Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS: uno ha un tariffario, l'altro ha un repository

Il confronto che tutti vogliono è due punteggi affiancati, e oggi non può essere fatto in modo onesto. Ming-3.0-tts-tiny è un checkpoint vocale mixture-of-experts da 7,9 miliardi di parametri di inclusionAI del Gruppo Ant, rilasciato come pesi con licenza MIT, senza endpoint ospitato e senza valutazione indipendente. Qwen-Audio-3.0-TTS è un endpoint di sintesi ospitato su Alibaba Cloud Model Studio, lanciato il 20 luglio 2026, offerto in un tier Flash e un tier Plus, senza pesi da nessuna parte e senza una tabella pubblicata dei tassi di errore. Da un lato c'è una posizione in classifica e un prezzo. Dall'altro c'è una pipeline scaricabile e una suite di benchmark del fornitore. Il lavoro utile qui non è scegliere un vincitore da quei due artefatti; è stabilire quali numeri possono essere messi uno accanto all'altro, e quali no. I guasti AI documentati e gli incidenti degli agenti dietro rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Le date contano, perché nessuno dei due prodotti è arrivato come lascerebbe pensare un post di lancio. Il repository Hugging Face di Ming-3.0-tts-tiny è stato creato il 22 settembre 2026 e il checkpoint stesso è stato caricato il 24 settembre. Per tre settimane e mezza è stato una cartella di pesi senza alcun modo di eseguirli: il codice di inferenza, gli esempi one-click e il cookbook delle attività sono arrivati su GitHub solo il 19 ottobre alle 08:58 UTC, in nove commit nell'arco di un solo pomeriggio. Ant non l'ha annunciato, non c'è alcun post sul blog, nessun video della model card e nessun report tecnico. Qwen-Audio-3.0-TTS, al contrario, ha avuto un vero lancio ed è ancora nel listino prezzi di Alibaba — e il livello che conta per la qualità, Plus, è ancora in cima alla scala di sintesi di Alibaba anche dopo l'arrivo della generazione 3.1 a settembre.

La riga della classifica corrisponde al checkpoint sbagliato, e il repository non lo segnala.

Inizia da qui, perché questo è l'errore che farà la prima ondata di post di confronto. Artificial Analysis gestisce due classifiche vocali, ed entrambe riportano un modello chiamato Ming-3.0-tts. Al 19 ottobre si trova a 1.188 Elo nella classifica Provider Voice e a 1.069 nella classifica Controlled Voice.

Quella voce è il 0.5B modello, non questa voce. Ming-3.0-tts-tiny non ha proprio nessuna riga nell'arena — né classificata, né non classificata, né come voce in anteprima. Il README di GitHub riproduce le cifre 1.188 e 1.069 nella sua sezione risultati senza distinguere quale checkpoint le abbia prodotte, ed è esattamente così che un numero acquisisce l'etichetta sbagliata due repost più tardi.

Quindi, quando vedi "Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266", ciò che viene effettivamente confrontato è il modello dense da mezzo miliardo di parametri di Ant rispetto al tier hosted più grande di Alibaba, con il modello nel titolo di questo articolo assente dalla classifica. Il divario di 78 punti è reale per il 0.5B. Non dice nulla sul piccolo MoE, in nessuna delle due direzioni. Il modello piccolo potrebbe essere migliore; nessuno lo ha messo davanti a un panel di preferenze.

L'assenza non è un punteggio basso. È un modello non valutato, ed è proprio questa distinzione la ragione per cui esiste questa sezione.

Cosa sia realmente ogni lato

Togli la componente marketing e i due oggetti differiscono per genere prima ancora che per qualità.

• Forma — Ming-3.0-tts-tiny è un checkpoint che scarichi: circa 18 GB, 8.980.964.372 parametri in BF16 più 40.096 in F32, contenente la backbone Ling V3, una testa diffusion-transformer, un tokenizer audio, un encoder speaker CAM++ e il tokenizer del testo. Qwen-Audio-3.0-TTS è un endpoint HTTP che restituisce audio; non c'è nulla da scaricare e nessuna licenza da verificare.

• Parametri — 7,9B in totale con circa 1,3B attivi per token, una miscela sparsa di esperti, rispetto a un modello ospitato per il quale A​libaba non pubblica il numero di parametri.

• Licenza — MIT sia sui pesi che sul codice, con una nota d'uso che invita a non impersonare persone senza consenso e a etichettare l'audio sintetico. Sul fronte hosted, termini commerciali per l'API.

• Lingue — cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, oltre al sichuanese e al cantonese quando viene fornito un clip di riferimento dialettale. Qwen-Audio-3.0-TTS elenca 16 lingue e 20 regioni dialettali cinesi.

• Superficie di controllo — clonazione zero-shot, progettazione della voce a partire da una descrizione, istruzioni di stile in forma libera, 14 tag paralinguistici inline, emozione esplicita, impostazioni di velocità, intonazione e volume, e un'attività podcast multi-parlante. Qwen-Audio-3.0-TTS offre la clonazione più circa 86 tag di resa inline e il controllo in stile istruzione.

• Prezzo — nessuna tariffa indicata sul fronte Ming-3.0-tts-tiny; si paga il tempo di GPU. Qwen-Audio-3.0-TTS-Plus costa ¥1,4 per 10.000 caratteri nella lista di Pechino di Alibaba, che Artificial Analysis normalizza a $19,31 per milione di caratteri.

• Punteggio indipendente — nessuno per Ming-3.0-tts-tiny. 1.266 Elo su Provider Voice e 1.126 su Controlled Voice per Qwen-Audio-3.0-TTS-Plus, entrambi con intervalli di confidenza che non toccano i valori 1.188 e 1.069 della riga Ming-3.0-tts.

Due tipi di prova che non si convertono l'uno nell'altro

L'arena misura la preferenza. Le tabelle di Ant misurano errore e somiglianza. Nessuna delle due si converte nell'altra, e si dovrebbe resistere alla tentazione di trattare un divario Elo come un moltiplicatore di qualità.

Ciò che Qwen-Audio-3.0-TTS ti offre è il giudizio relativo di una folla sulle sue voci native, con a supporto la numerosità dei campioni e gli intervalli. Ciò che Ant ti offre è la misurazione di un laboratorio del proprio modello rispetto a un set di test fisso, con l'harness, le clip di riferimento e il codice di scoring scelti tutti dallo stesso team che ha costruito il modello. Entrambi sono legittimi. Nessuno dei due sostituisce l'altro, e solo uno dei due esiste per il modello nel titolo di questo articolo.

La suite di Ant è ampia, e vale la pena sapere cosa contiene prima di liquidarla. Sul set cinese Seed-TTS il modello tiny registra lo 0,820% di errore sulle parole con 0,781 di similarità del parlante — il valore di similarità migliore in assoluto nelle tabelle pubblicate da Ant, incluso lo 0,758 del suo modello gemello da 0,5B. L'inglese raggiunge l'1,666% a 0,728. Il tedesco si attesta allo 0,325% di errore sui caratteri e lo spagnolo allo 0,971%, entrambi primi nel confronto a otto sistemi di Ant. Il giapponese è al 3,427%, il francese al 3,470%. Nel test paralinguistico a evento singolo di NVBench guida tutte e sei le categorie, con 17,23 PCER in cinese e 32,95 in inglese. Le suite dialettali arrivano all'86,09% di accuratezza su WSC-Eval-TTS easy e al 92,90 su WSYue base, il set delle emozioni al 74,00% di media su CV3 e il voice design al 75,37% su InstructTTSEval-ZH. Tutto quanto è l'harness di Ant: eseguito da Ant, riportato da Ant e non riprodotto da nessuno.

Il riassunto onesto è che Qwen-Audio-3.0-TTS è stato giudicato da estranei e Ant è stato giudicato dal suo autore. Non è una critica a nessuno dei due; è un'affermazione su ciò che sono i due numeri.

L'unico confronto testa a testa che Ant pubblica, ed è contro se stessa

In quella suite c'è un risultato che si comporta come un vero confronto, perché il concorrente è il modello 0,5B di Ant stesso e la differenza è abbastanza ampia da resistere a un harness diverso.

Sul coreano, Ming-3.0-tts-tiny registra un tasso di errore sui caratteri del 6,000%. Il modello da 0,5B registra 1,728%. Stesso team, stesso set di test, stesso giorno di rendicontazione — un fattore di circa tre volte e mezzo, nella direzione che nessuno si aspettava dal modello più grande. La model card non lo spiega, e la sezione sui limiti elenca il coreano tra i punti deboli noti senza offrire un meccanismo.

È disponibile una spiegazione strutturale, che va etichettata come ipotesi e non come risultato: i modelli sparsi instradano ogni token attraverso un sottoinsieme di esperti, perciò una lingua che ha ricevuto meno segnale di addestramento all’interno della miscela può degradarsi più rapidamente di quanto farebbe in un modello denso di dimensioni totali comparabili. È plausibile. Non è misurato. Ciò che è difendibile è la conclusione operativa, che è più ristretta: se il coreano è presente nel tuo prodotto, questo checkpoint non è quello a cui ricorrere finché qualcuno non lo esegue su testo coreano reale e ne pubblica il risultato.

Qwen-Audio-3.0-TTS include il coreano tra le sue 16 lingue, e A​libaba non pubblica alcun tasso di errore per lingua da confrontare con il 6,000% di Ant. Quindi anche il punto debole non può essere trasformato in un confronto. Può essere letto solo come un avvertimento.

Un milione di caratteri, a doppio prezzo

È qui che i due prodotti smettono di essere astrazioni.

Qwen-Audio-3.0-TTS fattura per carattere. Al prezzo normalizzato dell'arena di {{1}}$19.31{{/1}} per milione di caratteri, un milione di caratteri di narrazione completata costa {{1}}$19.31{{/1}}, e cento milioni costano {{2}}$1,931{{/2}}. Il numero è lineare, prevedibile e disponibile prima di scrivere qualsiasi codice. Il throughput sullo stesso harness indipendente è di {{3}}25,61 caratteri al secondo{{/3}} di tempo di generazione, il che è una questione di concorrenza più che di fatturazione alla scala dell'API.

Ming-3.0-tts-tiny si fattura in GPU-ore, e l'aritmetica ha un buco nel mezzo. Il gemello 0.5B è stato misurato a 42,1 caratteri al secondo; il modello tiny non è stato misurato affatto. Non è possibile mutuare il throughput del suo gemello, perché il modello tiny attiva circa due volte e mezzo il numero di parametri per token e occupa circa 18 GB invece di 2,96 GB. La scheda consigliata da Ant è una H800, e l'ambiente con versioni fissate — Python 3.10.15, torch e torchaudio 2.7.1 con CUDA 11.8, transformers 4.46.3 — è l'unica dichiarazione di prestazioni nel rilascio.

Quindi fai il calcolo apertamente invece di far finta che sia una questione risolta. A 20 caratteri al secondo, un milione di caratteri equivale a circa 14 ore di generazione; a 10 caratteri al secondo, a circa 28. Moltiplica queste ore per il tuo costo GPU-ora, aggiungi il tempo di caricamento del modello, le code e i tentativi, e confronta con $19,31. Sotto qualche milione di caratteri al mese, la tariffa ospitata di solito vince sul costo totale una volta che si include il tempo di qualcuno. Sopra, su hardware che già possiedi e tieni occupato, il costo marginale orario del checkpoint è lo stesso del primo — il che è il vantaggio strutturale che nessun listino prezzi può eguagliare.

Una cosa che il confronto dei prezzi non dovrebbe nascondere: i due modelli non sono lo stesso prodotto a nessun prezzo. Il livello Plus di Qwen-Audio-3.0-TTS è un catalogo vocale completo con 16 lingue; Ming-3.0-tts-tiny è una pipeline che gestisci tu, di cui misuri tu stesso la qualità dell'output.

La questione dei livelli che A​libaba non ha risolto

Chi oggi sceglie Qwen-Audio-3.0-TTS sceglie all’interno di una famiglia che gli è cambiata sotto i piedi. La linea Qwen-Audio-3.1 è stata annunciata il 23 settembre 2026, e Artificial Analysis indica un Qwen-Audio-3.1-TTS-Plus a 1.300 Elo su Provider Voice e 1.186 su Controlled — sopra il 3.0 Plus in entrambe le classifiche, con data 24 settembre, allo stesso prezzo di $19,31 per milione di caratteri.

Ma il tariffario pubblico di Alibaba elenca solo uno SKU Flash per TTS 3.1, quindi stabilire se il livello 3.1 Plus sia oggi utilizzabile è una questione da verificare nella console del fornitore stesso, non qualcosa da dedurre da una classifica. In ogni caso, l'interpretazione pratica è la stessa: il livello 3.0 Plus non è obsoleto, ma non è più la soluzione più recente a cui Alibaba ha assegnato un punteggio, e un acquirente dovrebbe confermare quale SKU stia effettivamente contrattando prima di confrontarne il prezzo con qualsiasi altra cosa.

Per Ming-3.0-tts-tiny non c'è alcuna questione di tier — c'è un unico checkpoint, nessuna roadmap con date, e una nota di supporto per vLLM-Omni comparsa nella documentazione lo stesso giorno del codice.

Ciò che i repository non stabiliscono

Vale la pena nominare quattro lacune prima che chiunque pianifichi su questo modello.

• Nessun punteggio indipendente: nessuna riga nell'arena, nessun tasso di errore sulle parole di terze parti, nessun throughput misurato. La riga che sembra quella di Ming-3.0-tts-tiny appartiene al modello 0.5B.

• Nessun rapporto tecnico — la roadmap lo elenca come non spuntato, e la scheda del modello è stata modificata il 16 ottobre per rimuovere un riferimento a uno.

• Nessun endpoint ospitato — non esiste alcuna API di prima parte né un prezzo, quindi l'unica via verso la produzione è la propria infrastruttura.

• Nessuna ricetta di fine-tuning — il repository documenta attività di inferenza, non di addestramento. Il LoRA o il fine-tuning completo su questo checkpoint non sono documentati, il che è una situazione diversa da quella di un modello che include script di addestramento.

Al momento della cattura il repository Hugging Face mostrava 20 download e 3 like, e il repository GitHub qualche stella e nessuna release. Non è prova di nulla se non del fatto che il rilascio è stato silenzioso, che è l'unica affermazione di cui questo articolo è sicuro.

Quanto vale in pratica questo confronto

Se questo mese ti serve una voce in produzione, in più di un paio di lingue, con qualcun altro che si faccia carico dell’uptime, Qwen-Audio-3.0-TTS-Plus è la scelta difendibile: ha una valutazione, un prezzo, documentazione e supporto, e i 1.266 Elo sono misurati anziché asseriti.

Se hai bisogno di possedere il modello — clonare voci che non puoi inviare a terzi, generare a un volume in cui la fatturazione per carattere domina, distribuire con una licenza che consente la ridistribuzione — Ming-3.0-tts-tiny è l'unico dei due che può essere tuo. Accetta in cambio che sarai tu il primo a sottoporlo a benchmark, che il coreano è una debolezza nota che il suo stesso fornitore pubblica e che la pipeline ha solo una settimana di vita.

OrcaRouter non instrada nessuno dei due modelli, e nulla di quanto segue va interpretato come un'asserzione contraria; la voce si raggiunge tramite il canale proprio di ciascun fornitore, e il checkpoint Ming-3.0-tts-tiny tramite il tuo hardware. Ciò che instradiamo è la metà testuale della stessa pipeline — oltre 200 modelli dietro un'unica chiave, al prezzo di listino del fornitore senza alcun ricarico aggiunto, così un cambio di prezzo da parte di un fornitore di testo è il tuo prezzo lo stesso giorno. Per un prodotto vocale, lo script, le indicazioni in stile SSML e l'agente che decide cosa dire sono tutti testo, ed è la parte in cui un secondo contratto con un fornitore non ti dà alcun vantaggio.

Il numero che risolverebbe la questione non esiste ancora. Non è un punteggio Elo; è un pomeriggio su un H800 in cui si esegue il checkpoint minuscolo rispetto alle stesse clip di riferimento usate da Ant, con i risultati pubblicati insieme all'harness. Finché qualcuno non lo fa, la posizione onesta è quella assunta da questo articolo: due artefatti credibili, uno con punteggio e uno senza, e un confronto che deve essere fatto su proprietà, struttura del prezzo e rischio linguistico anziché sulla qualità.