Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS: Satu Punya Daftar Tarif, yang Lain Punya Repositori

Perbandingan yang semua orang inginkan adalah dua skor berdampingan, dan itu tidak dapat dilakukan secara jujur saat ini. Ming-3.0-tts-tiny adalah checkpoint ucapan mixture-of-experts dengan 7,9 miliar parameter dari inclusionAI milik Ant Group, dirilis sebagai bobot di bawah MIT tanpa endpoint yang dihosting dan tanpa evaluasi independen. Qwen-Audio-3.0-TTS adalah endpoint sintesis yang dihosting di A​libaba Cloud Model Studio, diluncurkan pada 20 Juli 2026, dijual dalam tier Flash dan tier Plus, tanpa bobot di mana pun dan tanpa tabel tingkat kesalahan yang dipublikasikan. Satu sisi memiliki posisi papan peringkat dan harga. Sisi lainnya memiliki pipeline yang dapat diunduh dan rangkaian benchmark vendor. Pekerjaan yang berguna di sini bukanlah memilih pemenang dari dua artefak tersebut; melainkan menentukan angka mana yang boleh diletakkan berdampingan, dan mana yang tidak. Kegagalan AI terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan di the OrcaRouter AI Incident Archive di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda yang diperdebatkan.

Tanggal-tanggal itu penting, karena tidak ada produk yang muncul sebagaimana disiratkan oleh postingan peluncuran. Repositori Hugging Face Ming-3.0-tts-tiny dibuat pada 22 September 2026 dan checkpoint-nya sendiri diunggah pada 24 September. Selama tiga setengah minggu, isinya hanyalah folder bobot tanpa cara untuk menjalankannya: kode inferensi, contoh sekali klik, dan buku resep tugas baru tiba di GitHub pada 19 Oktober pukul 08.58 UTC, dalam sembilan commit sepanjang satu sore. Ant belum mengumumkannya, tidak ada postingan blog, tidak ada video kartu model, dan tidak ada laporan teknis. Sebaliknya, Qwen-Audio-3.0-TTS benar-benar diluncurkan dan masih tercantum di daftar tarif Alibaba — dan tingkat yang penting untuk kualitas, Plus, masih menjadi puncak tangga sintesis Alibaba bahkan setelah generasi 3.1 hadir pada September.

Baris papan peringkat adalah checkpoint yang salah, dan repositori tidak menyatakan demikian.

Mulai dari sini, karena inilah kesalahan yang akan dilakukan oleh gelombang pertama postingan perbandingan. Artificial Analysis mengelola dua papan ucapan, dan keduanya memuat model bernama Ming-3.0-tts. Per 19 Oktober, model itu berada pada 1.188 Elo di papan Provider Voice dan 1.069 di papan Controlled Voice.

Entri itu adalah 0.5B model, bukan yang ini. Ming-3.0-tts-tiny sama sekali tidak memiliki baris arena — tidak diperingkat, tidak masuk nonperingkat, bukan entri pratinjau. README GitHub mereproduksi angka 1.188 dan 1.069 di bagian hasilnya tanpa membedakan checkpoint mana yang menghasilkannya, yang persis merupakan cara sebuah angka mendapatkan label yang salah dua kali repost kemudian.

Jadi, saat Anda melihat "Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266", yang sebenarnya dibandingkan adalah model dense setengah miliar parameter milik Ant dengan tier hosted terbesar Alibaba, sementara model yang ada di judul artikel ini tidak ada di papan peringkat. Selisih 78 poin itu nyata untuk model 0,5B. Itu tidak mengatakan apa pun tentang MoE mungil tersebut, ke arah mana pun. Model mungil itu mungkin lebih baik; belum ada yang menempatkannya di depan panel preferensi.

Ketidakhadiran bukanlah skor rendah. Itu adalah model yang tidak diberi skor, dan perbedaan itulah alasan utama bagian ini ada.

Apa sebenarnya masing-masing pihak itu

Singkirkan pemasarannya, dan kedua objek itu berbeda jenis sebelum berbeda kualitas.

• Bentuk — Ming-3.0-tts-tiny adalah checkpoint yang Anda unduh: sekitar 18 GB, 8.980.964.372 parameter dalam BF16 ditambah 40.096 dalam F32, berisi backbone Ling V3, head diffusion-transformer, tokenizer audio, encoder speaker CAM++ dan tokenizer teks. Qwen-Audio-3.0-TTS adalah endpoint HTTP yang mengembalikan audio; tidak ada yang perlu diunduh dan tidak ada lisensi yang perlu diaudit.

• Parameter — total 7.9B dengan sekitar 1.3B aktif per token, campuran pakar yang sparse, dibandingkan dengan model yang dihosting yang A​libaba tidak mempublikasikan jumlah parameternya.

• Lisensi — MIT untuk bobot maupun kode, dengan catatan penggunaan yang meminta Anda untuk tidak menyamar sebagai orang lain tanpa persetujuan dan memberi label pada audio sintetis. Di sisi hosted, berlaku ketentuan API komersial.

• Bahasa — Tionghoa, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, ditambah bahasa Sichuan dan Kanton jika diberikan klip referensi dialek. Qwen-Audio-3.0-TTS mencantumkan 16 bahasa dan 20 wilayah dialek Tionghoa.

• Permukaan kontrol — pengklonan zero-shot, desain suara dari deskripsi, instruksi gaya bebas, 14 tag paralinguistik inline, emosi eksplisit, pengaturan kecepatan, pitch, dan volume, serta tugas podcast multipembicara. Qwen-Audio-3.0-TTS menyediakan pengklonan plus sekitar 86 tag penyampaian inline dan kontrol bergaya instruksi.

• Harga — tidak ada tarif yang tercantum di sisi Ming-3.0-tts-tiny; Anda membayar untuk waktu GPU. Qwen-Audio-3.0-TTS-Plus adalah ¥1,4 per 10.000 karakter pada daftar harga Beijing A​libaba, yang dinormalisasi oleh Artificial Analysis menjadi $19,31 per juta karakter.

• Skor independen — tidak ada untuk Ming-3.0-tts-tiny. 1.266 Elo pada Provider Voice dan 1.126 pada Controlled Voice untuk Qwen-Audio-3.0-TTS-Plus, keduanya dengan interval kepercayaan yang tidak menyentuh 1.188 dan 1.069 pada baris Ming-3.0-tts.

Dua jenis bukti yang tidak dapat dikonversi satu sama lain

Arena mengukur preferensi. Tabel Ant mengukur kesalahan dan kemiripan. Keduanya tidak saling bertransformasi, dan godaan untuk memperlakukan selisih Elo sebagai pengali kualitas harus ditolak.

Yang diberikan Qwen-Audio-3.0-TTS kepada Anda adalah penilaian relatif dari kerumunan terhadap suara aslinya, dengan jumlah sampel dan interval yang mendasarinya. Yang diberikan Ant kepada Anda adalah pengukuran laboratorium terhadap modelnya sendiri dibandingkan dengan set pengujian tetap, dengan harness, klip referensi, dan kode penilaian semuanya dipilih oleh tim yang sama yang membangun model tersebut. Keduanya sah. Tidak satu pun merupakan pengganti bagi yang lain, dan hanya salah satunya yang ada untuk model dalam judul artikel ini.

Suite Ant luas, dan ada baiknya mengetahui isinya sebelum Anda mengabaikannya. Pada set Seed-TTS berbahasa Mandarin, model kecil mencatat 0.820% kesalahan kata pada kemiripan speaker 0.781 — angka kemiripan terbaik di seluruh tabel yang diterbitkan Ant, termasuk 0.758 milik saudara 0.5B-nya sendiri. Bahasa Inggris mencapai 1.666% pada 0.728. Bahasa Jerman mencapai 0.325% kesalahan karakter dan Spanyol 0.971%, keduanya peringkat pertama dalam perbandingan delapan sistem Ant. Jepang 3.427%, Prancis 3.470%. Pada uji paralinguistik peristiwa tunggal NVBench, model ini unggul di keenam kategori, dengan 17.23 PCER dalam bahasa Mandarin dan 32.95 dalam bahasa Inggris. Suite dialek mencapai akurasi 86.09% pada WSC-Eval-TTS easy dan 92.90 pada WSYue base, set emosi mencapai rata-rata 74.00% pada CV3, dan desain suara mencapai 75.37% pada InstructTTSEval-ZH. Semuanya adalah harness milik Ant sendiri, dijalankan oleh Ant, dilaporkan oleh Ant, dan tidak direproduksi oleh siapa pun.

Ringkasan jujurnya adalah bahwa Qwen-Audio-3.0-TTS telah dinilai oleh orang-orang tak dikenal dan Ant dinilai oleh penulisnya sendiri. Itu bukanlah celaan terhadap salah satu pun; itu adalah pernyataan tentang apa sesungguhnya kedua angka tersebut.

Satu-satunya perbandingan langsung yang Ant publikasikan, dan itu melawan dirinya sendiri

Di tengah rangkaian itu ada hasil yang berperilaku seperti perbandingan sungguhan, karena pesaingnya adalah model 0.5B milik Ant sendiri dan selisihnya cukup besar untuk tetap bertahan pada harness yang berbeda.

Untuk bahasa Korea, Ming-3.0-tts-tiny mencatat tingkat kesalahan karakter sebesar 6.000%. Model 0.5B mencatat 1.728%. Tim yang sama, set pengujian yang sama, hari pelaporan yang sama — selisih sekitar tiga setengah kali lipat, ke arah yang tidak diduga siapa pun dari model yang lebih besar. Kartu model tidak menjelaskannya, dan bagian keterbatasan mencantumkan bahasa Korea di antara titik lemah yang diketahui tanpa menawarkan mekanisme.

Penjelasan struktural tersedia dan harus diberi label sebagai hipotesis, bukan temuan: model sparse mengarahkan setiap token melalui subset pakar, sehingga bahasa yang menerima sinyal pelatihan lebih sedikit di dalam campuran dapat mengalami degradasi lebih cepat daripada yang terjadi pada model dense dengan ukuran total sebanding. Itu masuk akal. Itu tidak diukur. Yang dapat dipertahankan adalah kesimpulan operasionalnya, yang lebih sempit: jika bahasa Korea ada dalam produk Anda, checkpoint ini bukan pilihan yang tepat untuk digunakan sampai ada yang menjalankannya pada teks Korea nyata dan mempublikasikan hasilnya.

Qwen-Audio-3.0-TTS mencakup bahasa Korea dalam 16 bahasanya, dan A​libaba tidak menerbitkan tingkat kesalahan per bahasa untuk dibandingkan dengan 6.000% milik Ant. Jadi bahkan titik lemahnya pun tidak dapat dijadikan perbandingan. Itu hanya bisa dibaca sebagai peringatan.

Sejuta karakter, harga dua kali lipat

Di sinilah kedua produk itu berhenti menjadi abstraksi.

Qwen-Audio-3.0-TTS menagih per karakter. Dengan tarif normalisasi arena sebesar $19,31 per juta karakter, satu juta karakter narasi jadi menghabiskan $19,31, dan seratus juta menghabiskan $1.931. Angkanya linear, dapat diprediksi, dan tersedia sebelum Anda menulis kode apa pun. Throughput pada harness independen yang sama adalah 25,61 karakter per detik waktu generasi, yang merupakan persoalan konkurensi, bukan penagihan, pada skala API.

Ming-3.0-tts-tiny menimbulkan biaya dalam GPU-jam, dan perhitungannya memiliki celah di bagian tengahnya. Model saudara 0,5B diukur pada 42,1 karakter per detik; model tiny sama sekali tidak diukur. Anda tidak dapat meminjam laju pemrosesan model saudaranya, karena model tiny mengaktifkan sekitar dua setengah kali lebih banyak parameter per token dan menempati sekitar 18 GB, bukan 2,96 GB. Kartu yang direkomendasikan Ant adalah H800, dan lingkungan yang dipatok — Python 3.10.15, torch dan torchaudio 2.7.1 dengan CUDA 11.8, transformers 4.46.3 — adalah satu-satunya klaim performa dalam rilis tersebut.

Jadi lakukan perhitungannya secara terbuka alih-alih berpura-pura semuanya sudah beres. Pada 20 karakter per detik, satu juta karakter berarti sekitar 14 jam pembuatan; pada 10 karakter per detik, sekitar 28 jam. Kalikan jam-jam itu dengan biaya GPU-jam Anda sendiri, tambahkan waktu muat model, antrean, dan percobaan ulang, lalu bandingkan dengan $19.31. Di bawah beberapa juta karakter per bulan, tarif hosted biasanya menang dalam biaya total setelah waktu seseorang diperhitungkan. Di atas itu, pada perangkat keras yang sudah Anda miliki dan terus dipakai sibuk, biaya marginal checkpoint per jam sama dengan biaya pertamanya — yang merupakan keunggulan struktural yang tidak dapat ditandingi kartu tarif mana pun.

Satu hal yang tidak boleh disembunyikan oleh perbandingan harga: kedua model itu bukan produk yang sama pada harga berapa pun. Tingkat Plus dari Qwen-Audio-3.0-TTS adalah katalog suara yang sudah jadi dengan 16 bahasa; Ming-3.0-tts-tiny adalah pipeline yang Anda operasikan sendiri, yang kualitas keluarannya Anda ukur sendiri.

Pertanyaan tier yang belum diselesaikan A​libaba

Siapa pun yang memilih Qwen-Audio-3.0-TTS hari ini sedang memilih dalam sebuah keluarga yang telah bergeser di bawahnya. Lini Qwen-Audio-3.1 diumumkan pada 23 September 2026, dan Artificial Analysis mencantumkan Qwen-Audio-3.1-TTS-Plus pada 1.300 Elo di Provider Voice dan 1.186 di Controlled — di atas 3.0 Plus pada kedua papan peringkat, bertanggal 24 September, dengan harga yang sama $19,31 per juta karakter.

Tetapi daftar tarif publik Alibaba hanya mencantumkan SKU Flash untuk 3.1 TTS, jadi apakah tier 3.1 Plus dapat dipanggil hari ini adalah pertanyaan untuk konsol milik vendor sendiri, bukan sesuatu yang disimpulkan dari papan peringkat. Bagaimanapun, pembacaan praktisnya sama: tier 3.0 Plus tidak usang, tetapi itu bukan lagi hal terbaru yang telah dinilai Alibaba, dan pembeli harus mengonfirmasi SKU mana yang sebenarnya mereka kontrakkan sebelum membandingkan harganya dengan apa pun.

Untuk Ming-3.0-tts-tiny sama sekali tidak ada pertanyaan tier — hanya ada satu checkpoint, tidak ada peta jalan dengan tanggal, dan catatan dukungan vLLM-Omni yang muncul dalam dokumentasi pada hari yang sama dengan kodenya.

Apa yang tidak ditetapkan oleh repositori

Empat celah perlu disebutkan sebelum siapa pun merencanakan berdasarkan model ini.

• Tidak ada skor independen — tidak ada baris arena, tidak ada tingkat kesalahan kata pihak ketiga, tidak ada throughput yang terukur. Baris yang tampak seperti milik Ming-3.0-tts-tiny adalah milik 0.5B.

• Tidak ada laporan teknis — roadmap mencantumkannya tanpa tanda centang, dan kartu model diedit pada 16 Oktober untuk menghapus rujukan tentangnya.

• Tidak ada endpoint yang dihosting — tidak ada API pihak pertama dan tidak ada harga, jadi satu-satunya jalur ke produksi adalah infrastruktur Anda sendiri.

• Tidak ada resep fine-tuning — repositori mendokumentasikan tugas inferensi, bukan pelatihan. LoRA atau fine-tuning penuh pada checkpoint ini tidak terdokumentasi, yang merupakan situasi berbeda dari model yang menyertakan skrip pelatihan.

Pada saat pengambilan, repositori Hugging Face menunjukkan 20 unduhan dan 3 suka, dan repositori GitHub beberapa bintang serta tidak ada rilis. Itu bukan bukti apa pun kecuali bahwa rilisnya berlangsung senyap, yang merupakan satu-satunya klaim yang diyakini tulisan ini.

Seberapa berharga perbandingan ini dalam praktik

Jika Anda membutuhkan suara untuk produksi bulan ini, dalam lebih dari beberapa bahasa, dengan pihak lain yang menanggung uptime-nya, Qwen-Audio-3.0-TTS-Plus adalah pilihan yang dapat dipertahankan: produk ini memiliki skor, harga, dokumentasi, dan dukungan, serta Elo 1.266 yang diukur, bukan sekadar diklaim.

Jika Anda perlu memiliki model itu — mengkloning suara yang tidak dapat Anda kirim ke pihak ketiga, menghasilkan pada volume ketika penagihan per karakter mendominasi, merilis di bawah lisensi yang mengizinkan redistribusi — Ming-3.0-tts-tiny adalah satu-satunya dari keduanya yang bisa menjadi milik Anda. Terimalah sebagai gantinya bahwa Anda akan menjadi pihak pertama yang melakukan benchmark terhadapnya, bahwa bahasa Korea adalah kelemahan yang diketahui yang diterbitkan oleh vendornya sendiri, dan bahwa pipeline-nya baru berusia seminggu.

OrcaRouter tidak merutekan model mana pun di antara keduanya, dan tidak ada apa pun di sini yang boleh ditafsirkan sebagai klaim sebaliknya; suara diakses melalui kanal milik masing-masing vendor, dan checkpoint Ming-3.0-tts-tiny melalui perangkat keras Anda sendiri. Yang kami rutekan adalah bagian teks dari pipeline yang sama — lebih dari 200 model di balik satu kunci, dengan harga daftar penyedia tanpa tambahan markup, sehingga perubahan harga dari penyedia teks menjadi harga Anda pada hari yang sama. Untuk produk suara, naskah, arahan mirip SSML, dan agen yang memutuskan apa yang akan dikatakan semuanya adalah teks, dan itulah bagian di mana kontrak vendor kedua tidak memberi Anda keuntungan apa pun.

Angka yang akan menuntaskan ini belum ada. Itu bukan skor Elo; itu satu sore di H800 yang menjalankan checkpoint kecil terhadap klip referensi yang sama yang digunakan Ant, dengan hasilnya dipublikasikan bersama harness. Sampai seseorang melakukannya, posisi jujur adalah yang diambil oleh tulisan ini: dua artefak yang kredibel, satu diberi skor dan satu tidak, dan perbandingan yang harus dilakukan berdasarkan kepemilikan, bentuk harga, dan risiko bahasa, bukan berdasarkan kualitas.