Ming-3.0-tts vs Cartesia Sonic 3.6: uno legge correttamente il tuo numero di fattura, l'altro risponde in 90 ms

Metti Ming-3.0-tts e Cartesia Sonic 3.6 sulla stessa linea dell'arena vocale di Artificial Analysis e il tabellone dice che vince Cartesia: 1.290 Elo contro 1.188 su Provider Voice, un divario di 102 punti, con intervalli di confidenza che non si avvicinano nemmeno a toccarsi. Mettili sul tabellone della pronuncia e il risultato si ribalta così tanto che sembra un errore nei dati: 93,2% contro 74,5%. Gli stessi due sistemi, misurati dallo stesso laboratorio, nello stesso mese, divergono di diciotto punti percentuali su quale dei due sia in grado di leggere l'inglese ad alta voce. Entrambi i numeri sono corretti, e il motivo per cui possono esserlo entrambi è l'intera comparazione. 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, gravità, livello di confidenza e indicatore di contestazione.

Ming-3.0-tts è il modello a pesi aperti di Ant Group con licenza MIT — un checkpoint dense da 0,5B che esegui sulla tua GPU, con un fratello mixture-of-experts da 7,9B chiamato Ming-3.0-tts-tiny. Cartesia Sonic 3.6 è un endpoint real-time proprietario rilasciato il 17 agosto 2026, con prezzo per carattere, commercializzato sulla latenza del primo audio inferiore a 90 millisecondi e sulla copertura di 44 lingue. Uno è un modello. L'altro è un servizio costruito per rispondere a una telefonata. Quale dei due vuoi dipende da una domanda che non ha nulla a che fare con l'Elo: il tuo testo è per lo più prosa, o per lo più cose che devono essere dette esattamente?

I due numeri che contano, e perché non coincidono

Inizia dalle bacheche delle preferenze, perché sono quelle che la gente cita.

• Elo voce del provider — Ming-3.0-tts 1.188 (intervallo 1.174–1.202) rispetto a Sonic 3.6 1.290 (1.276–1.304). Sonic è 4º su 97 modelli; Ming è 18º.

• Controlled Voice Elo — Ming-3.0-tts 1.068 (1.052–1.084) vs Sonic 3.6 1.151 (1.138–1.164). Sonic è 5°; Ming è 12°. Il divario si riduce di 19 punti una volta che entrambi i sistemi clonano le stesse otto voci.

• Robustezza della pronuncia, inglese — Ming-3.0-tts 93,2% (91,5–94,9) contro Sonic 3.6 74,5% (71,4–77,5). Ming è al 1º posto su 31 sistemi misurati; Sonic è al 19º.

Non sono risultati contraddittori; misurano cose diverse. Le classifiche Elo chiedono agli ascoltatori umani quale clip preferiscono, e la preferenza premia gli elementi che rendono piacevole il parlato sintetico: prosodia naturale, emozione convincente, una voce che non sembri leggere un manuale. Sonic 3.6 è molto bravo in questo. Da agosto è il sistema quarto in classifica nell'arena e si guadagna quella posizione.

La commissione per la pronuncia pone una domanda più ristretta e più severa: il sistema ha pronunciato correttamente questo specifico segmento? I revisori umani hanno annotato parole e frasi evidenziate in testi inglesi — nomi di marchi, termini tecnici, percorsi di file, indirizzi email, numeri, date, unità — e hanno giudicato ciascuna. In quel test, Sonic si colloca nella metà inferiore dei 31 sistemi valutati, mentre Ming si colloca in cima a tutti.

I punteggi parziali rendono la forma del fallimento più chiara rispetto al punteggio aggregato:

• Termini autonomi — Ming-3.0-tts 88,5% vs Sonic 3.6 72,6%

• Appropriato al contesto — Ming 91,0% vs Sonic 78,2%

• Conservazione delle sequenze esatte — Ming 90,6% (1º su 31) vs Sonic 60,8%

• Shorthand in espansione — Ming 96,5% (1º su 31) vs Sonic 49,1%

È su Expanding Shorthand che bisogna soffermarsi. Copre numeri, date, unità e notazione — "6'2\"", "Capitolo XVII", "1 cucchiaino". Con questa metrica, Sonic 3.6 azzecca circa la metà di quegli intervalli. È un numero sorprendente per un'API vocale di produzione, ed è il tipo di cosa che una demo non fa mai emergere, perché le demo sono scritte nella prosa scelta dal fornitore. Metti davanti a essa una conferma d'ordine, un dosaggio o una misura e la classifica delle preferenze non predice più nulla di utile.

Il caso di latenza e throughput, in cui Cartesia non è neanche lontanamente vicina

La rivendicazione principale di Cartesia è un primo audio in meno di 90 millisecondi, ed è il numero che conta per un agente conversazionale: il chiamante sente una voce prima di decidere che sei una macchina. Ming-3.0-tts non pubblica alcun dato sulla latenza. Ciò che il banco di prova indipendente ha è il throughput, e non è clemente con il modello open.

Caratteri generati al secondo — Sonic 3.6 146,9 contro Ming-3.0-tts 44,3. Cartesia è 3,3 volte più veloce a parità di condizioni hardware.

• Tempo mediano di generazione per una richiesta valutata: Sonic 3.6 9,20 s vs Ming 2,56 s. Leggi attentamente questo dato; riflette lunghezze delle richieste diverse, non un vantaggio di velocità per Ming.

Il riassunto onesto è che Sonic 3.6 è pensato per lo streaming e Ming-3.0-tts è pensato per il batch. A 44,3 caratteri al secondo — circa sette parole — il modello self-hosted supera effettivamente il parlato reale, quindi una lunga narrazione termina prima del tempo necessario per ascoltarla. Ciò che non ha è una storia di streaming, un time-to-first-audio pubblicato o la gestione delle sessioni. Cartesia vende esattamente queste tre cose.

Se stai costruendo un agente telefonico, uno strumento di traduzione in tempo reale o qualsiasi cosa in cui una persona attenda la prima sillaba, il confronto finisce qui e dovresti smettere di leggere. Il resto di questo articolo riguarda l'altro caso: testo preparato in anticipo, o testo la cui correttezza conta più della sua immediatezza.

Cosa ti offre realmente ciascuna delle due parti

Ming-3.0-tts, del gruppo inclusionAI di Ant Group, è distribuito come checkpoint da 2,96 GB contenente il backbone, una testa di patch diffusion-transformer, un tokenizer audio, un encoder di parlante e un tokenizer di testo, con licenza MIT e uso commerciale consentito. Genera audio a 44,1 kHz, supporta sette lingue oltre al dialetto del Sichuan e al cantonese, e offre clonazione vocale, progettazione della voce descritta tramite testo, 14 tag paralinguistici inline e controllo di emozione e velocità/tono/volume. Ant lo ha testato su un H800-80GB e un H20-96G con PyTorch 2.6 e CUDA 12.4, e include un Dockerfile.

Sonic 3.6, di Cartesia, è un'API. Gestisce 44 lingue con un solo modello, clona una voce da dieci secondi di audio di riferimento, supporta una resa consapevole delle emozioni e segnali non verbali inseribili, e accetta dizionari di pronuncia personalizzati — che sono la risposta dello stesso fornitore esattamente al problema che misura la board di pronuncia, e vale la pena notare che un cliente che lo configura non viene valutato sul percorso predefinito testato dall'arena. Cartesia costruisce anche il resto dello stack vocale: riconoscimento vocale, agenti vocali a $0.06 al minuto, numeri di telefonia e limiti di concorrenza che scalano con il livello del piano.

• Licenza — pesi MIT che mantieni vs un'API commerciale senza pesi

• Copertura linguistica — 7 più 2 dialetti rispetto a 44

• Deployment — la tua GPU vs il loro endpoint

• Frequenza di campionamento in uscita — 44.1 kHz rispetto a non pubblicata nella pagina del prodotto

• Clonazione vocale — audio di riferimento, testo di riferimento e una modalità di attività esplicita rispetto a 10 secondi di audio, istantaneo

• Base di prezzo — ore GPU vs crediti a un credito per carattere

Il prezzo dei crediti vale la pena di essere convertito, perché "un credito per carattere" non è un numero su cui la maggior parte dei team può fare budget. La stessa tabella dei piani di Cartesia indica che un minuto di audio richiede 750–800 crediti, il che colloca la tariffa effettiva intorno a $0,038 al minuto sul piano Pro da $5, $0,029 sul piano Startup da $49 e $0,028 sul piano Scale da $299. L'arena lo normalizza a $49 per milione di caratteri, che è il dato comparabile rispetto allo zero di Ming. Ming non è gratuito; è una bolletta in ore GPU che il tuo team finance vedrà come infrastruttura anziché come voce di costo per parola.

Il confronto a tre mesi che nessuno mette nella recensione

C'è una versione di questa decisione che sopravvive a entrambi i modelli, ed è quella che conta per un sistema in produzione: cosa succede quando il modello che hai scelto viene sostituito.

Cartesia ha rilasciato Sonic 3, 3.5 e 3.6 nell'arco di un anno, a un prezzo costante di 49 $ per milione di caratteri. Ant ha rilasciato Ming-omni-tts a febbraio, una variante da 16,8B a giugno e ora Ming-3.0-tts — con un report tecnico ancora non spuntato sulla sua roadmap e un percorso di accelerazione vLLM-Omni contrassegnato come completato ma non documentato nel repository. Entrambi i fornitori si muovono rapidamente. Nessuno dei due ha intenzione di fermarsi.

Per un modello hosted è un normale aggiornamento di versione. Per un checkpoint self-hosted è una migrazione: nuovi pesi, nuove dipendenze, un nuovo ciclo di valutazione sul proprio testo. La licenza MIT tutela il tuo diritto a continuare a usare la versione vecchia, il che è un vantaggio reale e il motivo principale per cui i team scelgono i pesi aperti fin dall'inizio — ma non ti protegge dal desiderio di avere quella nuova.

Questo è il punto in cui un livello di routing fa qualcosa di concreto anziché di retorico. OrcaRouter non ospita Ming-3.0-tts né Cartesia Sonic 3.6, e nulla qui deve suggerire il contrario — Ming proviene dal repository, Sonic dall'API di Cartesia stessa. Ciò che il catalogo offre invece è un insieme di modelli vocali ospitati, tra cui le anteprime G​emini T​TS di G​oogle e i modelli tts-1 e gpt-4o-mini-tts di O​penAI, dietro la stessa chiave di oltre 200 modelli di testo, al prezzo di listino del provider senza alcun ricarico aggiunto, con failover automatico tra provider. Se la tua pipeline vocale dispone di un percorso di fallback — e qualsiasi pipeline che gestisca traffico in tempo reale dovrebbe averlo — quel fallback può essere un unico endpoint anziché un secondo contratto e un secondo SDK. Un ribasso di prezzo del fornitore arriva fino a noi lo stesso giorno, perché non c'è alcun ricarico intermedio da annullare.

Quale scegliere, in base al carico di lavoro

La decisione è breve se rispondi onestamente sul testo.

Scegli Sonic 3.6 se c’è una persona in attesa del primo audio, ti servono più di una manciata di lingue oppure vuoi che un fornitore gestisca l’uptime. Il divario di preferenza di 102 punti è reale e gli ascoltatori lo sentiranno. Configura il dizionario di pronuncia per i termini che il tuo prodotto pronuncia davvero, perché il percorso predefinito ottiene un punteggio del 74,5% proprio su questo.

Scegli Ming-3.0-tts se il tuo audio viene generato in anticipo — narrazione, lettura ad alta voce di documentazione, prompt IVR, materiale formativo, bozze di audiolibri — e il testo contiene identificatori, unità, codici o notazione. Nelle tre categorie che coprono queste porzioni è primo oppure entro tre punti dalla vetta, e nessun sistema ospitato nella classifica è migliore nel preservare una sequenza esatta.

Non scegliere nessuno dei due, però, se hai bisogno che i nomi propri inglesi siano corretti. L'88,5% di Ming sui Termini autonomi è il 21º posto su 31, ed è l'unica categoria in cui il modello è inequivocabilmente a metà classifica. Un nome di marca pronunciato male in una demo di prodotto costa più di una data letta in modo goffo.

C'è anche un ibrido che nessuno dei due fornitori suggerirà: usare un modello in tempo reale ospitato per la superficie interattiva e un checkpoint self-hosted per il corpus batch, e valutarli sullo stesso testo tenuto da parte. I due sistemi falliscono in punti diversi, ed è questo che rende la separazione degna del costo operativo.

La questione aperta

La pagina del prodotto di Cartesia afferma che l'azienda è al primo posto nella Speech Arena. Era vero quando la pagina è stata scritta e non lo è più — HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo ed Eleven v4 si trovano tutti sopra Sonic 3.6 oggi, e la posizione di Sonic stesso è la quarta. Le dichiarazioni dei fornitori sulle classifiche invecchiano in settimane. Il punteggio di pronuncia del 74,5% è il dato più duraturo in questo confronto, perché è misurato da qualcuno che non ha un prodotto da vendere ed è talmente negativo che la stessa funzione dizionario di pronuncia di Cartesia esiste per aggirarlo.

Cosa cambierebbe il verdetto: un rilascio in streaming di Ming-3.0-tts con un tempo al primo audio pubblicato, oppure un Sonic 3.7 che corregga l'espansione delle abbreviazioni. Nessuno dei due è annunciato. Fino ad allora la divisione è netta — velocità e copertura da una parte, esattezza e proprietà dall'altra — e la risposta giusta è smettere di cercare un vincitore e iniziare a guardare il proprio corpus.