GPT-Live-1 対 Ming-3.0-TTS：MITライセンスと従量制の1分が出会うとき

Ming-3.0-TTSは2026年10月20日に、多くの音声チームが夢見るライセンスを携えて登場しました。MITライセンス、Hugging FaceとModelScope上の重み、GitHub上の推論コード、1文字あたりのコストゼロ、そして対応言語リストに四川語と広東語を備えています。GPT-Live-1は毎分0.05ドルかかり、重みを提供せず、OpenAIがチューニングした言語を話します。両者を比較することは、実際には品質の問題ではありません。それは、顧客が実際にどの言語を話すのか、そして顧客にサービスを提供するためにGPUを動かす用意があるのかという問題です。

どちらも実在し、どちらも現行で、どちらも相手にできないことを得意としている。ここに正直な区分けを示す。

Mingファミリーは1つのモデルではなく、2つのモデルです

アントグループのinclusionAIチームは、Ming-3.0-TTSを、単一の生成フレームワークを共有する一対としてオープンソース化した——言語モデルが拡散Transformerパッチヘッドと音声トークナイザーへ供給する。

• Ming-3.0-TTS-0.5B — Qwen2.5-0.5Bバックボーン上の密なモデルで、約5億パラメータ、ダウンロードサイズは2.96GB、H800-80GBまたはH20-96G上で動作します。

• Ming-3.0-TTS-Tiny — AntのLing V3アーキテクチャを採用したMixture-of-Experts構成で、総パラメータ数79億、うち13億がアクティブ。複数話者のポッドキャストモードを追加したモデルです。

0.5Bは、音声製品の価格を見積もったことのある人にとって興味深い存在です。3ギガバイトに収まる5億パラメータのTTSモデルは、データセンターへの投資ではなく、すでに手元にあるかもしれないGPU1枚で動かせるものです。Tinyは品質重視の選択肢であり、Ant自身の注記によれば、そのポッドキャスト出力は以前のMing-Omni-TTSを下回ります — 率直な制約であり、額面どおりに受け取る価値のあるものです。

機能一覧：ゼロショット音声クローン、テキスト記述からの音声デザイン、100以上の内蔵中国語音声と5種類の英語音声、笑い・ため息・息遣いに対応する14個のインライン・パラ言語タグ、自然言語によるスタイル制御、44.1kHz出力。言語は中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語に加え、四川語と広東語の方言です。

代わりにGPT-Live-1が提供するもの

OpenAIのモデルは会話エンジンであり、スクリプトインターフェースを備えたシンセサイザーではありません。2026年9月10日からAPIで提供されており、音声とテキストを入力として受け取り、音声とテキストを出力として返し、話しながら聞き取り、推論が必要な質問ではテキストモデルに推論を委ねます。エンドポイントは1つ：v1/live/sessions。1分あたり0.05ドル、秒単位で課金されます。ナレッジカットオフは2025年7月、文書化されたコンテキストウィンドウはなく、無料枠でのアクセスもありません。

文書化された方言対応も、ボイスクローニングも、文字単位の課金もなく、4,000文字の原稿を渡してファイルを受け返してもらう方法もありません。あるのは、きちんと機能するターン交代です。カスケード型の音声エージェントならどれも、半年かけて調整し、それでも状態の悪い電話回線では誤ってしまう、まさにそのターン交代です。

言語の質問が最初に来ます。

あなたのユーザーがマンダリン、広東語、四川語を話すなら、この比較は早々に終わります。Ming-3.0-TTS はこれらの言語向けに作られ、言語別の単語誤り率を公開し、適応版ではなくネイティブに聞こえる音声を提供します。GPT-Live-1 のドキュメントには方言の取り扱いが一切説明されておらず、私たちが確認できる導入例 — ChatGPT Voice や、現在の Perplexity の音声モード — は英語優先の製品です。

ユーザーが英語しか話さないなら、Mingの優位性はそのライセンスと価格だけに縮まり、GPT-Live-1の優位性は会話レイヤー全体になります。それが本当の分岐点であり、Eloとは何の関係もありません。

Mingの言語の広さが真に戦略的になる唯一の場面は、複数の市場を同時に担う必要がある製品、つまりドイツ語、スペイン語、韓国語、日本語を1つのリリースに収める製品です。Antは、Tinyバリアントでドイツ語とスペイン語の単語誤り率が最も良いと報告していますが、新しい言語では話者類似性が弱く、おおむね上位3位圏外にとどまるとも指摘しています。要するに、広いカバレッジとむらのある忠実度であり、リストを信用するのではなく市場ごとに実際に試して選ぶべきということです。

「$0」という主張を検証する

Mingは、ライセンス料がかからないという意味では無料です。しかし、それを提供するのにコストがかからないという意味では無料ではありません。そして、「ゼロコストTTS」に関するあらゆる記事は、その工程を黙って飛ばしています。

Artificial AnalysisはMing-3.0-TTSの価格をまったく記録していません。この欄はN/Aと表示されています。inclusionAIには価格設定の対象となるホスト型商用APIが存在しないためです。あなたのコストはGPU時間であり、正直な計算式は次のとおりです：（GPUの時間単価 ÷ 1時間あたりに合成される文字数）× 1,000,000。第2項はご自身で埋めてください。0.5Bのスループット数値を公開している人は誰もいないため、オンラインで目にする100万文字あたりの数値はどれも、比較のなかで出回っている$6.58の損益分岐点を含め、モデルの作者が公表していない速度に関する仮定に基づいています。

数字を捏造せずに言えるのは、GPU時間あたり2ドルのレンタルでは、100万文字あたり4ドル未満に収めるために1時間あたり約50万文字を合成する必要があるということだ。これはモデルがリアルタイムの数倍の速さで動くことを要する水準であり、0.5Bモデルなら可能そうだが、7.9B MoEでは不可能そうだ。それに基づいてビジネスケースを組み立てる前に、実測せよ。

GPT-Live-1 と比べると、課金体系が線形だからこそ計算はより明快です。会話1時間は$3.00で、バックエンドの推論は別途請求されます。稼働率リスクも、監視が必要なGPUも、予算会議で正当化しなければならない前提もありません。

なぜ両方とも93.2%と報告するのか

データシートを比較する人なら誰でも戸惑うであろう奇妙な一致：Ming-3.0-TTSはArtificial Analysisの測定で93.2%の発音堅牢性を報告し、総合1位を主張している。Fish AudioのDrama 3も同じ93.2%を報告し、やはり1位を主張している。2つのラボ、2つのアーキテクチャ、小数点以下まで同一の数値。

それをタイブレークではなく、性能上限の証拠として扱ってください。残りの割合は、あらゆるTTSモデルを破綻させるケースに集中しています。すなわち、英数字文字列、珍しい固有名詞、文脈の中で読まれる数字、同形異義語です。どのモデルがあなたにとって勝ちになるかは、あなたのコンテンツに部品番号が含まれるのか詩が含まれるのかによって決まり、それに答えられるのはあなた自身の評価セットだけです。

掲示板に、ただし但し書き付きで

2026年10月29日時点のProvider Voice Arenaでは、Ming-3.0-TTSは1187 Eloで、オープンウェイトのエントリーの中で3位につけ、Drama 3（1240）とBreeze TTS 2（1228）の後ろに位置する。また、Ant自身のリポジトリがこのボードのオープンウェイト内3位として報告しているランキングでもある。Controlled Voiceボードでは、すべてのモデルが同じ8種類の声をクローンするが、Ant自身のリポジトリは1069 Eloでオープンウェイト内1位、全体では13位と主張している。

GPT-Live-1がそれらのボードに現れないのは、彼らが言うところのテキスト音声合成モデルではないからです。そのスコアは別の場所にあります。Speech-to-Speech Indexでは83.2で21件中2位、Speech Agent Arenaでは1037～1041、タスク成功率は87.4%～90.9%です。異なる測定器、異なる尺度であり、引き算は許されません。

{{1}}それぞれが負けるところ{{/1}}

Mingは会話では完敗だ。それで終わりだ。聞くこともできず、遮ることもできず、話を止めることすら決められない。電話の向こうに人間が必要な導入は、声がどれほど良くても対象外だ。

Mingは小規模チームにとって運用の簡便さでも劣る。GPUは午前3時に落ちるもので、適合するドライバーが必要で、別のテナントが同じカードを共有すると静かに性能が低下する。MITライセンスにはオンコールエンジニアは含まれていない。

GPT-Live-1は、テキスト中心の業務ではコスト構造で劣り、ブランドボイスの制御でも劣ります。モデルの声が固定されているため、創業者の声やライセンスを受けたキャラクターの声を提供することはできません。しかも分単位の課金は、TTSが最も得意とするワークロード、つまり長く台本化された反復的な出力で、何も聞く必要がないものにこそ打撃を与えます。

実際に当てはまるルーティングの観点

これらのどちらもOrcaRouter上にはなく、はっきり言うべきことです。Ming-3.0-TTSはセルフホスト型のオープンウェイトで、ルーティングできるホスト型エンドポイントがありません。GPT-Live-1は、当社が提供していない単一のセッションエンドポイントを公開しています。当社が実際にルーティングしているのは、中国語音声エージェントの背後にある推論モデルです。— Qwen3.8 Max、GLM-5.3、Kimi K3、Gemini の各モデルは自動フェイルオーバー付きの1つのキーの背後にあり、プロバイダーの定価を0%のマークアップでそのまま適用しています。

バイリンガル展開では、これは聞こえ以上に重要だ。TTSの選択は通常、言語カバレッジに基づいて一度だけ行われる。その背後にある推論モデルは、価格の変動や新しい中国語チェックポイントの登場に応じて差し替えられる。その区間をルーティング可能にしておくことは、スタックにおける最も安価な将来対応策だ。

どれを基に構築するか

Ming-3.0-TTS を基盤に構築すべきなのは、製品が中国語を話す場合、またはアジア・ヨーロッパの複数市場にサービスを提供する場合、GPU を管理している場合、そして出力が会話的ではなくスクリプト化されている場合です。MIT ライセンスは真の戦略的資産です。取り消すことも、価格を変更することも、レート制限することもできません。そして 0.5B バリアントなら、試してみるまでのハードルはおよそ半日です。

製品が英語での会話であり、品質基準が「電話越しに人間のように感じられるか」であれば、GPT-Live-1 の上に構築すべきです。永遠に1分あたり0.05ドルを支払い、何も所有することはありませんが、オープンウェイトの分野がこの品質でまだ提供していない唯一の能力、つまり話しながら聞くモデルを手に入れることができます。

どちらもリーダーボードの結果だけを理由に採用しないでください。Mingの1187とLiveの83.2は、それぞれ別の役割に向けられた異なる計測器であり、実際のデプロイに触れて生き残る唯一の比較は、自分の音声で実行する比較だけです。