Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS: pesi gratuiti contro 78 punti Elo

Metti Ming-3.0-tts-0.5B accanto a Qwen-Audio-3.0-TTS e la prima cosa che noti è che non sono lo stesso tipo di oggetto. Ming è un checkpoint da 2,96 GB: lo scarichi, ha licenza MIT e lo esegui sulla tua GPU. Qwen-Audio-3.0-TTS, nel livello di qualità che A​libaba indica come Qwen-Audio-3.0-TTS-Plus, è un endpoint ospitato su A​libaba Cloud Model Studio, senza pesi da nessuna parte. Nell'arena vocale indipendente Artificial Analysis il modello ospitato ottiene 1.266 Elo e quello scaricabile 1.188 — un divario di 78 punti, senza sovrapposizione tra i due intervalli di confidenza. Quel divario è reale. Quanto valga dipende da se stai comprando una voce o un asset. I fallimenti documentati dell'IA e gli incidenti con gli agenti alla base di rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

La risposta breve, prima delle prove

Se la voce viene distribuita in un prodotto questo trimestre e qualcun altro deve essere in reperibilità quando si guasta, Qwen-Audio-3.0-TTS-Plus è la scelta migliore, e non c’è quasi partita. Se stai creando contenuti pensati innanzitutto per il cinese, hai bisogno di voice design o del controllo dei dialetti, oppure non puoi accettare una tariffazione a carattere, Ming-3.0-tts-0.5B è l’unico dei due che può essere tuo. Nessuna delle due risposte sopravvive intatta al contatto con un foglio di calcolo di budget, ed è ciò di cui parla il resto di questo pezzo.

Cosa è realmente ciascun modello

Ming-3.0-tts-0.5B è il rilascio a pesi aperti di Ant Group da inclusionAI, costruito su una backbone Qwen2.5-0.5B con una testa diffusion-transformer e un tokenizer audio separato. È stato distribuito in sordina in due fasi — i pesi su Hugging Face a settembre 2026, il codice di inferenza su GitHub il 19 ottobre — e Ant non lo ha annunciato. Il pacchetto include un encoder del parlante e un tokenizer di testo, emette audio a 44,1 kHz e supporta la clonazione, la progettazione vocale da una descrizione testuale, 14 tag paralinguistici inline, il controllo di emozioni e attributi, sette lingue e due dialetti cinesi.

Qwen-Audio-3.0-TTS è la linea di sintesi vocale ospitata di A​libaba, lanciata il 20 luglio 2026 in due livelli: Flash per il lavoro in tempo reale e Plus per la massima qualità. Il livello Plus è quello con una posizione misurata sull'arena, ed è il livello a cui si riferiscono tutti i numeri riportati di seguito. Copre 16 lingue più 20 regioni dialettali cinesi, supporta la clonazione vocale e circa 86 tag inline per la resa, ed è raggiungibile solo tramite l'API di A​libaba. Non ci sono pesi, né distribuzione locale, né licenza da esaminare.

Una stranezza sulle date che vale la pena segnalare perché vedrai entrambe le date: A​libaba ha lanciato la linea a luglio, ma la riga dell'arena per il modello Plus riporta una data di rilascio del 15 settembre 2026. La interpretiamo come la data in cui è stata pubblicata la revisione con punteggio o la scheda, non come un secondo modello. Se citi una data di rilascio in un documento, il 20 luglio è il lancio e il 15 settembre è la registrazione dell'arena.

I numeri che li separano

• Arena Elo, Voce del provider — Ming-3.0-tts-0.5B 1,188 (intervallo 1,173–1,203) vs Qwen-Audio-3.0-TTS-Plus 1,266 (1,252–1,280). Gli intervalli non si toccano.

• Arena Elo, voce controllata — Ming 1.069 (1.053–1.085) contro Qwen-Plus 1.126 (1.113–1.139). Resta un divario netto, 57 punti, su voci clonate mantenute costanti in tutti i modelli.

• Prezzo — Ming non ne ha; paghi per la potenza di calcolo. Qwen-Plus è indicato a $19.31 per milione di caratteri nella colonna dei prezzi normalizzati dell'arena.

• Throughput — Ming 42,1 caratteri al secondo di tempo di generazione rispetto a Qwen-Plus 25,6, misurato sullo stesso banco di prova indipendente.

• Pesi — checkpoint con licenza MIT vs nessuno.

• Lingue — sette più il sichuanese e il cantonese contro 16 più 20 regioni dialettali cinesi.

• Superficie di controllo — istruzione in forma libera, progettazione vocale, 14 tag paralinguistici, emozione/velocità/intonazione/volume espliciti rispetto a circa 86 tag inline e controllo della resa in stile istruzione.

Il risultato di throughput è quello che sorprende le persone. Un modello denso da mezzo miliardo di parametri con un bundle da 2,96 GB supera il livello Plus ospitato di A​libaba di circa il 65% in caratteri al secondo nella misurazione indipendente. Non è una critica a Q​wen — gli endpoint ospitati sono predisposti per la concorrenza, e il valore di throughput dell'arena è relativo a una richiesta alla volta — ma significa che il modello piccolo non è quello lento in questo confronto.

Da dove vengono i 78 punti

Preference Elo non ti dice cosa non va. Ascoltare i due sistemi sullo stesso testo invece sì, e il pattern è coerente con quanto ammette la stessa model card di Ant.

Ant pubblica i propri punti deboli in un linguaggio insolitamente schietto: la somiglianza del parlante è inferiore all'accuratezza del contenuto, la somiglianza francese è il divario multilingue più evidente, le frasi paralinguistiche multi-evento sono ancora instabili e la progettazione vocale aperta non eguaglia ancora il sistema più forte valutato. Nell'arena, ciò si manifesta con una voce clonata competitiva — prima tra i modelli open-weight nella classifica controllata — e un cast di voci native che non lo è. Il posizionamento di Ming per voce del provider, 19º su 98, è penalizzato dalle oltre 100 voci cinesi e dalle cinque voci inglesi integrate più che dal percorso di clonazione.

Il vantaggio di Qwen ha la forma opposta. Le sue voci native sono il prodotto; il livello Plus è stato creato per suonare finito fin da subito, e le misurazioni lo confermano sia nelle impostazioni del fornitore sia in quelle controllate. Ha anche l'ampiezza linguistica che deriva da un'azienda che gestisce un cloud: 16 lingue e 20 regioni dialettali cinesi contro le sette e due di Ming.

Sull'accuratezza più che sulla preferenza, il confronto è più esile di quanto suggerisca il divario Elo. Qwen-Audio-3.0-TTS non ha una tabella pubblicata di word error rate da Alibaba che possiamo verificare rispetto a un test set comune, e i numeri Seed-TTS di Ming — 0.800% cinese, 1.584% inglese — sono di Ant, misurati con il banco di prova di Ant e le impostazioni consigliate da Ant. Nessuna delle due parti fornisce un tasso di errore confrontabile a parità di condizioni. Quello che hai è un punteggio di preferenza per entrambe e una tabella del fornitore per una sola.

Due modelli di fatturazione, e il contatore che nessuno stampa

Il confronto dei prezzi non è $19.31 contro zero. È un contatore per carattere messo a confronto con un contatore per ora di GPU, e il secondo resta invisibile finché il tuo team finanziario non lo chiede.

Q​wen fattura per carattere del testo di input. A 19,31 dollari per milione di caratteri, un milione di caratteri di narrazione finita costa 19,31 dollari, e il numero scala in modo lineare e prevedibile. Puoi inserirlo in un foglio di calcolo prima di scrivere una riga di codice.

Ming addebita in base al tempo GPU. La release è stata testata su una H800-80GB e una H20-96G, richiede PyTorch 2.6 con CUDA 12.4 e include un Dockerfile ma nessun endpoint ospitato. Alla velocità misurata dall'arena di 42,1 caratteri al secondo, un milione di caratteri richiede circa 6,6 ore di generazione su quella classe di hardware, senza contare il caricamento del modello, le code o le richieste fallite. Se questo sia più economico di $19,31 dipende interamente da quanto costa la tua ora GPU e da quanto la tieni piena — ed è il calcolo che decide questo confronto per la maggior parte dei team.

È anche qui che un livello di routing si guadagna il suo posto senza pretendere di ospitare nessuno dei due modelli. OrcaRouter non offre Ming-3.0-tts-0.5B né Qwen-Audio-3.0-TTS, e nulla qui dovrebbe suggerire il contrario; si accede a entrambi tramite i rispettivi canali, Model Studio di A​libaba per Q​wen e la tua infrastruttura per Ming. Ciò che offriamo è il lato testuale della stessa pipeline al prezzo di listino del fornitore con 0% di ricarico aggiunto — così una variazione di prezzo da parte di un fornitore di testo che instradiamo diventa il tuo prezzo lo stesso giorno — con failover automatico tra fornitori per il modello che scrive lo script, assegna l'emozione o guida l'agente. Il parlato è la metà costosa e lenta di un prodotto vocale; la metà che lo precede non dovrebbe essere anche quella fragile.

Il problema del successore

C'è un terzo modello che rientra in questa decisione e non è nel titolo: Qwen-Audio-3.1-TTS-Plus, rilasciato il 24 settembre 2026. Ottiene 1.300 Elo nella stessa arena — 34 punti sopra il livello 3.0 Plus — allo stesso prezzo di $19,31 per milione di caratteri.

Rileggilo con gli occhi di un acquirente. A​libaba ha rilasciato un modello migliore cinque settimane dopo quello di questo confronto, a prezzo invariato, sulla stessa famiglia di endpoint. Chi oggi sceglie Qwen-Audio-3.0-TTS sceglie un modello che il suo stesso fornitore ha già superato senza alcuno sconto. Il tier 3.0 resta in elenco e resta valido — 1.266 Elo è sesto su una classifica di 98 — ma la scelta hosted corretta in questa famiglia ora è 3.1, non 3.0.

Ming non ha questo problema perché non ha un successore né una cadenza. Questo è un vantaggio autentico per un team che vuole un artefatto stabile e un rischio concreto per uno che vuole la migliore voce disponibile tra sei mesi. Una release non annunciata e senza impegni di roadmap può spegnersi nel silenzio in entrambe le direzioni.

Chi dovrebbe scegliere cosa

Scegli Qwen-Audio-3.1-TTS-Plus — non la 3.0 — se vuoi la massima qualità misurata in questa famiglia a un prezzo noto per carattere, se ti serve un'ampia copertura linguistica o se vuoi che qualcun altro si occupi dell'uptime. Accetta il contatore e accetta che il livello successivo arriverà senza preavviso.

Scegli Ming-3.0-tts-0.5B se la voce deve essere eseguita all'interno del tuo perimetro, se i tuoi contenuti sono pensati prima di tutto per il cinese e richiedono lo sichuanese o il cantonese, se vuoi progettare una voce a partire da una descrizione invece di sceglierla da un cast, oppure se il tuo volume è sufficientemente alto che una GPU che possiedi già batte un costo per carattere. Metti in conto l'impegno ingegneristico: l'ambiente è bloccato su versioni specifiche, la normalizzazione del testo richiede una libreria FST che non ha una wheel universale, e gli unici dati di throughput pubblicati provengono da un unico harness indipendente.

Se ti serve un contratto di supporto, per ora non scegliere nessuno dei due. Ming non ha annunci, nessuna opzione hosted e nessun impegno di supporto dichiarato; Q​wen ha tutte e tre le cose, ma il livello 3.0 non è più quello da acquistare. Il riassunto onesto è che non è una sfida ad armi pari e non è mai stata pensata per esserlo — uno è un rilascio di ricerca con una licenza e l'altro è un prodotto cloud con un listino prezzi — e la domanda utile è quale delle due cose serva davvero al tuo progetto.