Ming-3.0-tts vs Qwen-Audio-3.0-TTS: Bobot Terbuka Melawan Suara yang Anda Ukur per Karakter

Ming-3.0-tts dan Qwen-Audio-3.0-TTS adalah dua sistem text-to-speech Tiongkok paling kredibel yang dirilis pada 2026, dan keduanya tidak sepakat hampir dalam segala hal kecuali kualitas keluaran mereka. Ming-3.0-tts adalah model berbobot terbuka berlisensi MIT milik Ant Group, yang diterbitkan oleh tim inclusionAI pada 20 Oktober 2026 sebagai bagian dari keluarga speech Ming-3.0. Qwen-Audio-3.0-TTS adalah sintesis suara tertutup milik Alibaba yang hanya tersedia via API, diumumkan di WAIC pada 20 Juli 2026 dalam tier Plus dan Flash tanpa bobot yang diterbitkan sama sekali. Yang satu Anda unduh dan jalankan; yang lain Anda sewa per karakter. Perbedaan itulah inti perbandingannya, dan selisih kualitasnya lebih kecil daripada selisih model bisnisnya.

Ada juga satu nuansa yang luput dari sebagian besar perbandingan kedua model ini, dan itu mengubah rekomendasinya: Qwen-Audio-3.0-TTS bukan lagi model speech Qwen yang benar-benar akan Anda beli. Alibaba menggantinya dengan Qwen-Audio-3.1-TTS pada 23 September 2026 dan memangkas harga sintesis sekitar 70% sehari sebelumnya. Jadi halaman ini membandingkan model yang disebut dalam judul dengan Ming-3.0-tts, karena itulah yang dicari orang, lalu memberi tahu Anda apa yang diubah oleh Qwen yang lebih baru dalam jawabannya.

Model yang disebutkan dalam judul sudah digantikan

Qwen-Audio-3.0-TTS diluncurkan di WAIC dengan klaim yang kuat: peringkat pertama di Provider Voice Arena milik Artificial Analysis, mengungguli Gemini 3.1 Flash TTS dan daftar panjang sistem komersial. Produk ini dirilis dalam dua tingkatan — Plus untuk kualitas, Flash untuk interaksi real-time dengan latensi paket pertama sekitar 300 ms — dengan harga daftar masing-masing sekitar $27,60 dan $15 per juta karakter.

Sembilan minggu kemudian, Qwen-Audio-3.1-TTS hadir di Apsara Conference. Perubahan yang penting untuk perbandingan ini:

• Harga — sintesis turun sekitar 70%, real-time turun sekitar 85%, berlaku 22 September 2026 untuk wilayah Beijing dan Singapura. Itu menempatkan 3.1 TTS Flash di sekitar ¥1,5 per juta token input dan ¥12 per juta token output, serta menempatkan yang setara Plus mendekati $8 per juta karakter pada unit lama.

• Kendali — instruksi bahasa alami bebas untuk emosi, tempo, dan gaya menggantikan 86 tag penyampaian inline milik 3.0. Itu perubahan kegunaan, bukan perubahan kualitas, dan itulah yang paling mungkin memengaruhi apakah Anda dapat merilis.

• Kloning — transfer timbre lintas bahasa di antara bahasa Mandarin, Kanton, Inggris, dan Jepang, serta penanganan langsung audio referensi yang berisik atau bergema.

• Verifikasi — tidak ada skor arena independen pada saat penulisan. Klaim kualitas untuk 3.1 adalah klaim vendor.

Jadi pembingkaian yang adil bukanlah “Ming versus Qwen” melainkan “Ming versus generasi Qwen saat ini, yang harganya kini sekitar sepertiga dari yang dibebankan 3.0.” Keunggulan biaya Ming pun menyempit. Perbedaan arsitekturnya tidak.

Dua produk yang berbeda, bukan dua versi dari satu produk

• Model pengiriman — Ming-3.0-tts adalah bobot berlisensi MIT di Hugging Face dan ModelScope, dengan kode inferensi di repositori GitHub terpisah. Qwen-Audio-3.0-TTS tidak menerbitkan bobot apa pun; layanan ini disediakan melalui Alibaba Cloud Model Studio.

• Ukuran — Checkpoint default Ming adalah 0,5B parameter, dense, pada backbone Qwen2.5-0.5B, sekitar 2,96 GB. Saudaranya, Ming-3.0-tts-tiny, adalah MoE dengan total 7,9B dan aktif 1,3B pada backbone Ling V3 milik Ant. Qwen tidak mengungkapkan jumlah parameter untuk kedua tier tersebut.

• Batas atas kualitas keluaran — Ming hanya mencapai 44,1 kHz. Qwen-Audio-3.0-TTS beralih ke 48 kHz, dan mendukung sintesis satu kali proses hingga tiga menit.

• Cakupan bahasa — Ming mencakup bahasa Mandarin, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, serta bahasa Sichuan dan Kanton. Qwen mencakup 16 bahasa dan 20 wilayah dialek Tionghoa, setelah menambahkan bahasa Arab, Vietnam, Melayu, dan Filipina pada versi 3.0.

• Suara — Ming menyertakan lebih dari 100 suara Mandarin dan lima suara Inggris. Katalog Qwen adalah pilihan terkelola yang tidak Anda kelola sendiri.

• Control surface — Ming menawarkan desain suara dari deskripsi teks, "mode sutradara" untuk instruksi penyampaian bebas, 14 tag paralinguistik sebaris, serta kontrol emosi, kecepatan, nada, dan volume yang eksplisit. Qwen 3.0 menawarkan prompt sutradara bergaya bebas plus tag terperinci; 3.1 menggantikan tag tersebut dengan instruksi.

Pola dalam daftar itu konsisten: Ming memberi Anda lebih banyak kendali atas kumpulan bahasa yang lebih sempit, dan Qwen memberi Anda cakupan yang lebih luas dengan lebih sedikit visibilitas terhadap apa yang ada di baliknya.

Kualitas: apa yang dikatakan arena, dan apa yang tidak

Kedua model memiliki pengukuran independen, yang cukup langka sehingga layak digunakan dengan hati-hati. Jebakannya adalah membandingkan lintas board yang berbeda.

Di Provider Voice Arena — model berbicara dengan suara stok mereka sendiri, yang merupakan perbandingan setara — Qwen-Audio-3.0-TTS-Plus mencetak 1.238 Elo pada Agustus 2026 dan 1.259 pada September, berada di peringkat kedua. Ming-3.0-tts mencetak 1.188 Elo, ketiga di antara model open-weight dan sekitar peringkat 18 secara keseluruhan. Di papan itu, Qwen unggul sekitar 50 hingga 70 Elo, yang merupakan selisih nyata tetapi tidak terlalu besar — kira-kira perbedaan antara dua tingkat berdekatan dari suara komersial.

Ming memiliki dua hasil yang tidak dapat disamai Qwen di papan yang sama. Ming berbagi posisi pertama secara keseluruhan pada Pronunciation Robustness dengan 93,2%, dan menempati peringkat pertama di antara model open-weight pada Controlled Voice Arena dengan 1.069 Elo, papan yang dibangun dari delapan suara hasil kloning dalam aksen AS dan Inggris. Qwen tidak muncul di papan suara terkontrol, karena tidak ada checkpoint lokal untuk menjalankan pengujian tersebut.

Dibaca bersama-sama, angka-angka itu mengatakan sesuatu yang spesifik. Ming berada pada performa terbaiknya saat mereproduksi suara yang Anda berikan, dan paling lemah saat mengambil dari katalog bahasa Inggrisnya sendiri yang kecil. Qwen kuat pada suara-suaranya sendiri dan mengklaim kemiripan pembicara tercanggih di seluruh 16 bahasa — klaim vendor, bukan klaim independen. Jika beban kerja Anda adalah "kloning pendiri kami dan bacakan buletin," papan skor terkuat Ming-lah yang penting. Jika beban kerja Anda adalah "beri kami 40 suara dalam 12 bahasa," cakupan Qwen adalah fakta yang menentukan.

Satu angka yang dilaporkan vendor layak disorot karena tidak biasa dan praktis: throughput Qwen-Audio-3.0-TTS dilaporkan sekitar 16 karakter per detik, dibandingkan dengan sekitar 120 untuk Sonic 3.5 dan 30 untuk Simba 3.2. Itu lambat. Itulah alasan tier Flash ada, dan ini jenis keterbatasan yang tidak akan pernah ditunjukkan oleh papan peringkat kualitas. Checkpoint 0.5B milik Ming tidak memiliki angka throughput publik yang sebanding, yang merupakan celah tersendiri.

Biaya, dalam satuan yang digunakan masing-masing untuk menagih

Kedua model tidak menggunakan satuan yang sama, jadi perbandingannya harus dikonversi sebelum memiliki makna. Dengan laju sekitar 14 karakter per detik ucapan, satu juta karakter setara dengan sekitar 19 hingga 20 jam audio.

• Qwen-Audio-3.0-TTS-Plus — $27,60 per juta karakter, atau sekitar $1,40 per jam audio pada harga daftar.

• Qwen-Audio-3.0-TTS-Flash — sekitar $15 per juta karakter, atau kira-kira $0,76 per jam audio.

• Qwen-Audio-3.1-TTS — setelah pemotongan harga September, sekitar sepertiga dari harga 3.0, jadi kira-kira sekitar $0,40 hingga $0,45 per jam audio untuk sintesis yang setara.

• Ming-3.0-tts — tanpa harga per karakter. Bobot MIT, dan sebagai gantinya tagihan GPU. H800 sewaan sekitar $2 per GPU-jam, menjalankan model 0,5B jauh lebih cepat daripada waktu nyata, menghasilkan beberapa jam audio per jam waktu dinding; dengan batching, tarif efektifnya turun di bawah yang dapat dicapai oleh harga terukur mana pun di atas pada volume berkelanjutan.

Titik impasnya adalah inti dari seluruh argumen. Untuk beberapa jam audio per bulan, self-hosting adalah pilihan yang buruk: GPU menganggur 99% waktu, tumpukan dependensi butuh waktu seharian untuk disiapkan, dan API berbayar per penggunaan lebih murah daripada biaya listriknya. Untuk beberapa ratus jam per bulan, API berbayar per penggunaan menjadi pilihan yang jauh lebih mahal, dan selisihnya melebar dengan setiap tambahan jam karena biaya marginal untuk generasi berikutnya hampir nol. Di mana tepatnya titik impas Anda berada bergantung pada harga dan utilisasi GPU, tetapi itu diukur dalam ratusan jam per bulan, bukan ribuan.

Ada biaya kedua yang tidak muncul di kedua daftar harga: biaya akibat model berubah di bawah Anda. Qwen-Audio-3.0-TTS adalah model ucapan terbaik yang dijual Alibaba selama sekitar sembilan minggu. Siapa pun yang membangun produk di atas tata bahasa kontrol 86 tag-nya menghabiskan September menulis ulang prompt untuk instruksi bahasa alami. Bobot MIT milik Ming tidak dapat dideprekasi, hanya dapat ditingkatkan oleh Anda.

Kontrol, kloning, dan realitas penerapan

Desain suara Ming adalah fitur yang tidak memiliki padanan di Qwen. Anda mendeskripsikan seorang pembicara dalam teks — usia, timbre, tempo, aksen — dan model akan menyintesis suara yang sesuai, tanpa klip referensi. Untuk membuat purwarupa suara karakter atau suara merek sebelum Anda memiliki rekaman, itu adalah alur kerja yang benar-benar berbeda dari memilih dari katalog.

Penyeimbang Qwen adalah ketahanan. Rilis 3.1-nya secara khusus menangani audio referensi yang berisik dan bergaung, yakni mode kegagalan yang mematikan kloning dalam penerapan nyata: seseorang merekam sampel di laptop dalam ruang konferensi dan hasil kloningnya terdengar seperti orang lain. Kartu model Ming secara jujur menyatakan bahwa kemiripan pembicara tertinggal dari akurasi konten, dengan bahasa Prancis sebagai kesenjangan multibahasa yang paling jelas.

Deployment adalah titik di mana keduanya paling tajam berbeda dalam hal upaya.

• Ming — kloning repositori GitHub, pasang CUDA 12.4 dan PyTorch, secara opsional build flash-attn, pasang pynini untuk normalisasi teks, dan jalankan infer.py atau API Python ming_tts.MingTTS. Hugging Face hanya meng-hosting checkpoint dan menyatakannya dalam keterangan khusus. Model kecil ini memerlukan lingkungannya sendiri. Tidak ada penyedia inferensi terhosting di Hugging Face pada saat penulisan.

• Qwen — kunci API dan endpoint regional. Tanpa infrastruktur, tanpa tumpukan dependensi, tanpa perencanaan kapasitas GPU. Anda juga tidak mendapatkan kemampuan untuk menyematkan versi, memeriksa model, atau berjalan secara offline.

Bagi tim yang sudah memiliki infrastruktur GPU dan alasan kepatuhan untuk menyimpan audio secara internal, Ming adalah pilihan yang jelas dan upayanya sangat kecil. Bagi tim yang tidak memiliki keduanya, Qwen lebih murah kuartal ini tetapi lebih mahal saat skala besar, dan penguncian vendornya nyata.

Di mana router cocok

Kedua model tersebut tidak ada di OrcaRouter. Kami tidak menghosting Ming-3.0-tts dan kami tidak menjual ulang Qwen-Audio-3.0-TTS, dan halaman perbandingan bukan tempat yang tepat untuk berpura-pura sebaliknya. Yang berada di sisi kami dalam pipeline adalah segala hal di sekitar suara: model bahasa yang menyusun draf dan menulis ulang skrip, serta model suara yang dihosting seperti Gemini 3.1 Flash TTS Preview dan GPT-4o mini TTS untuk kasus-kasus ketika menghosting Ming sendiri adalah trade-off yang keliru.

Itu yang paling penting untuk keputusan yang sebenarnya dibahas halaman ini. Pipeline suara bukanlah satu model; ia terdiri atas generator skrip, normalizer, sintesiser, dan fallback. Menempatkan bagian teks di balik satu kunci API — lebih dari 200 model, 0% markup atas harga daftar penyedia, failover otomatis saat penyedia menurun — berarti satu-satunya bagian yang Anda komitmenkan adalah model suaranya sendiri. Jika Anda meng-host Ming sendiri dan ternyata model itu lebih lemah untuk nama merek berbahasa Inggris Anda daripada yang disarankan arena, mengganti lapisan suara adalah perubahan satu komponen, bukan migrasi platform. Jika Anda membangun di atas API Qwen yang dihosting, lapisan peruteanlah yang menjaga sisa pipeline tetap hidup saat endpoint lambat atau dibatasi laju, dan harga pass-through berarti pemotongan harga Alibaba berikutnya sampai kepada Anda pada hari pemotongan itu berlaku, bukan pada waktu yang nyaman bagi reseller.

Mana yang harus dipilih

• Pilih Ming-3.0-tts jika Anda memiliki GPU, memerlukan suara hasil kloning atau rancangan alih-alih dari katalog, menginginkan ketentuan MIT yang lolos tinjauan hukum, dan dapat menerima perkakas kelas riset serta set suara bahasa Inggris yang terbatas. Ini adalah satu-satunya opsi di sini yang dapat sepenuhnya Anda miliki.

• Pilih Qwen-Audio-3.0-TTS hanya jika Anda terikat padanya karena alasan tertentu — kontrak Alibaba Cloud yang sudah ada, alur kerja yang dibangun di atas tata bahasa 86 tag-nya. Jika tidak, Anda memilih model yang telah digantikan dengan harga yang telah digantikan pula.

• Pilih Qwen-Audio-3.1-TTS jika Anda menginginkan API suara terkelola dengan cakupan luas dan pemotongan harga September mengubah perhitungan ekonomi Anda. Terimalah bahwa layanan ini belum terverifikasi di papan peringkat independen dan bahwa kontrol berbasis instruksinya adalah tata bahasa baru yang akan Anda pelajari.

Kesenjangan kualitas antara kedua keluarga model itu cukup sempit sehingga tidak seharusnya menentukan keputusan. Pada satu papan peringkat tempat keduanya bersaing langsung, Qwen memimpin sekitar 50 hingga 70 Elo. Pada papan-papan yang mengukur kloning, Ming berada di puncak dan Qwen tidak hadir. Yang sebenarnya membedakan keduanya adalah apakah suara itu merupakan layanan yang Anda sewa atau artefak yang Anda miliki — dan setelah Alibaba mengganti produk andalannya sendiri dalam sembilan minggu, perbedaan itu tampak kurang seperti ideologi dan lebih seperti risiko pengadaan.