Ming-3.0-tts-tiny 対 Breeze-TTS-2：MIT ライセンスの重み 対 非商用ライセンス

2つのオープンウェイト音声モデルが1か月以内に相次いで登場しましたが、両者は同じ軸で競争しているわけではありません。Ming-3.0-tts-tinyは、Ant GroupのinclusionAIによる7.9BのMixture-of-Expertsチェックポイントで、トークンあたり約1.3Bのパラメータを活性化し、MITで提供され、2つの中国語方言を含む9言語をカバーします。Breeze-TTS-2は、BreezeBlueによるdenseな3Bモデルで、英語と中国語のみをカバーし、コードをApache 2.0で公開し、重みは研究・非商用ライセンス（有償ホスティングの例外付き）でリリースしています。見出しの問い——どちらがより良く聞こえるか——は、実は最も決定的ではないことが分かります。というのも、Mingのスコアに見えるアリーナのエントリーはまったく別のチェックポイントのものであり、ライセンスの違いこそが、そもそも出荷できるかどうかを決めるからです。 このようなリリースの背景にある、文書化されたAI障害やエージェントインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリーには独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。

どちらのベンダーも、通常の意味での一般提供イベントを発表しておらず、ここではその両方の事実が重要です。Breeze-TTS-2 の重みは2026年8月25日に公開され、voice-design と latency のスイートは8月7日に続きました。Ming-3.0-tts-tiny は9月24日から Hugging Face 上に存在していましたが、実行可能になったのは10月19日で、そのときに推論コードとタスククックブックが GitHub に登場しました。したがってこれは、自分でホストする必要がある2つの成果物の比較であり、どちらにも提示できるホスト型の価格がまだない段階で書かれたもので、全体を通じてその旨を明記しています。

ライセンスから始めてください。一部のチームにとっては、それで議論が終わるからです。

この2つのライセンスは、同じ許可のバリエーションではありません。これらは異なるカテゴリーの許可です。

• Ming-3.0-tts-tiny — MIT、重みとコードの両方に適用。商用利用、改変、再配布、クローズド製品としての出荷が可能です。Ant は、同意なしに人物になりすまさないこと、合成音声にラベルを付けることを求める利用上の注意を添付しています。これはドキュメント内の要請であり、許諾の条件ではありません。

• Breeze-TTS-2 — ソースコードには Apache 2.0、ウェイトには別途「BreezeBlue Research and Non-Commercial License」が適用されます。ホスト提供される出力の商用利用には有料の BreezeBlue サブスクリプションが必要で、その場合でも、サブスクリプションによってオープンウェイトや、それらをセルフホストして生成した出力に商用利用権が付与されるわけではありません。

2つ目の箇条書きは注意深く読んでください。明白に見える解釈は間違っているからです。BreezeBlue に支払っても、重みが商用利用できるものに変わるわけではありません。それはホスト型の利用経路をライセンスするものです。セルフホスティングは、購読しているかどうかに関係なく非商用です。あなたの計画が「3B モデルをファインチューニングし、自社のエンドポイントの背後に置いて、それで課金する」というものであるなら、そのライセンスはその扉を閉ざし、MIT はそれを開いたままにします。社内研究、評価、または決して収益を生まないプロトタイプであれば、この区別にコストはかかりません。

上記のどちらの段落よりも多くのデプロイを左右する、ライセンスに隣接する第二の違いがある。Mingのリリースは、バックボーン、拡散ヘッド、オーディオトークナイザー、話者エンコーダー、テキストトークナイザーというパイプライン全体を、1組の重みとして提供している。Breezeは、複数のランタイム向けに同時にパッケージ化された推論経路とともに、コードと重みを提供している。Breeze-TTS-2周辺の派生エコシステムには、4ビットおよび8ビットのMLXビルドに加えて全精度ポート、GGUF量子化、int8およびint4変換、HQQ int4ビルド、10月18日のROCm/RDNA4 BF16ビルド、10月19日のGPTQ int4 ROCmビルド、ComfyUIファインチューン、10月6日公開のブラジルポルトガル語LoRAが含まれる。Ming-3.0-tts-tinyにはそうしたものは何もない。なぜなら、使用可能な推論経路ができてからまだ1日も経っていないからだ。

フットプリントの差はおよそ1桁です。

ここで「tiny」はもはや「小さい」という意味ではなくなります。この名前が示すのはトークンあたりのアクティブパラメータ数であり、必要なメモリ量ではありません。

• Ming-3.0-tts-tiny — Hugging Face 自身のメタデータによると BF16 で 8,980,964,372 パラメータ、F32 で 40,096 パラメータ、リポジトリの保存容量は約 18 GB、ベンダーの環境ノートでは H800 が推奨されています。7.9B モデル分のメモリを支払って 1.3B モデルのレイテンシを得る形で、レンタルハードウェアでのバッチ合成には良いトレードオフですが、12 GB のカードを積んだ環境で使うものには向きません。

• Breeze-TTS-2 — 3Bパラメータのdenseモデルで、eagerモードでは約7.7 GiBのGPUメモリ、--fast-allを有効にすると約14.4 GiBを使用します。BreezeBlueは、どちらの経路を選ぶかによって12 GBまたは24 GBを推奨しており、DockerのデフォルトはH100/Hopper sm90を対象としている一方、A100ユーザーはFLASH_ATTN_CUDA_ARCHS=80を設定する必要があるとドキュメントに記載しています。

• Ming の並行処理モデル — タスクごとに Python エントリポイントを持ち、固定のデフォルト値を使用: guidance scale 2.0、temperature 0、フローステップ 10、sigma 0.25、seed 1234。vLLM-Omni のサポートはロードマップ上にあり未チェックのため、現時点で高スループットのサービング経路はありません。

• Breeze の並行処理モデル — 単一並行の HTTP ストリーミング API で、モノラル 24 kHz の符号付き 16 ビットリトルエンディアン PCM を返します。ウォームアップ済みの H100 上で初回音声までの時間が 40 ミリ秒未満、リアルタイム係数は 0.32 と謳われており、これは実時間の約 3.1 倍の速さです。

その最後の組み合わせこそが、このトレードオフを正直に要約したものだ。Breezeは一度に1つのリクエストを処理する際のストリーミングレイテンシ向けに設計されている。Mingはスパースアクティベーションにおいて計算資源あたりのスループット向けに設計されており、サービングスタックは公開していない。あなたの製品がライブ音声エージェントなら、これらは同等の出発点ではない。あなたの製品がナレーションの夜間バッチ処理なら、同時実行モデルはライセンスやメモリコストほど重要ではない。

言語のカバレッジは接近しておらず、その格差は一方向に広がっている

Breeze-TTS-2は英語と中国語に対応しています。そのカードにはそう明記され、曖昧な表現はなく、両言語でのインライン音声イベントも記載されています — 英語では(laugh)と(sigh)、中国語では[笑]と[叹气] — さらに、正確な文字起こし付きの参照クリップからのクローニングと、声の方向性を制御する機能も備えています。

Ming-3.0-tts-tinyは中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語をカバーし、方言の参照クリップを与えれば四川語と広東語にも対応します。自由形式のスタイル制御、自然言語の記述による音声設計、100以上の内蔵中国語音声と5つの英語音声、14のインライン準言語タグを備えています。また、Breezeが手がけていない複数話者のポッドキャスト生成も行います。

落とし穴はAnt自身の多言語表にあり、9が2に勝つと決めつける前にまず読むべきものだ。韓国語では、Ming-3.0-tts-tinyは文字誤り率6.000%を記録し、Antがベンチマークした8システム中6位で、Ant自身の0.5Bの同系列モデルの1.728%に対してである。フランス語では誤り率で2位だが、話者類似度0.733は上位3位に入らず、これはモデルカード自身が述べている制限だ。ドイツ語（0.325%）とスペイン語（0.971%）はその表で1位だ。したがって正直な読み方はこうだ。Mingの7言語のうち5言語は信頼できるが、韓国語はまだそうではなく、方言サポートは独特だがAntの評価ハーネス外では検証されていない。対照的にBreezeは、カバーしていないことは何も主張していない。2言語であり、そのカードのすべての結果はその2言語に関するものだ。

アリーナの数字と、それが直接対決ではない理由

Breeze-TTS-2には独立したスコアがあります。Ming-3.0-tts-tinyにはなく、それらしく見える項目は別のモデルのものです。

• Artificial AnalysisにおけるBreeze-TTS-2は、2026年10月19日のライブボードから読み取った値で、Provider Voiceでは1,220 Elo（各モデルが独自のネイティブ音声キャストを使用）、Controlled Voiceでは1,019（すべてのモデルが同じ8つの参照音声をクローン）。

• 同じリーダーボード上の Ming の行 — Provider 1,188 と Controlled 1,069 — は、小さなチェックポイントではなく、Dense な 5 億パラメータのバックボーンを持つ兄弟モデル Ming-3.0-tts-0.5B に紐付けられています。Ant の GitHub README は、その区別を示さずに結果セクションでこれらの数値を再掲しています。明言しておく価値があります：Ming-3.0-tts-tiny には独立した Elo はなく、測定された 1 秒あたり文字数の数値もなく、第三者による単語誤り率もありません。

• プロジェクトページ自体のリーダーボードには、Breeze が Provider 1,222、Controlled 1,018 と記載されており、ライブボードとはそれぞれ逆方向に2ポイントの差があります。これは、まだ投票を集計している途中のボードの姿です。文書を比較する場合は、ライブの数値を引用し、丸めについて注記してください。

• 統制ボードでは、オープンウェイトシステムの順位は Ming-3.0-tts-0.5B が 1,069 で 1 位、Fish Audio Drama 3 Preview が 1,059、Breeze-TTS-2 が 1,019 です。プロバイダーボードでは、Breeze がそのグループを 1,220 でリードし、Ming-3.0-tts-0.5B が 1,188 です。つまり、声を固定すると小型の Ming モデルが勝ち、各システムが独自のキャストを持ち込むと負けるということです。これは BreezeBlue の音声録音について何かを示しており、アーキテクチャについてはほとんど何も示していません。

そのどれも、小さなチェックポイントにはどちらの方向にも当てはまらない。7.9Bの専門家混合モデルが、0.5Bの同族モデルより中国語話者類似度スコアで優れているなら、統制された評価ボードでも高いスコアを出すはずだと読者が推論するのはもっともだ。その推論は検証されておらず、数値でもなく、本稿はそれを数値として提示しない。

それぞれが実際に何のためにあるのか

仕様のリストを脇に置けば、この2つのモデルはそれぞれ別の問題を解いている。

Breeze-TTS-2はデプロイ優先のリリースだ。2言語、eagerモードで12GBカードに収まる3Bの密なフットプリント、文書化されたレイテンシ経路を備えたストリーミングAPI、データセンターのHopperを対象としつつA100向けに再ビルドできるコンテナ、そして重み公開から8週間以内に登場した量子化版やランタイム別ポート群というエコシステム。そのダウンロード数——過去1か月で14,636、747いいね、17 Spaces——は、モデルの実行が容易なときに普及がどう見えるかを示している。制約はライセンスだ。研究・非商用の重みであり、有料のホスト型経路があっても商用セルフホスティングの権利は得られない。

Ming-3.0-tts-tinyは能力優先のリリースだ。9言語、方言制御、音声デザイン、14タグのパラ言語システム、マルチスピーカーのポッドキャスト生成、そして同ファミリー内で最高となる中国語話者類似度0.781のクローン音声スコアを備える。その制約は能力を取り巻くすべてにある。18 GBのダウンロード、実際のGPUメモリを必要とするスパースアクティベーション、ロードマップのチェックボックスに過ぎないサービング構想、独立したベンチマークの不在、そして発表の不在だ。Hugging Faceでのダウンロード20回といいね3件、GitHubでのスター5個、そしてたった1回の午後でのドキュメントコミット12件は、ベンダーがまだマニュアルを書いている途中であることを物語っている。

今四半期に、すでに所有しているハードウェアでバイリンガル音声機能を提供する必要があるなら、商用契約付きのBreeze-TTS-2がより短い道であり、交渉すべきは計算ではなくライセンスです。ドイツ語、スペイン語、日本語、広東語、またはポッドキャスト形式が必要なら、Breezeでは対応できず、公開された比較表があるオープンウェイトの唯一の選択肢はMingです——ただし、メモリ消費を許容でき、韓国語が未対応であることを受け入れられる場合に限ります。

OrcaRouter はこれらのモデルのどちらもルーティングしておらず、本記事はそう示唆するものとして読まれるべきではありません。カタログにあるのは、これらの音声が接続するパイプラインのテキスト部分です：1つのキーで200以上のモデルを、プロバイダーの定価でマークアップなしに利用でき、そのためベンダーの価格変更は更新サイクルを待たずに当日中にこちら側へ反映されます。2つのセルフホスト型チェックポイントを比較していて、どちらにもホスト型の料金がない場合、実際に管理できる唯一の継続的な請求はスクリプトを書くモデルのものであり、GPUを借りるのではなくルーティングする価値があるのはその部分です。

証拠に耐える結論は、Elo の差が示唆するよりも狭い。同条件の商用導入では、ベンチマークを一つ読む前に MIT ライセンスが決め手になる。レイテンシーに敏感なバイリンガル作業では、ライセンスより先に Breeze のエンジニアリングが決め手になる。そして多くの読者が本命として来た問い——より大きなモデルはより良く聞こえるのか——に対する正直な答えは、誰もそれを測定していないこと、誰もが引用するアリーナの行は誤ったチェックポイントであること、そして同じ参照音声で両方を最初に実行した人が、引用する価値のある唯一の数値を出すということだ。