang, dan kesenjangannya hanya satu arah

Breeze-TTS-2 mendukung bahasa Inggris dan Tionghoa. Kartunya menyatakan hal itu tanpa keraguan, dan juga mendokumentasikan peristiwa vokal inline dalam kedua bahasa — (laugh) dan (sigh) dalam bahasa Inggris, [笑] dan [叹气] dalam bahasa Tionghoa — plus kloning dari klip referensi dengan transkrip persisnya dan kontrol pengarahan suara.

Ming-3.0-tts-tiny mencakup bahasa Tiongkok, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, dengan Sichuanese dan Kanton jika diberikan klip referensi dialek. Ini menambahkan kontrol gaya bebas, desain suara dari deskripsi bahasa alami, lebih dari 100 suara bawaan berbahasa Tiongkok dan lima suara berbahasa Inggris, serta 14 tag paralinguistik sebaris. Ini juga melakukan pembuatan podcast multi-pembicara, yang tidak dicoba Breeze.

Masalahnya ada pada tabel multibahasa milik Ant sendiri, dan itu adalah hal pertama yang harus dibaca sebelum menganggap bahwa sembilan mengalahkan dua. Untuk bahasa Korea, Ming-3.0-tts-tiny mencatat tingkat kesalahan karakter 6.000%, peringkat keenam dari delapan sistem yang diuji tolok ukur oleh Ant, dibandingkan 1.728% untuk saudara 0.5B milik Ant sendiri. Untuk bahasa Prancis, sistem ini berada di peringkat kedua dalam tingkat kesalahan, tetapi kemiripan pembicara sebesar 0.733 tidak masuk tiga besar, sebuah keterbatasan yang dinyatakan sendiri di kartunya. Jerman (0.325%) dan Spanyol (0.971%) adalah yang terbaik dalam tabel itu. Jadi pembacaan jujurnya adalah: lima dari tujuh bahasa Ming kredibel, bahasa Korea belum, dan dukungan dialeknya unik tetapi belum terverifikasi di luar harness Ant. Sebaliknya, Breeze tidak mengklaim apa pun yang tidak dicakupnya — dua bahasa, dan setiap hasil di kartunya adalah tentang kedua bahasa itu.

Angka-angka arena, dan mengapa itu bukan adu langsung

Breeze-TTS-2 memiliki skor independen. Ming-3.0-tts-tiny tidak, dan entri yang terlihat seperti itu milik model yang berbeda.

• Breeze-TTS-2 di Artificial Analysis, dibaca dari papan peringkat langsung pada 19 Oktober 2026 — 1.220 Elo pada Provider Voice, di mana setiap model menggunakan susunan suara aslinya sendiri, dan 1.019 pada Controlled Voice, di mana setiap model mengkloning delapan suara referensi yang sama.

• Baris Ming pada papan yang sama — 1.188 Provider dan 1.069 Controlled — tertaut ke Ming-3.0-tts-0.5B, saudara dense ber-backbone setengah miliar, bukan ke checkpoint kecil itu. README GitHub Ant mereproduksi angka-angka ini di bagian hasilnya tanpa pembedaan tersebut. Patut dinyatakan secara eksplisit: tidak ada Elo independen untuk Ming-3.0-tts-tiny, tidak ada angka karakter per detik yang terukur, dan tidak ada tingkat kesalahan kata dari pihak ketiga.

• Papan peringkat milik halaman proyek itu sendiri mencantumkan Breeze pada 1.222 Provider dan 1.018 Controlled, selisih dua poin dari papan langsung di masing-masing arah. Begitulah tampilan sebuah papan saat masih mengumpulkan suara; kutip angka langsungnya dan catat pembulatannya jika Anda membandingkan dokumen.

• Pada papan terkontrol, urutan sistem open-weight adalah Ming-3.0-tts-0.5B di 1.069, Fish Audio Drama 3 Preview di 1.059, Breeze-TTS-2 di 1.019. Pada papan penyedia, Breeze memimpin kelompok itu di 1.220, dengan Ming-3.0-tts-0.5B di 1.188. Jadi, model Ming yang kecil menang ketika suaranya dijaga konstan dan kalah ketika setiap sistem membawa kumpulan suaranya sendiri — yang menunjukkan sesuatu tentang rekaman suara BreezeBlue dan sangat sedikit tentang arsitekturnya.

Semua itu tidak berlaku pada checkpoint mungil tersebut ke arah mana pun. Pembaca dapat secara wajar menyimpulkan bahwa model mixture-of-experts 7,9B dengan skor kemiripan penutur bahasa Mandarin yang lebih baik daripada saudaranya yang 0,5B akan memperoleh skor lebih tinggi di papan terkontrol. Inferensi itu belum diuji, bukanlah angka, dan artikel ini tidak akan menyajikannya sebagai angka.

Untuk apa masing-masing sebenarnya

Jika daftar spesifikasinya dikesampingkan, kedua model tersebut sebenarnya memecahkan masalah yang berbeda.

Breeze-TTS-2 adalah rilis yang mengutamakan penerapan. Dua bahasa, jejak padat 3B yang muat di kartu 12 GB dalam mode eager, API streaming dengan jalur latensi yang terdokumentasi, container yang menyasar Hopper pusat data tetapi dapat dibangun ulang untuk A100, dan ekosistem port terkuantisasi serta spesifik runtime yang muncul dalam delapan minggu setelah bobot dirilis. Jumlah unduhannya — 14.636 dalam sebulan terakhir, dengan 747 suka dan 17 Spaces — adalah gambaran adopsi ketika sebuah model mudah dijalankan. Kendalanya adalah lisensi: bobot untuk riset dan nonkomersial, dengan jalur hosting berbayar yang tidak memberi Anda hak self-hosting komersial.

Ming-3.0-tts-tiny adalah rilis yang mengutamakan kemampuan. Sembilan bahasa, kontrol dialek, desain suara, sistem paralinguistik 14 tag, pembuatan podcast multi-pembicara, dan skor suara hasil kloning terbaik di keluarganya sendiri pada kemiripan penutur bahasa Mandarin 0,781. Kendalanya adalah segala hal di sekitar kemampuan tersebut: unduhan 18 GB, aktivasi sparse yang membutuhkan memori GPU nyata, strategi serving yang sekadar centang roadmap, tidak ada benchmark independen, dan tidak ada pengumuman. Dua puluh unduhan dan tiga likes di Hugging Face, lima bintang di GitHub, dan dua belas commit dokumentasi dalam satu sore menunjukkan bahwa vendor masih menulis manualnya.

Jika Anda perlu merilis fitur suara bilingual kuartal ini pada perangkat keras yang sudah Anda miliki, Breeze-TTS-2 dengan pengaturan komersial adalah jalur yang lebih singkat, dan lisensi adalah hal yang perlu dinegosiasikan, bukan perhitungan matematisnya. Jika Anda memerlukan bahasa Jerman, Spanyol, Jepang, Kanton, atau format podcast, Breeze tidak dapat membantu Anda dan Ming adalah satu-satunya opsi berbobot terbuka dengan tabel yang dipublikasikan — asalkan Anda dapat menyerap kebutuhan memori dan menerima bahwa bahasa Korea belum siap.

OrcaRouter tidak merutekan salah satu dari kedua model ini, dan artikel ini tidak boleh dibaca sebagai isyarat sebaliknya. Yang ada di katalog adalah bagian teks dari pipeline yang menjadi tempat suara-suara ini terhubung: lebih dari 200 model di balik satu kunci, dengan harga daftar penyedia tanpa tambahan markup, sehingga perubahan harga vendor langsung berlaku di sisi kami pada hari yang sama alih-alih menunggu siklus penyegaran. Ketika Anda membandingkan dua checkpoint yang di-hosting sendiri dan keduanya tidak memiliki tarif hosting, satu-satunya tagihan berulang yang benar-benar bisa Anda kendalikan adalah model yang menulis skrip, dan itulah bagian yang layak dirutekan alih-alih menyewa GPU untuknya.

Putusan yang bertahan setelah bukti ditimbang lebih sempit daripada yang disiratkan oleh selisih Elo. Dalam penerapan komersial yang benar-benar sebanding, lisensi MIT yang menentukan sebelum satu pun tolok ukur dibaca. Untuk pekerjaan bilingual yang sensitif terhadap latensi, rekayasa Breeze yang menentukan sebelum lisensinya. Dan untuk pertanyaan yang paling banyak dicari pembaca — apakah model yang lebih besar terdengar lebih baik — jawaban jujurnya adalah belum ada yang mengukurnya, baris arena yang akan dikutip semua orang adalah checkpoint yang salah, dan orang pertama yang menjalankan keduanya pada audio referensi yang sama akan menghasilkan satu-satunya angka yang layak dikutip.