Ming-3.0-tts vs Cartesia Sonic 3.6: Satu Membaca Nomor Faktur Anda dengan Benar, yang Lain Menjawab dalam 90 ms

Tempatkan Ming-3.0-tts dan Cartesia Sonic 3.6 pada baris yang sama di arena ucapan Artificial Analysis dan papan skor menyatakan Cartesia menang: 1,290 Elo berbanding 1,188 pada Provider Voice, selisih 102 poin, dengan interval kepercayaan yang sama sekali tidak beririsan. Tempatkan keduanya di papan pengucapan dan hasilnya berbalik begitu drastis hingga tampak seperti kesalahan data: 93.2% berbanding 74.5%. Dua sistem yang sama, diukur oleh laboratorium yang sama, pada bulan yang sama, berselisih delapan belas poin persentase tentang mana yang dapat membaca bahasa Inggris dengan lantang. Kedua angka itu benar, dan alasan keduanya bisa sama-sama benar justru adalah inti perbandingannya. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Ming-3.0-tts adalah model open-weights berlisensi MIT milik Ant Group — checkpoint dense 0,5B yang Anda jalankan di GPU sendiri, dengan saudara mixture-of-experts 7,9B bernama Ming-3.0-tts-tiny. Cartesia Sonic 3.6 adalah endpoint real-time proprietary yang dirilis pada 17 Agustus 2026, dengan harga per karakter, dipasarkan berdasarkan latensi audio pertama di bawah 90 milidetik dan cakupan 44 bahasa. Yang satu adalah model. Yang lain adalah layanan yang dibuat untuk menjawab panggilan telepon. Mana yang Anda inginkan bergantung pada pertanyaan yang sama sekali tidak ada hubungannya dengan Elo: apakah teks Anda sebagian besar berupa prosa, atau sebagian besar berupa hal-hal yang harus diucapkan persis?

Dua angka yang penting, dan mengapa keduanya berbeda

Mulai dari papan preferensi, karena itulah yang dikutip orang.

• Elo Suara Penyedia — Ming-3.0-tts 1,188 (interval 1,174–1,202) vs Sonic 3.6 1,290 (1,276–1,304). Sonic berada di peringkat ke-4 dari 97 model; Ming peringkat ke-18.

• Elo Suara Terkontrol — Ming-3.0-tts 1.068 (1.052–1.084) vs Sonic 3.6 1.151 (1.138–1.164). Sonic berada di peringkat ke-5; Ming di peringkat ke-12. Kesenjangan menyempit sebesar 19 poin setelah kedua sistem mengkloning delapan suara yang sama.

• Ketangguhan Pengucapan, Bahasa Inggris — Ming-3.0-tts 93,2% (91,5–94,9) vs Sonic 3.6 74,5% (71,4–77,5). Ming peringkat 1 dari 31 sistem yang diukur; Sonic peringkat 19.

Itu bukan hasil yang saling bertentangan; keduanya mengukur hal yang berbeda. Papan Elo meminta pendengar manusia memilih klip mana yang mereka sukai, dan preferensi memberi imbalan pada hal-hal yang membuat ucapan sintetis terdengar menyenangkan — prosodi yang natural, emosi yang meyakinkan, suara yang tidak terdengar seperti sedang membacakan manual. Sonic 3.6 sangat baik dalam hal itu. Sistem ini telah menjadi sistem peringkat keempat di arena sejak Agustus dan posisi itu memang pantas diraihnya.

Papan pelafalan mengajukan pertanyaan yang lebih sempit dan lebih keras: apakah sistem mengucapkan rentang spesifik ini dengan benar? Peninjau manusia menandai kata dan frasa yang disorot dalam teks bahasa Inggris — nama merek, istilah teknis, jalur file, alamat email, angka, tanggal, satuan — dan menilai masing-masing. Pada pengujian itu, Sonic berada di paruh bawah dari 31 sistem yang telah dinilai, dan Ming berada di peringkat teratas dari semuanya.

Sub-skor membuat bentuk kegagalan lebih jelas dibandingkan skor agregat:

• Istilah Mandiri — Ming-3.0-tts 88,5% vs Sonic 3.6 72,6%

• Sesuai Konteks — Ming 91,0% vs Sonic 78,2%

• Mempertahankan Urutan Persis — Ming 90,6% (ke-1 dari 31) vs Sonic 60,8%

• Memperluas Shorthand — Ming 96,5% (ke-1 dari 31) vs Sonic 49,1%

Expanding Shorthand adalah yang perlu diperhatikan. Fitur ini mencakup angka, tanggal, satuan, dan notasi — "6'2"", "Chapter XVII", "1 tsp". Sonic 3.6 menangani sekitar setengah dari rentang tersebut dengan benar menurut ukuran ini. Itu angka yang mengejutkan untuk API suara produksi, dan itulah jenis hal yang tidak pernah muncul dalam demo karena demo ditulis dalam prosa yang dipilih vendor. Berikan konfirmasi pesanan, dosis, atau pengukuran kepadanya, dan peringkat preferensi berhenti memprediksi apa pun yang berguna.

Kasus latensi dan throughput, di mana Cartesia tidak mendekati

Klaim utama Cartesia adalah audio pertama dalam waktu kurang dari 90 milidetik, angka yang penting untuk agen percakapan: penelepon mendengar suara sebelum mereka menyimpulkan Anda mesin. Ming-3.0-tts sama sekali tidak mempublikasikan angka latensi. Yang dimiliki harness independen adalah throughput, dan itu tidak bersahabat bagi model terbuka.

• Karakter per detik pembangkitan — Sonic 3.6 146,9 vs Ming-3.0-tts 44,3. Cartesia 3,3 kali lebih cepat pada kondisi perangkat keras yang identik.

• Waktu generasi median untuk permintaan yang dinilai — Sonic 3.6 9,20 dtk vs Ming 2,56 dtk. Baca yang ini dengan cermat; ini mencerminkan panjang permintaan yang berbeda, bukan keunggulan kecepatan bagi Ming.

Ringkasan jujurnya adalah bahwa {{1}}Sonic 3.6 dibangun untuk streaming{{/1}} dan {{2}}Ming-3.0-tts dibangun untuk batch{{/2}}. Pada 44,3 karakter per detik — sekitar tujuh kata — model yang dihosting sendiri memang melampaui kecepatan bicara nyata, sehingga narasi panjang selesai lebih cepat daripada waktu yang dibutuhkan untuk mendengarkannya. Yang tidak dimilikinya adalah cerita streaming, waktu-ke-audio-pertama yang dipublikasikan, atau penanganan sesi. Cartesia menjual tepat ketiga hal itu.

Jika Anda sedang membangun agen telepon, alat terjemahan langsung, atau apa pun yang membuat manusia menunggu suku kata pertama, di situlah perbandingan berakhir dan Anda sebaiknya berhenti membaca. Sisa tulisan ini untuk kasus lainnya: teks yang disiapkan sebelumnya, atau teks yang ketepatannya lebih penting daripada kesegeraannya.

Apa yang sebenarnya Anda dapatkan dari masing-masing pihak

Ming-3.0-tts, dari grup inclusionAI milik Ant Group, didistribusikan sebagai checkpoint 2,96 GB yang berisi backbone, patch head diffusion-transformer, tokenizer audio, encoder pembicara, dan tokenizer teks, di bawah lisensi MIT dengan penggunaan komersial diizinkan. Ini menghasilkan audio 44,1 kHz, mendukung tujuh bahasa plus bahasa Sichuan dan Kanton, serta menyediakan kloning suara, desain suara yang dijelaskan teks, 14 tag paralinguistik inline, kontrol emosi dan kecepatan/nada/volume. Ant mengujinya pada H800-80GB dan H20-96G dengan PyTorch 2.6 dan CUDA 12.4, dan menyertakan Dockerfile.

Sonic 3.6, dari Cartesia, adalah sebuah API. Model ini menangani 44 bahasa dari satu model, mengkloning suara dari sepuluh detik audio referensi, mendukung penyampaian yang sadar emosi dan isyarat non-verbal yang dapat disisipkan, serta menerima kamus pelafalan khusus — yang merupakan jawaban vendor itu sendiri untuk persis masalah yang diukur oleh papan pelafalan, dan perlu dicatat bahwa pelanggan yang mengonfigurasinya tidak dinilai pada jalur default yang diuji arena. Cartesia juga membangun bagian lain dari tumpukan suara: pengenalan ucapan ke teks, agen suara seharga $0.06 per menit, nomor telepon, dan batas konkurensi yang meningkat seiring tingkat paket.

• Lisensi — bobot MIT yang Anda simpan vs API komersial tanpa bobot

• Cakupan bahasa — 7 ditambah 2 dialek vs 44

• Penyebaran — GPU Anda vs endpoint mereka

• Tingkat sampel keluaran — 44.1 kHz vs tidak dipublikasikan di halaman produk

• Kloning suara — audio referensi, teks referensi, dan mode tugas eksplisit vs 10 detik audio, instan

• Dasar penetapan harga — jam GPU vs kredit dengan satu kredit per karakter

Harga kredit layak dikonversi, karena "satu kredit per karakter" bukanlah angka yang bisa dianggarkan oleh sebagian besar tim. Tabel paket Cartesia sendiri menyatakan bahwa satu menit audio membutuhkan 750–800 kredit, yang menempatkan tarif efektifnya mendekati $0,038 per menit pada paket Pro $5, $0,029 pada paket Startup $49, dan $0,028 pada paket Scale $299. Arena menormalkannya menjadi $49 per juta karakter, yang merupakan angka pembanding terhadap nol dari Ming. Ming bukanlah gratis; itu adalah tagihan GPU-jam yang akan dilihat tim keuangan Anda sebagai infrastruktur, bukan sebagai pos biaya per kata.

Perbandingan tiga bulan yang tak pernah dimasukkan orang ke dalam ulasan

Ada versi keputusan ini yang bertahan lebih lama daripada kedua model, dan itulah yang penting bagi sistem produksi: apa yang terjadi ketika model yang Anda pilih diganti.

Cartesia telah merilis Sonic 3, 3.5, dan 3.6 dalam waktu satu tahun, dengan harga tetap $49 per juta karakter. Ant telah merilis Ming-omni-tts pada Februari, varian 16,8B pada Juni, dan sekarang Ming-3.0-tts — dengan laporan teknis yang masih belum dicentang di roadmapnya dan jalur akselerasi vLLM-Omni yang ditandai selesai tetapi tidak terdokumentasi di repositori. Kedua vendor bergerak cepat. Tidak satu pun akan berhenti.

Bagi model yang di-hosting, ini hanyalah peningkatan versi rutin. Bagi checkpoint yang di-host sendiri, ini adalah migrasi: bobot baru, dependensi baru, babak evaluasi baru pada teks Anda sendiri. Lisensi MIT melindungi hak Anda untuk tetap menjalankan versi lama, yang merupakan keuntungan nyata dan alasan utama tim memilih open weights sejak awal — tetapi lisensi itu tidak melindungi Anda dari keinginan untuk memakai versi baru.

Inilah sambungan tempat lapisan routing melakukan sesuatu yang konkret, bukan sekadar retoris. OrcaRouter tidak menghosting Ming-3.0-tts atau Cartesia Sonic 3.6, dan tidak ada apa pun di sini yang menyiratkan sebaliknya — Ming berasal dari repositori, Sonic dari API milik Cartesia sendiri. Yang memang dibawa katalog ini adalah sekumpulan model suara terkelola, termasuk pratinjau G​emini T​TS dari G​oogle serta tts-1 dan gpt-4o-mini-tts dari O​penAI, di balik kunci yang sama dengan lebih dari 200 model teks, dengan harga daftar penyedia tanpa tambahan markup, dengan failover otomatis antarp penyedia. Jika pipeline suara Anda memiliki jalur cadangan — dan pipeline apa pun yang menangani lalu lintas langsung seharusnya memilikinya — jalur cadangan itu bisa cukup berupa satu endpoint, bukan kontrak kedua dan SDK kedua. Penurunan harga dari vendor langsung terasa di sisi kami pada hari yang sama, karena tidak ada markup di antaranya yang perlu dibongkar.

Mana yang harus dipilih, berdasarkan beban kerja

Keputusannya singkat jika Anda menjawab dengan jujur tentang teks itu.

Pilih Sonic 3.6 jika ada manusia yang menunggu audio pertama, Anda memerlukan lebih dari beberapa bahasa saja, atau Anda ingin vendor bertanggung jawab atas uptime. Kesenjangan preferensi 102 poin itu nyata dan pendengar akan mendengarnya. Konfigurasikan kamus pelafalan untuk istilah yang benar-benar diucapkan produk Anda, karena jalur default mendapat skor 74,5% tepat pada hal itu.

Pilih Ming-3.0-tts jika audio Anda dihasilkan terlebih dahulu — narasi, pembacaan dokumen lantang, prompt IVR, materi pelatihan, draf buku audio — dan teksnya berisi pengenal, satuan, kode, atau notasi. Pada tiga kategori yang mencakup rentang tersebut, sistem ini entah berada di peringkat pertama atau berselisih tidak lebih dari tiga poin darinya, dan tidak ada sistem hosted di papan peringkat yang lebih baik dalam mempertahankan urutan persis.

Jangan pilih salah satu pun, namun, jika Anda memerlukan nama diri bahasa Inggris yang tepat. Ming's 88.5% pada Standalone Terms berada di peringkat ke-21 dari 31, dan ini adalah satu-satunya kategori di mana model tersebut jelas berada di papan tengah. Nama merek yang salah diucapkan dalam demo produk lebih merugikan daripada tanggal yang dibaca dengan canggung.

Ada juga pendekatan hibrida yang tidak akan disarankan oleh vendor mana pun: gunakan model real-time terkelola untuk permukaan interaktif dan checkpoint yang di-host sendiri untuk korpus batch, lalu evaluasi keduanya pada teks held-out yang sama. Kedua sistem gagal di tempat yang berbeda, dan itulah yang membuat pemisahan tersebut sepadan dengan biaya operasionalnya.

Pertanyaan terbuka

Halaman produk Cartesia menyatakan bahwa perusahaan itu berada di peringkat pertama di {{1}}Speech Arena{{/1}}. Itu benar saat halaman tersebut ditulis dan kini tidak lagi benar — {{2}}HeyGen Voice{{/2}}, Qwen-Audio-3.1-TTS-Plus, Eleven v4 Turbo, dan Eleven v4 semuanya kini berada di atas Sonic 3.6, dan posisi Sonic sendiri adalah keempat. Klaim papan peringkat vendor menua dalam hitungan minggu. {{3}}Skor pelafalan 74,5%{{/3}} adalah fakta yang lebih tahan lama dalam perbandingan ini, karena diukur oleh pihak yang tidak punya produk untuk dijual dan skor itu cukup buruk sehingga {{4}}fitur kamus pelafalan milik Cartesia sendiri{{/4}} ada untuk menyiasatinya.

Apa yang akan mengubah putusannya: rilis streaming Ming-3.0-tts dengan waktu-ke-audio-pertama yang dipublikasikan, atau Sonic 3.7 yang memperbaiki ekspansi singkatan. Keduanya belum diumumkan. Sampai saat itu, pembagiannya jelas — kecepatan dan cakupan di satu sisi, ketepatan dan kepemilikan di sisi lain — dan jawaban yang tepat adalah berhenti mencari pemenang dan mulai melihat korpus Anda sendiri.