Ming-3.0-tts-tiny vs Breeze-TTS-2: pesi MIT contro una licenza non commerciale

Due modelli vocali a pesi aperti sono stati rilasciati a un mese di distanza l'uno dall'altro e non competono sullo stesso asse. Ming-3.0-tts-tiny, di inclusionAI di Ant Group, è un checkpoint mixture-of-experts da 7,9 miliardi che attiva circa 1,3 miliardi di parametri per token, è distribuito con licenza MIT e copre nove lingue, tra cui due dialetti cinesi. Breeze-TTS-2, di BreezeBlue, è un modello dense da 3 miliardi che copre solo inglese e cinese, pubblica il codice con licenza Apache 2.0 e rilascia i pesi con una licenza di ricerca e non commerciale con un'eccezione per l'hosting a pagamento. La domanda principale — quale suoni meglio — si rivela in realtà la meno decisiva, perché la voce nell'arena che sembra il punteggio di Ming appartiene a un checkpoint completamente diverso, e la differenza di licenza è quella che decide se puoi distribuire il modello o meno. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di confidenza e il flag di contestazione.

Nessuno dei due vendor ha annunciato un evento di disponibilità generale nel senso usuale, ed entrambi i fatti contano qui. I pesi di Breeze-TTS-2 sono stati pubblicati il 25 agosto 2026, con le suite per voice-design e latenza arrivate a seguire il 7 agosto. Ming-3.0-tts-tiny era presente su Hugging Face dal 24 settembre ma è diventato eseguibile solo il 19 ottobre, quando il suo codice di inferenza e il cookbook delle attività sono arrivati su GitHub. Quindi questo è un confronto tra due artefatti che devi ospitare tu stesso, scritto prima che l'uno o l'altro abbia un prezzo di hosting da citare, ed etichettato di conseguenza in tutto il testo.

Inizia dalla licenza, perché per alcune squadre chiude la discussione

Le due licenze non sono varianti dello stesso permesso. Sono categorie di permesso diverse.

• Ming-3.0-tts-tiny — MIT, sia per i pesi sia per il codice. Puoi usarlo commercialmente, modificarlo, ridistribuirlo e inserirlo in un prodotto chiuso. Ant allega una nota d'uso che ti chiede di non impersonare persone senza consenso e di etichettare l'audio sintetico; si tratta di una richiesta nella documentazione, non di una condizione della concessione.

Breeze-TTS-2 — Apache 2.0 per il codice sorgente, e una separata "BreezeBlue Research and Non-Commercial License" per i pesi. L'uso commerciale degli output ospitati richiede un abbonamento BreezeBlue a pagamento, e anche in tal caso l'abbonamento non estende i diritti commerciali ai pesi aperti né agli output che generi ospitandoli autonomamente.

Leggi attentamente quel secondo punto elenco, perché l’interpretazione ovvia è quella sbagliata. Pagare BreezeBlue non trasforma i pesi in qualcosa che puoi eseguire a fini commerciali; concede in licenza un percorso ospitato. L’hosting autonomo è non commerciale indipendentemente dal fatto che tu sia abbonato. Se il tuo piano è «metti a punto il modello 3B, mettilo dietro il nostro endpoint e fatturane l’uso», la licenza chiude quella porta e MIT la lascia aperta. Per ricerca interna, valutazione o un prototipo che non incasserà mai denaro, la distinzione non costa nulla.

C'è una seconda differenza riconducibile alla licenza che incide su più distribuzioni di quanto facciano entrambi i paragrafi sopra. Il rilascio di Ming include un'intera pipeline — backbone, testa di diffusione, tokenizer audio, encoder del parlante e tokenizer testuale — come un unico set di pesi. Breeze distribuisce codice e pesi con un percorso di inferenza che è stato pacchettizzato per più runtime contemporaneamente: l'ecosistema di derivati attorno a Breeze-TTS-2 include build MLX a 4 bit e 8 bit più un port a precisione piena, quantizzazioni GGUF, conversioni int8 e int4, una build HQQ int4, una build ROCm/RDNA4 BF16 del 18 ottobre, una build GPTQ int4 ROCm del 19 ottobre, fine-tune per ComfyUI e un LoRA portoghese-brasiliano pubblicato il 6 ottobre. Ming-3.0-tts-tiny non ha nulla di tutto ciò, perché dispone di un percorso di inferenza utilizzabile da meno di un giorno.

La differenza di impronta è di circa un ordine di grandezza

È qui che "tiny" smette di significare piccolo. Il nome descrive i parametri attivi per token, non la memoria di cui hai bisogno.

• Ming-3.0-tts-tiny — 8.980.964.372 parametri in BF16 più 40.096 in F32 secondo i metadati di Hugging Face stessa, circa 18 GB di spazio di archiviazione del repository e un H800 consigliato nelle note sull'ambiente del fornitore. Paghi la memoria di un modello da 7,9B e ottieni la latenza di uno da 1,3B, il che è un buon compromesso per la sintesi in batch su hardware a noleggio e uno scarso per qualsiasi cosa con una scheda da 12 GB.

• Breeze-TTS-2 — modello denso da 3B parametri, circa 7,7 GiB di memoria GPU in modalità eager e circa 14,4 GiB con --fast-all abilitato. BreezeBlue consiglia 12 GB o 24 GB a seconda del percorso scelto, e documenta che le impostazioni predefinite del suo Docker sono pensate per H100/Hopper sm90, mentre chi possiede una A100 deve impostare FLASH_ATTN_CUDA_ARCHS=80.

• Il modello di concorrenza di Ming — un punto di ingresso Python per attività con valori predefiniti fissi: scala di guidance 2.0, temperatura zero, dieci passaggi di flusso, sigma 0.25, seed 1234. Il supporto per vLLM-Omni è nella roadmap e non verificato, quindi oggi non esiste un percorso di serving ad alto throughput.

• Il modello di concorrenza di Breeze — un'API HTTP in streaming a concorrenza singola che restituisce {{1}}PCM mono a 24 kHz a 16 bit con segno little-endian{{/1}}, con un tempo al primo audio dichiarato inferiore a 40 millisecondi su una H100 già riscaldata e un fattore di tempo reale di 0,32, ovvero circa 3,1 volte più veloce del tempo reale.

Quell'ultimo paio è l'onesta sintesi del compromesso. Breeze è progettato per la latenza di streaming su una richiesta alla volta; Ming è progettato per il throughput per unità di calcolo su attivazione sparsa, e non ha pubblicato uno stack di serving. Se il tuo prodotto è un agente vocale live, non sono punti di partenza equivalenti. Se il tuo prodotto è un batch notturno di narrazione, il modello di concorrenza conta molto meno della licenza e del costo della memoria.

La copertura linguistica non è minimamente paragonabile, e il divario va in una sola direzione

Breeze-TTS-2 supporta l'inglese e il cinese. La sua scheda lo afferma senza mezzi termini e documenta anche eventi vocali inline in entrambe le lingue — (laugh) e (sigh) in inglese, [笑] e [叹气] in cinese — oltre alla clonazione da una clip di riferimento con la relativa trascrizione esatta e a un controllo della direzione della voce.

Ming-3.0-tts-tiny copre il cinese, l'inglese, il tedesco, lo spagnolo, il francese, il coreano e il giapponese, con il sichuanese e il cantonese quando viene fornito un clip di riferimento dialettale. Aggiunge il controllo dello stile in forma libera, la progettazione della voce a partire da una descrizione in linguaggio naturale, oltre 100 voci cinesi integrate e cinque inglesi, e 14 tag paralinguistici inline. Consente anche la generazione di podcast con più relatori, cosa che Breeze non tenta.

Il problema sta nella tabella multilingue di Ant stessa, ed è la prima cosa da leggere prima di dare per scontato che nove batta due. Sul coreano, Ming-3.0-tts-tiny registra un tasso di errore sui caratteri del 6,000%, sesto degli otto sistemi benchmarkati da Ant, contro l'1,728% del fratello 0.5B di Ant. In francese è secondo per tasso di errore, ma la sua similarità del parlante di 0,733 non entra nella top tre, una limitazione che la scheda stessa dichiara. Il tedesco (0,325%) e lo spagnolo (0,971%) sono al primo posto in quella tabella. Quindi la lettura onesta è: cinque delle sette lingue di Ming sono credibili, il coreano non ancora, e il supporto ai dialetti è unico ma non verificato al di fuori dell'harness di Ant. Breeze, al contrario, non dichiara nulla che non copra — due lingue, e ogni risultato nella sua scheda riguarda quelle due.

I numeri dell’arena, e perché non sono un testa a testa

Breeze-TTS-2 ha un punteggio indipendente. Ming-3.0-tts-tiny no, e la voce che sembra esserlo appartiene a un modello diverso.

• Breeze-TTS-2 su Artificial Analysis, dati letti dalle classifiche in tempo reale il 19 ottobre 2026 — 1.220 Elo su Provider Voice, dove ogni modello utilizza il proprio cast vocale nativo, e 1.019 su Controlled Voice, dove ogni modello clona le stesse otto voci di riferimento.

• La riga Ming nelle stesse classifiche — 1.188 Provider e 1.069 Controlled — è collegata a Ming-3.0-tts-0.5B, il modello gemello denso con backbone da mezzo miliardo, non al checkpoint tiny. Il README GitHub di Ant riproduce questi dati nella sua sezione risultati senza tale distinzione. Vale la pena essere espliciti: non esiste un Elo indipendente per Ming-3.0-tts-tiny, né un dato misurato di caratteri al secondo, né un word error rate di terze parti.

• La classifica presente nella pagina del progetto riporta Breeze a 1.222 Provider e 1.018 Controlled, una differenza di due punti rispetto alla classifica live in entrambe le direzioni. Ecco come appare una classifica quando sta ancora accumulando voti; cita i dati live e segnala l'arrotondamento se stai confrontando documenti.

• Nella classifica controllata l'ordinamento dei sistemi open-weights è Ming-3.0-tts-0.5B a 1.069, Fish Audio Drama 3 Preview a 1.059, Breeze-TTS-2 a 1.019. Nella classifica dei provider Breeze guida quel gruppo a 1.220, con Ming-3.0-tts-0.5B a 1.188. Quindi il piccolo modello Ming vince quando la voce viene mantenuta costante e perde quando ciascun sistema porta il proprio cast vocale — il che dice qualcosa sulle registrazioni vocali di BreezeBlue e ben poco sull'architettura.

Niente di tutto ciò si trasferisce al piccolo checkpoint in nessuna delle due direzioni. Un lettore potrebbe ragionevolmente inferire che un modello mixture-of-experts da 7,9B con un punteggio di similarità tra parlanti cinesi migliore di quello del suo fratello da 0,5B otterrebbe un punteggio più alto nella board controllata. Questa inferenza non è verificata, non è un numero, e questo articolo non la presenterà come tale.

A cosa serve ciascuno

Togli le liste delle specifiche e i due modelli risolvono problemi diversi.

Breeze-TTS-2 è un rilascio pensato prima di tutto per il deployment. Due lingue, un modello denso da 3B che entra in una scheda da 12 GB in modalità eager, un'API di streaming con un percorso di latenza documentato, un container destinato a Hopper nei datacenter ma ricostruibile per A100, e un ecosistema di port quantizzati e specifici per runtime apparsi entro otto settimane dalla pubblicazione dei pesi. Il suo numero di download — 14.636 nell'ultimo mese, con 747 like e 17 Spaces — è l'aspetto che ha l'adozione quando un modello è facile da eseguire. Il suo vincolo è la licenza: pesi per ricerca e non commerciali, con un percorso ospitato a pagamento che non ti dà diritti di self-hosting commerciale.

Ming-3.0-tts-tiny è un rilascio all'insegna delle capacità. Nove lingue, controllo dei dialetti, progettazione della voce, un sistema paralinguistico a 14 tag, generazione di podcast multi-relatore e il miglior punteggio per voce clonata della sua famiglia, con 0,781 di similarità del parlante cinese. Il suo limite è tutto ciò che circonda la capacità: un download da 18 GB, un'attivazione sparsa che richiede memoria GPU reale, una storia di serving che è una casella da spuntare nella roadmap, nessun benchmark indipendente e nessun annuncio. Venti download e tre like su Hugging Face, cinque stelle su GitHub e dodici commit alla documentazione in un solo pomeriggio ti dicono che il fornitore sta ancora scrivendo il manuale.

Se devi rilasciare una funzionalità vocale bilingue entro questo trimestre su hardware che già possiedi, Breeze-TTS-2 con un accordo commerciale è la strada più breve, e la licenza è ciò su cui negoziare piuttosto che i calcoli. Se ti servono tedesco, spagnolo, giapponese, cantonese o un formato podcast, Breeze non può aiutarti e Ming è l'unica opzione open-weights con una tabella pubblicata — a condizione che tu possa assorbire la memoria e accettare che il coreano non sia pronto.

OrcaRouter non instrada nessuno di questi due modelli, e questo articolo non deve essere letto come se suggerisse il contrario. Ciò che si trova nel catalogo è la metà testuale della pipeline a cui si collegano queste voci: più di 200 modelli dietro un'unica chiave, al prezzo di listino del provider senza alcun ricarico aggiunto, quindi una variazione di prezzo del fornitore è attiva dalla nostra parte lo stesso giorno anziché secondo un ciclo di aggiornamento. Quando confronti due checkpoint self-hosted e nessuno dei due ha una tariffa hosted, l'unica spesa ricorrente che puoi davvero controllare è il modello che scrive lo script, ed è quella la parte per cui vale la pena usare il routing invece di noleggiare una GPU.

Il verdetto che resiste alle prove è più ristretto di quanto suggerisca il divario Elo. In un'implementazione commerciale a parità di condizioni, la licenza MIT decide prima ancora che si legga un singolo benchmark. Sulle attività bilingui sensibili alla latenza, l'ingegneria di Breeze decide prima della licenza. E sulla domanda per cui molti lettori sono arrivati — il modello più grande suona meglio? — la risposta onesta è che nessuno l'ha misurato, che la riga dell'arena che tutti citeranno è il checkpoint sbagliato e che la prima persona che li eseguirà entrambi sugli stessi audio di riferimento produrrà l'unico numero che valga la pena citare.