Ming-3.0-tts-0.5B 対 Qwen-Audio-3.0-TTS：無料の重みで78 Eloポイントに挑む

置くMing-3.0-tts-0.5Bの隣にQwen-Audio-3.0-TTS、最初に気づくのは、これらが同じ種類のオブジェクトではないということです。Ming は、ダウンロードして MIT ライセンスの下で自分の GPU 上で実行する 2.96 GB のチェックポイントです。Qwen-Audio-3.0-TTS は、Alibaba が Qwen-Audio-3.0-TTS-Plus として掲載している品質ティアの、Alibaba Cloud Model Studio 上のホスト型エンドポイントで、重みはどこにもありません。独立系の Artificial Analysis 音声アリーナでは、ホスト型モデルが Elo 1,266、ダウンロード可能なモデルが 1,188 を記録しており、78 ポイントの差があり、2 つの信頼区間は重なっていません。その差は現実です。それがどれだけの価値を持つかは、声を買うのか、資産を買うのかによって変わります。このようなリリースの背後にある、文書化された AI の失敗やエージェントのインシデントは、the OrcaRouter AI Incident Archiveにまとめられており、各エントリには独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付いています。

証拠の前に、短い答えを

今四半期に音声を製品として出荷し、障害時に他の誰かがオンコール対応すべきなら、Qwen-Audio-3.0-TTS-Plus の方が明確に優れた選択だ。中国語優先のコンテンツを作っている、音声デザインや方言制御が必要、あるいは文字単位の課金を受け入れられないなら、Ming-3.0-tts-0.5B は二者のうちあなたが採用できる唯一の選択肢だ。どちらの答えも、予算表と突き合わせた途端にそのままでは通用しなくなる。それが本稿の残りで扱う内容だ。

各モデルの正体

Ming-3.0-tts-0.5Bは、inclusionAIによるAnt Groupのオープンウェイト公開モデルで、Qwen2.5-0.5Bをバックボーンに、拡散トランスフォーマーヘッドと独立したオーディオトークナイザーを組み合わせて構築されています。これは2段階で静かにリリースされました。2026年9月にHugging Faceで重みが、10月19日にGitHubで推論コードが公開されましたが、Antはこれを発表していません。バンドルには話者エンコーダーとテキストトークナイザーが含まれ、44.1 kHz音声を出力し、クローニング、テキスト記述からの音声設計、14個のインラインパラ言語タグ、感情と属性の制御、7言語と中国語の2方言をサポートします。

Qwen-Audio-3.0-TTSは、2026年7月20日にリアルタイム処理向けのFlashと最高品質向けのPlusという2階層で提供開始された{{1}}A​libaba's{{/1}}が手がけるホスト型音声合成ラインです。アリーナ上で測定された位置を持つのはPlus階層であり、以下のすべての数値はこの階層を指します。16言語に加えて中国語の20方言地域をカバーし、音声クローニングと約86個のインライン話し方タグをサポートし、{{1}}A​libaba's{{/1}}のAPIを通じてのみ利用できます。モデルの重みも、ローカル展開も、監査できるライセンスもありません。

日付に関する奇妙な点が1つあり、両方の日付が表示されるため指摘しておく価値があります。Alibabaは7月にこのラインを立ち上げましたが、Plusモデルのアリーナ行には2026年9月15日のリリース日が記載されています。これは2つ目のモデルではなく、採点済みリビジョンまたはリスティングが公開された日付と解釈しています。文書でリリース日を引用する場合、7月20日がローンチ日で、9月15日はアリーナ側の記録上の日付です。

それらを分ける数字

Arena Elo、プロバイダー音声 — Ming-3.0-tts-0.5B 1,188（区間 1,173–1,203）対 Qwen-Audio-3.0-TTS-Plus 1,266（1,252–1,280）。区間は重なっていません。

• Arena Elo、統制音声 — Ming 1,069（1,053–1,085）対 Qwen-Plus 1,126（1,113–1,139）。依然として明確な57ポイントの差。クローン音声は全モデルで一定に保たれている。

• 価格 — Mingにはありません。計算資源に対して支払います。Qwen-Plusは、アリーナの正規化価格列で100万文字あたり19.31ドルと記載されています。

• スループット — 同一の独立ハーネスで測定したところ、Ming は生成時間1秒あたり 42.1 文字、Qwen-Plus は 25.6 文字でした。

• 重み — MITライセンスのチェックポイント vs なし。

• 言語 — 7言語＋四川語と広東語 対 16言語＋20の中国語方言地域。

• コントロールサーフェス — 自由形式の指示、音声デザイン、14個のパラ言語タグ、感情・速度・ピッチ・音量の明示的指定 対 約86個のインラインタグと指示スタイルによるデリバリー制御。

スループットの結果こそ、人々が驚く点です。2.96 GB のバンドルを持つ 5 億パラメータの密モデルは、独立測定において、1 秒あたりの文字数で A​libaba のホスト型 Plus ティアを約 65% 上回っています。これは Q​wen をけなすものではありません。ホスト型エンドポイントは同時実行向けにプロビジョニングされており、アリーナのスループット値は一度に 1 リクエストでの測定だからです。しかし、この比較において小さいモデルが遅い側ではないということは意味しています。

78点はどこから来るのか

Preference Eloは何が悪いのかを教えてくれない。同じテキストで2つのシステムを聴き比べればそれが分かり、そのパターンはAnt自身のモデルカードが認めている内容と一致している。

Antは自らの弱点を異例なほど率直な言葉で公表している。話者類似度は内容の正確さに劣り、フランス語の類似度は多言語における最も明確なギャップであり、複数のイベントを含むパラ言語的な文は依然として不安定で、オープンエンドな音声デザインは評価済みの最強システムにはまだ及んでいない。アリーナ上では、それが競争力のあるクローン音声——コントロールされたボードではオープンウェイトモデルの中で1位——と、そうではないネイティブ音声のキャストとして現れている。Mingのプロバイダー音声ランク（98中19位）は、クローニング経路ではなく、100以上ある中国語の内蔵音声と5つの英語内蔵音声によって押し下げられている。

Qwenの強みは正反対の形にある。ネイティブ音声そのものが製品であり、Plusティアは初期状態のまま完成した音声に聞こえるよう作られており、プロバイダー設定でも統制設定でもその通りの測定結果が出ている。さらに、クラウドを運営する企業ならではの言語の広さも備えている。16言語と中国語の20方言地域に対して、Mingは7言語と2地域だ。

精度ではなく選好の面では、この比較はEloの差が示唆するほど厚みがない。Qwen-Audio-3.0-TTSには、共通テストセットに対して検証できるA​libaba公表の単語誤り率表が存在しない。また、MingのSeed-TTSの数値——中国語0.800%、英語1.584%——はAnt自身のもので、AntのハーネスでAnt推奨設定により測定されたものだ。どちらの側も、同一条件で比較できる誤り率を提供していない。手元にあるのは、両方についての選好スコアと、片方についてのベンダー表だけだ。

2つの課金モデルと、誰も印刷しないメーター

価格比較は19.31ドル対ゼロという話ではありません。文字単位のメーターとGPU時間単位のメーターの比較であり、後者は財務チームがそれを求めるまで見えてこないのです。

Q​wen は入力テキストの文字数単位で課金されます。100万文字あたり19.31ドルの場合、完成したナレーション100万文字のコストは19.31ドルで、この金額は線形かつ予測可能に増減します。コードを1行書く前に、表計算ソフトに入れて試算できます。

MingはGPU時間単位で課金されます。このリリースはH800-80GBとH20-96Gでテスト済みで、PyTorch 2.6とCUDA 12.4が必要です。Dockerfileは同梱されていますが、ホスト型エンドポイントはありません。アリーナで計測された毎秒42.1文字では、100万文字の生成にそのクラスのハードウェアで約6.6時間かかります。これにはモデルの読み込み、キュー待ち、失敗したリクエストは含まれません。それが$19.31より安いかどうかは、GPU時間のコストとどれだけ稼働させておけるかに完全に依存します。そして、ほとんどのチームにとってこの対戦の勝敗を決めるのはこの計算です。

ここでもまた、ルーティングレイヤーは、どちらのモデルもホストしているふりをすることなく、その存在価値を発揮します。OrcaRouter は Ming-3.0-tts-0.5B も Qwen-Audio-3.0-TTS も提供しておらず、ここでそう示唆する記述はありません。どちらもそれぞれ独自のチャネルを通じて利用されます。Q​wen は A​libaba の Model Studio 経由、Ming はお客様自身のインフラ経由です。当社が担うのは、同じパイプラインのテキスト側を、プロバイダー定価に 0% のマークアップを上乗せした価格で提供することです — つまり、当社がルーティングするテキストプロバイダーの価格変更は当日からお客様の価格になります — さらに、スクリプトを書き、感情をタグ付けし、エージェントを動かすモデルについては、プロバイダー間の自動フェイルオーバーを備えています。音声は音声プロダクトの高コストで低速な半分です。その手前にある半分まで、壊れやすいものであってはなりません。

後継者問題

この判断に含めるべきなのにタイトルには入っていない第三のモデルがあります。Qwen-Audio-3.1-TTS-Plus で、2026年9月24日リリースです。同じアリーナで1,300 Eloを記録しており、3.0 Plusティアを34ポイント上回り、価格は同じく100万文字あたり$19.31です。

買い手として、もう一度読んでみてください。アリババは、この比較対象のモデルからわずか5週間後に、同じエンドポイントファミリーで、価格を据え置いたまま、より優れたモデルをリリースしました。今日 Qwen-Audio-3.0-TTS を選ぶ人は、ベンダー自身がすでに後継モデルを出しているのに、割引もないモデルを選んでいることになります。3.0ティアは引き続き掲載されており、依然として優れています——1,266 Eloは98モデル中6位です——が、このファミリーで正しいホスト型の選択肢は今や3.1であり、3.0ではありません。

Ming には後継版も更新周期もないため、そのような問題はありません。これは、安定した成果物を求めるチームにとっては確かな利点であり、6か月後に入手できる最良の音声を求めるチームにとっては確かなリスクです。ロードマップ上のコミットメントを伴わない未告知のリリースは、どちらの方向にも沈黙し得ます。

誰がどれを選ぶべきか

Qwen-Audio-3.1-TTS-Plus —— 3.0ではなく —— を選ぼう。このファミリーで測定済みの最高品質を文字単位の既知価格で求めるなら、幅広い言語カバレッジが必要なら、あるいは稼働率の責任を他者に任せたいなら。従量課金を受け入れ、次のティアが予告なしに登場することを受け入れよ。

Ming-3.0-tts-0.5B は、音声を自社の環境内で動かす必要がある場合、コンテンツが中国語中心で四川語や広東語が必要な場合、既成の声優陣から選ぶのではなく説明から声を設計したい場合、または利用量が多く、すでに保有している GPU の方が文字単位の課金より割に合う場合に選ぶとよい。エンジニアリングコストは見込んでおくべきだ。環境は固定されており、テキスト正規化にはユニバーサル wheel が存在しない FST ライブラリが必要で、公開されているスループットの数値は独立系ハーネス1つによるものだけだ。

今のところ、サポート契約が必要ならどちらも選ばないでください。Mingには発表もホスト型オプションも明示されたサポートコミットメントもありません。Q​wenにはその3つすべてがありますが、3.0ティアはもう買うべきものではありません。正直にまとめると、これは公平な勝負ではなく、そもそもそういうものとして作られてもいません。一方はライセンス付きの研究リリースで、もう一方は料金表付きのクラウド製品です。有用な問いは、あなたのプロジェクトが実際に必要としているのはそのどちらなのか、という点です。