Ming-3.0-tts vs Qwen-Audio-3.0-TTS: pesi aperti contro una voce tariffata a carattere

Ming-3.0-tts e Qwen-Audio-3.0-TTS sono i due sistemi cinesi di sintesi vocale più credibili rilasciati nel 2026, e su quasi tutto non sono d'accordo, tranne che sulla qualità del loro output. Ming-3.0-tts è il modello open-weight con licenza MIT di Ant Group, pubblicato dal team inclusionAI il 20 ottobre 2026 come parte della famiglia vocale Ming-3.0. Qwen-Audio-3.0-TTS è il sintetizzatore vocale chiuso e accessibile solo via API di Alibaba, annunciato al WAIC il 20 luglio 2026 nelle versioni Plus e Flash senza alcun peso pubblicato. Uno lo scarichi ed esegui; l'altro lo noleggi a carattere. È questa la differenza su cui si basa il confronto, e il divario di qualità è più piccolo del divario tra i modelli di business.

C'è anche un dettaglio che sfugge alla maggior parte dei confronti tra questi due modelli, e cambia la raccomandazione: Qwen-Audio-3.0-TTS non è più il modello vocale Qwen che compreresti davvero. Alibaba l'ha sostituito con Qwen-Audio-3.1-TTS il 23 settembre 2026 e il giorno prima ha tagliato i prezzi di sintesi di circa il 70%. Quindi questa pagina confronta il modello indicato nel titolo con Ming-3.0-tts, perché è quello che le persone cercano, e poi ti dice cosa cambia il Qwen più recente nella risposta.

Il modello nel titolo è già superato

Qwen-Audio-3.0-TTS è stato lanciato al WAIC con un'affermazione fondata: primo posto nella Provider Voice Arena di Artificial Analysis, davanti a Gemini 3.1 Flash TTS e a una lunga lista di sistemi commerciali. È stato distribuito in due livelli — Plus per la qualità, Flash per l'interazione in tempo reale con una latenza del primo pacchetto di circa 300 ms — a prezzi di listino rispettivamente di circa 27,60 $ e 15 $ per milione di caratteri.

Nove settimane dopo, Qwen-Audio-3.1-TTS è arrivato all'Apsara Conference. I cambiamenti che contano per questo confronto:

• Prezzo — sintesi in calo di circa il 70%, tempo reale in calo di circa l'85%, con decorrenza dal 22 settembre 2026 per le regioni di Pechino e Singapore. Questo porta 3.1 TTS Flash a circa ¥1,5 per milione di token di input e ¥12 per milione di token di output, e porta l'equivalente Plus a circa $8 per milione di caratteri sulla vecchia unità.

• Controllo — istruzioni in linguaggio naturale libere per emozione, ritmo e stile sostituiscono gli 86 tag inline di delivery della 3.0. Si tratta di un cambiamento di usabilità, non di qualità, ed è quello che più probabilmente influirà sulla possibilità di rilasciare il prodotto.

• Clonazione — trasferimento timbrico tra lingue diverse, tra mandarino, cantonese, inglese e giapponese, oltre alla gestione diretta di audio di riferimento rumoroso o riverberato.

• Verifica — nessun punteggio arena indipendente al momento della stesura. Le dichiarazioni sulla qualità per 3.1 sono dichiarazioni del fornitore.

Quindi l'inquadratura equa non è "Ming contro Qwen" ma "Ming contro la generazione attuale di Qwen, il cui prezzo ora è circa un terzo di quanto faceva pagare 3.0". Il vantaggio di costo di Ming si restringe di conseguenza. La differenza architetturale no.

Due prodotti diversi, non due versioni di uno solo

• Modello di distribuzione — Ming-3.0-tts è distribuito con pesi con licenza MIT su Hugging Face e ModelScope, con il codice di inferenza in un repository GitHub separato. Qwen-Audio-3.0-TTS non pubblica pesi; viene erogato tramite Alibaba Cloud Model Studio.

• Dimensione — Il checkpoint predefinito di Ming è di 0,5B parametri, denso, su un backbone Qwen2.5-0.5B, circa 2,96 GB. Il suo modello gemello Ming-3.0-tts-tiny è un MoE da 7,9B totali e 1,3B attivi sul backbone Ling V3 di Ant. Qwen non divulga il numero di parametri per nessuno dei due livelli.

• Limite massimo della qualità dell'output — Ming si ferma a 44,1 kHz. Qwen-Audio-3.0-TTS è passato a 48 kHz e supporta la sintesi in un'unica passata fino a tre minuti.

• Copertura linguistica — Ming copre cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, oltre a sichuanese e cantonese. Qwen copre 16 lingue e 20 regioni dialettali cinesi, avendo aggiunto arabo, vietnamita, malese e filippino con la versione 3.0.

• Voci — Ming include oltre 100 voci cinesi e cinque inglesi. Il catalogo di Qwen è una selezione ospitata che non gestisci.

• Superficie di controllo — Ming offre il voice design a partire da una descrizione testuale, una “modalità regista” per istruzioni di resa in forma libera, 14 tag paralinguistici inline e controlli espliciti di emozione, velocità, tono e volume. Qwen 3.0 offriva prompt in stile libero per la regia più tag granulari; la 3.1 ha sostituito i tag con le istruzioni.

Il pattern in quell'elenco è coerente: Ming ti dà più controllo su un insieme di lingue più ristretto, mentre Qwen ti offre una copertura più ampia con meno visibilità su ciò che c'è sotto.

Qualità: ciò che l'arena dice e ciò che non dice

Entrambi i modelli dispongono di misurazioni indipendenti, una cosa abbastanza rara da meritare un uso attento. La trappola è confrontare tra schede diverse.

Sulla Provider Voice Arena — modelli che parlano con le proprie voci predefinite, che è il confronto omogeneo — Qwen-Audio-3.0-TTS-Plus ha ottenuto 1.238 Elo ad agosto 2026 e 1.259 a settembre, classificandosi secondo. Ming-3.0-tts ha ottenuto 1.188 Elo, terzo tra i modelli open-weight e circa 18º nella classifica generale. In quella classifica, Qwen è avanti di circa 50-70 Elo, un divario reale ma non enorme — all'incirca la differenza tra due livelli adiacenti di voce commerciale.

Ming ha due risultati che Qwen non può eguagliare sulla stessa classifica. Si è classificato a pari merito al primo posto assoluto per Pronunciation Robustness con il 93,2%, ed è primo tra i modelli open-weight nel Controlled Voice Arena con 1.069 Elo, una classifica costruita su otto voci clonate con accenti statunitensi e britannici. Qwen non compare nella classifica delle voci controllate, perché non esiste un checkpoint locale con cui eseguire quel test.

Letti insieme, quei numeri dicono qualcosa di preciso. Ming dà il meglio di sé quando riproduce una voce che gli fornisci, ed è più debole quando attinge al suo piccolo catalogo inglese. Qwen è forte sulle proprie voci e dichiara una somiglianza del parlante allo stato dell'arte in tutte e 16 le lingue — una dichiarazione del fornitore, non un dato indipendente. Se il tuo carico di lavoro è «clonare il nostro fondatore e leggere la newsletter», la classifica in cui Ming è più forte è quella che conta. Se è «darci 40 voci in 12 lingue», la copertura di Qwen è il fattore decisivo.

Un dato riportato dal fornitore merita di essere segnalato perché è insolito e pratico: il throughput di Qwen-Audio-3.0-TTS è stato indicato intorno a 16 caratteri al secondo, contro circa 120 per Sonic 3.5 e 30 per Simba 3.2. È lento. È il motivo per cui esiste il livello Flash, ed è il tipo di limite che una classifica della qualità non ti mostrerà mai. Il checkpoint 0.5B di Ming non ha un dato pubblico comparabile sul throughput, il che rappresenta una lacuna a sé stante.

Costo, nell'unità in cui ciascuno addebita

I due modelli non usano la stessa unità, quindi il confronto va convertito prima che abbia un senso. A circa 14 caratteri al secondo di parlato, un milione di caratteri equivale a circa 19 o 20 ore di audio.

• Qwen-Audio-3.0-TTS-Plus — 27,60 $ per milione di caratteri, ovvero circa 1,40 $ per ora di audio al prezzo di listino.

• Qwen-Audio-3.0-TTS-Flash — circa 15 $ per milione di caratteri, ovvero all'incirca 0,76 $ per ora di audio.

• Qwen-Audio-3.1-TTS — dopo il taglio di settembre, circa un terzo del prezzo di 3.0, quindi intorno a $0,40-$0,45 per ora audio per una sintesi equivalente.

• Ming-3.0-tts — nessun prezzo per carattere. Pesi MIT e, al suo posto, una bolletta GPU. Un H800 noleggiato a circa $2 per ora GPU, che esegue un modello da 0,5B ben oltre il tempo reale, produce diverse ore audio per ogni ora di tempo reale; con il batching, la tariffa effettiva scende sotto ciò che qualsiasi prezzo a consumo sopra indicato può raggiungere a volume sostenuto.

Il punto di pareggio è tutta la questione. Per poche ore di audio al mese, l'auto-hosting è un cattivo affare: la GPU resta inattiva per il 99% del tempo, lo stack di dipendenze richiede un giorno di lavoro e l'API a consumo costa meno dell'elettricità. Per qualche centinaio di ore al mese, l'API a consumo è l'opzione costosa di gran lunga, e il divario si allarga con ogni ora aggiuntiva perché il costo marginale della generazione successiva è quasi zero. Dove si collochi esattamente il tuo punto di pareggio dipende dal prezzo e dall'utilizzo della GPU, ma si misura in centinaia di ore al mese, non in migliaia.

C'è un secondo costo che non compare in nessuno dei due listini prezzi: il costo del modello che cambia sotto di te. Qwen-Audio-3.0-TTS è stato il miglior modello vocale venduto da Alibaba per circa nove settimane. Chiunque abbia costruito un prodotto sulla sua grammatica di controllo a 86 tag ha passato settembre a riscrivere i prompt per istruzioni in linguaggio naturale. I pesi MIT di Ming non possono essere deprecati, solo migliorati da te.

Controllo, clonazione e la realtà del deployment

Il voice design di Ming è la funzione per cui Qwen non ha un equivalente. Descrivi testualmente un parlante — età, timbro, ritmo, accento — e il modello sintetizza una voce corrispondente, senza una clip di riferimento. Per prototipare un personaggio o una voce di brand prima di avere una registrazione, si tratta di un flusso di lavoro davvero diverso rispetto a scegliere da un catalogo.

Il contrappeso di Qwen è la robustezza. La sua versione 3.1 gestisce specificamente audio di riferimento rumoroso e riverberante, ovvero la modalità di errore che compromette la clonazione nelle implementazioni reali: qualcuno registra un campione su un laptop in una sala conferenze e il clone suona come una persona diversa. La model card di Ming ammette candidamente che la similarità del parlante è inferiore all'accuratezza del contenuto, con il francese come il divario multilingue più evidente.

È nel deployment che i due divergono più nettamente in termini di impegno.

• Ming — clona il repository GitHub, installa CUDA 12.4 e PyTorch, facoltativamente compila flash-attn, installa pynini per la normalizzazione del testo ed esegui infer.py o l'API Python ming_tts.MingTTS. Hugging Face ospita solo i checkpoint e lo indica in un avviso. Il modello tiny necessita di un proprio ambiente. Al momento della stesura non è disponibile alcun provider di inferenza ospitato su Hugging Face.

• Qwen — una chiave API e un endpoint regionale. Nessuna infrastruttura, nessuno stack di dipendenze, nessuna pianificazione della capacità GPU. Inoltre non hai la possibilità di fissare una versione, ispezionare il modello o eseguire offline.

Per un team con una presenza GPU già esistente e un motivo di conformità per tenere l’audio in-house, Ming è la scelta ovvia e lo sforzo è un errore di arrotondamento. Per un team senza nessuno dei due, Qwen costa meno questo trimestre e di più su scala, e il lock-in è reale.

Dove si inserisce un router

Nessuno dei due modelli è su OrcaRouter. Non ospitiamo Ming-3.0-tts e non rivendiamo Qwen-Audio-3.0-TTS, e una pagina di confronto è il posto sbagliato per far credere il contrario. Quello che sta dalla nostra parte della pipeline è tutto ciò che circonda la voce: il modello linguistico che redige e riscrive lo script, oltre a modelli vocali ospitati come Gemini 3.1 Flash TTS Preview e GPT-4o mini TTS per i casi in cui l'hosting autonomo di Ming è la scelta sbagliata.

Questo è ciò che conta di più per la decisione di cui questa pagina si occupa davvero. Una pipeline vocale non è un singolo modello; è un generatore di script, un normalizzatore, un sintetizzatore e un fallback. Mettere la metà testuale dietro un'unica chiave API — oltre 200 modelli, 0% di ricarico sul prezzo di listino del fornitore, failover automatico quando un fornitore peggiora — significa che l'unica parte a cui ti stai impegnando è il modello vocale stesso. Se ospiti Ming in autonomia e si rivela più debole sui nomi del tuo brand inglese di quanto l'arena suggerisse, sostituire il livello vocale è un cambio di un solo componente, non una ripiattaformizzazione. Se costruisci sull'API ospitata di Qwen, il livello di routing è ciò che mantiene in vita il resto della pipeline quando l'endpoint è lento o soggetto a limiti di frequenza, e il prezzo pass-through significa che il prossimo taglio di prezzo di Alibaba ti arriva il giorno stesso in cui viene applicato, non quando fa comodo a un rivenditore.

Quale scegliere?

• Scegli Ming-3.0-tts se disponi di GPU, hai bisogno di una voce clonata o progettata anziché di un catalogo, desideri termini MIT che superino una revisione legale e puoi accettare strumenti di livello ricerca e un insieme ridotto di voci inglesi. È l'unica opzione qui che puoi possedere in modo esclusivo.

• Scegli Qwen-Audio-3.0-TTS solo se sei vincolato a esso per un motivo specifico: un contratto Alibaba Cloud esistente, un workflow basato sulla sua grammatica a 86 tag. Altrimenti stai scegliendo un modello superato a un prezzo superato.

• Scegli Qwen-Audio-3.1-TTS se desideri un'API vocale gestita e ad ampia copertura e se il taglio dei prezzi di settembre cambia i tuoi calcoli economici. Accetta che non è verificata su classifiche indipendenti e che il suo controllo basato su istruzioni è una nuova grammatica che dovrai imparare.

Il divario di qualità tra le due famiglie è abbastanza stretto da non dover decidere la questione. Sull'unica classifica in cui competono direttamente, Qwen è in testa di circa 50-70 Elo. Nelle classifiche che misurano il cloning, Ming è in cima e Qwen è assente. Ciò che realmente le separa è se la voce sia un servizio che noleggi o un artefatto che possiedi — e dopo che Alibaba ha sostituito il proprio flagship in nove settimane, quella distinzione appare meno come ideologia e più come rischio di approvvigionamento.