Ming-3.0-tts-tiny 対 Qwen-Audio-3.0-TTS：一方には料金表があり、もう一方にはリポジトリがある

誰もが望む比較は2つのスコアを並べて示すことだが、それを今日正直に行うことはできない。 Ming-3.0-tts-tinyは、Ant GroupのinclusionAIによる79億パラメータのMixture-of-Experts音声チェックポイントで、MITライセンスの下で重みとして公開されており、ホスト型エンドポイントも独立評価もない。 Qwen-Audio-3.0-TTSは、A​libaba Cloud Model Studio上のホスト型音声合成エンドポイントで、2026年7月20日に開始され、FlashティアとPlusティアで販売されており、重みはどこにもなく、公開されたエラー率の表もない。一方にはリーダーボード上の位置と価格がある。もう一方にはダウンロード可能なパイプラインとベンダーのベンチマークスイートがある。ここで有益な作業は、それら2つの成果物から勝者を選ぶことではなく、どの数値を互いに並べてよいのか、そしてどれを並べてはいけないのかを見極めることだ。 このようなリリースの背後にある、文書化されたAIの障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の情報源、重大度、信頼度グレード、異議ありフラグが付いている。

日付が重要なのは、どちらの製品もローンチ投稿が示唆するような形では登場しなかったからだ。Ming-3.0-tts-tinyのHugging Faceリポジトリは2026年9月22日に作成され、チェックポイント自体は9月24日にアップロードされた。3週間半の間、それは実行手段のない重みのフォルダーにすぎなかった。推論コード、ワンクリックで試せる例、タスククックブックがGitHubに登場したのは2026年10月19日08:58 UTCで、ある午後の9つのコミットによるものだった。Antはそれを発表しておらず、ブログ投稿もモデルカード動画も技術レポートもない。対照的に、Qwen-Audio-3.0-TTSには本格的なローンチがあり、今なおA​libabaの料金表に載っている。そして品質面で重要なPlusは、9月に3.1世代が登場した後でも、依然としてA​libabaの音声合成階層の最上位にある。

リーダーボードの行は誤ったチェックポイントであり、リポジトリはそのことを明記していない

ここから始めましょう。最初の比較投稿群が犯す誤りはこれだからです。Artificial Analysis は2つの音声ボードを維持しており、どちらにもMing-3.0-tts10月19日時点で、Provider Voiceボードでは1,188 Elo、Controlled Voiceボードでは1,069 Eloです。

その項目は0.5Bモデルのもので、こちらのモデルではありません。Ming-3.0-tts-tiny にはアリーナの行がまったくありません。ランク入りもしておらず、ランク外でもなく、プレビュー項目でもありません。GitHub README は結果セクションで 1,188 と 1,069 という数値を再掲していますが、どのチェックポイントがそれを出したのかを区別していません。そして、まさにそうやって数値は2回の再投稿の後に誤ったラベルを貼られるのです。

「Ming-3.0-tts 1,188 対 Qwen-Audio-3.0-TTS-Plus 1,266」を見るとき、実際に比較されているのはAntの5億パラメータのDenseモデルとAlibabaの最大のホスト型ティアであり、この記事のタイトルにあるモデルはそのリーダーボードに存在しません。78ポイントの差は0.5Bにとっては現実のものです。それは小さなMoEについて、どちらの方向にも何も語りません。小さなモデルの方が優れているかもしれません。誰もそれを選好パネルの前に出していないのです。

不在は低いスコアではありません。それはスコアが付けられていないモデルであり、この区別こそがこのセクションが存在する理由そのものです。

それぞれの側が実際に何なのか

宣伝文句を取り除けば、その二つの物体は質において異なるより先に、種類において異なっている。

• 形態 — Ming-3.0-tts-tiny はダウンロードするチェックポイントです。約18 GB、BF16で8,980,964,372個のパラメータに加えてF32で40,096個を含み、Ling V3バックボーン、拡散トランスフォーマーヘッド、オーディオトークナイザー、CAM++話者エンコーダー、テキストトークナイザーを備えています。Qwen-Audio-3.0-TTSは音声を返すHTTPエンドポイントであり、ダウンロードするものも監査すべきライセンスもありません。

• パラメータ — 総計79億、トークンあたり約13億がアクティブというスパースな混合エキスパート構成。一方、比較対象のホスト型モデルについて、A​libabaはパラメータ数を公表していない。

• ライセンス — 重みとコードの両方に MIT、使用上の注意として、同意なく人物になりすまさないこと、合成音声であることを明示することを求めています。ホスト版については商用 API 利用規約が適用されます。

• 言語 — 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、方言の参照クリップを指定した場合は四川語と広東語。Qwen-Audio-3.0-TTS は16言語と中国の20方言地域を挙げています。

• コントロールサーフェス — ゼロショットクローニング、説明からの音声設計、自由形式のスタイル指示、14個のインライン副言語タグ、明示的な感情・速度・ピッチ・音量設定、およびマルチスピーカーポッドキャストタスク。Qwen-Audio-3.0-TTSはクローニングに加えて、約86個のインライン話し方タグと指示スタイルの制御を提供します。

• 料金 — Ming-3.0-tts-tiny 側には公開されたレートがなく、GPU 時間に対して支払う形です。Qwen-Audio-3.0-TTS-Plus はアリババの北京リージョンの価格表で 10,000 文字あたり 1.4 元、Artificial Analysis はこれを 100 万文字あたり 19.31 ドルに換算しています。

• 独立スコア — {{1}}Ming-3.0-tts-tiny{{/1}}にはなし。Qwen-Audio-3.0-TTS-PlusはProvider Voiceで1,266 Elo、Controlled Voiceで1,126で、いずれも信頼区間はMing-3.0-tts行の1,188と1,069に接しない。

互いに変換できない2種類の証拠

アリーナは選好を測る。Antの表は誤差と類似性を測る。どちらも他方に変換されるものではなく、Eloの差を品質の倍率として扱いたくなる誘惑には抵抗すべきだ。

Qwen-Audio-3.0-TTS が提供するのは、そのネイティブ音声に対する群衆の相対的判断であり、その背後にはサンプル数と信頼区間がある。Ant が提供するのは、固定されたテストセットに対して自社モデルを測定したラボの結果であり、ハーネス、参照クリップ、スコアリングコードはすべて、そのモデルを構築した同じチームが選んだものである。どちらも正当だ。どちらも他方の代替にはならず、そしてこの記事のタイトルにあるモデルについて存在するのは、そのうち片方だけである。

Antのスイートは幅広く、一蹴する前にその中身を知っておく価値がある。中国語のSeed-TTSセットでは、tinyモデルが単語誤り率0.820%、話者類似度0.781を記録した。これはAntが公表した表のどこよりも高い類似度で、同社の0.5Bの兄弟モデルの0.758も含んでいる。英語は話者類似度0.728で1.666%に達する。ドイツ語は文字誤り率0.325%、スペイン語は0.971%で、どちらもAntの8システム比較で首位だ。日本語は3.427%、フランス語は3.470%。NVBenchの単一イベントのパラ言語テストでは6カテゴリすべてで首位に立ち、中国語でPCER 17.23、英語で32.95となっている。方言スイートはWSC-Eval-TTS easyで86.09%、WSYue baseで92.90%の精度、感情セットはCV3で平均74.00%、音声デザインはInstructTTSEval-ZHで75.37%だ。これはすべてAnt自身のハーネスであり、Antが実行し、Antが報告したもので、誰にも再現されていない。

率直にまとめると、Qwen-Audio-3.0-TTS は第三者によって評価され、Ant は作者によって評価されている。これはどちらかを貶すものではなく、その二つの数値が何を表しているかについての話である。

Antが公表している唯一の直接比較は、Ant自身との比較だ

そのスイートの中には、本物の比較のように振る舞う結果が1つある。なぜなら、競合相手はAnt自身の0.5Bモデルであり、その差は別のハーネスでも生き残るほど大きいからだ。

韓国語では、Ming-3.0-tts-tiny が文字誤り率 6.000% を記録している。0.5B は 1.728% だ。同じチーム、同じテストセット、同じ報告日——約3.5倍で、より大きなモデルからは誰も予想しなかった方向だ。モデルカードはそれを説明しておらず、制限事項セクションでは韓国語を既知の弱点の一つに挙げているが、メカニズムは示していない。

構造的な説明は可能であり、発見ではなく仮説として位置づけるべきです。スパースモデルは各トークンを専門家のサブセットにルーティングするため、混合の中で訓練シグナルをあまり受けなかった言語は、総規模が同程度の密なモデルよりも早く劣化しうる、という説明です。それはもっともらしいですが、測定されたものではありません。擁護できるのは、より狭い運用上の結論です。つまり、韓国語が製品に含まれるなら、誰かが実際の韓国語テキストでこれを実行し、結果を公開するまでは、このチェックポイントを選ぶべきではありません。

Qwen-Audio-3.0-TTSは16言語の中に韓国語を含んでおり、A​libabaはAntの6.000%と比較できる言語別エラー率を公表していない。そのため、弱点でさえ比較には変換できない。警告として読むことしかできない。

100万文字、二重の価格設定

ここから、この2つの製品は抽象的な存在ではなくなります。

Qwen-Audio-3.0-TTSは文字単位で課金されます。アリーナの正規化料金である100万文字あたり19.31ドルでは、完成したナレーション100万文字のコストは19.31ドル、1億文字では1,931ドルです。この数値は線形で予測可能であり、コードを書く前に確認できます。同じ独立したハーネスでのスループットは生成時間1秒あたり25.61文字ですが、APIの規模ではこれは課金ではなく並行性の問題です。

Ming-3.0-tts-tiny は GPU 時間単位で課金され、その計算には途中に穴がある。0.5B の兄弟モデルは毎秒 42.1 文字と測定されたが、tiny モデルはまったく測定されていない。兄弟モデルのスループットを流用することはできない。なぜなら tiny モデルはトークンあたり約 2.5 倍のパラメータを活性化し、2.96 GB ではなく約 18 GB を占めるからだ。Ant の推奨カードは H800 であり、ピン留めされた環境 — Python 3.10.15、CUDA 11.8 付きの torch および torchaudio 2.7.1、transformers 4.46.3 — が、このリリースにおける唯一の性能に関する主張である。

決着済みのふりをせず、オープンに計算しよう。毎秒20文字なら100万文字は約14時間の生成、毎秒10文字なら約28時間だ。その時間に自分のGPU時間単価を掛け、モデルの読み込み時間、キュー待ち、リトライを加えて、$19.31と比較する。月に数百万文字を下回るなら、人の時間をコストに含めた時点で、通常はホステッド料金の方が総コストで勝つ。それを上回り、すでに所有して稼働させ続けているハードウェア上では、チェックポイントの1時間あたりの限界コストは最初の1時間と同じ — これはどの料金表もかなわない構造的な優位性だ。

価格比較が覆い隠してはならないことが一つある。この2つのモデルは、どんな価格であっても同じ製品ではない。Qwen-Audio-3.0-TTSのPlusティアは16言語を備えた完成済みの音声カタログであり、Ming-3.0-tts-tinyは自分で運用し、その出力品質を自分で測るパイプラインだ。

アリババが解決していないティアの問題

今日Qwen-Audio-3.0-TTSを選ぶ人は、その足元で移り変わったファミリーの中で選んでいることになる。Qwen-Audio-3.1系は2026年9月23日に発表され、Artificial AnalysisはQwen-Audio-3.1-TTS-PlusをProvider VoiceでElo 1,300、Controlledで1,186として掲載している。どちらのボードでも3.0 Plusを上回り、掲載日は9月24日、価格は100万文字あたり19.31ドルで同じだ。

しかし、Alibabaの公開料金表には3.1 TTS向けのFlash SKUしか掲載されていない。そのため、3.1 Plusティアが今日利用可能かどうかは、リーダーボードから推測する話ではなく、ベンダー自身のコンソールで確認すべき問題だ。いずれにせよ実務上の読み方は同じである。3.0 Plusティアは廃止されていないが、Alibabaが評価した中で最新のものではなくなっており、購入者は価格を何かと比較する前に、実際に契約しているSKUを確認すべきだ。

Ming-3.0-tts-tiny については、ティアの問いはまったくありません。チェックポイントは1つだけで、日付入りのロードマップもなく、コードが登場した同じ日にドキュメントに現れた vLLM-Omni のサポートに関する注記があります。

リポジトリが立証していないこと

このモデルを前提に誰かが計画を立てる前に、四つのギャップを明示しておく価値がある。

• 独立したスコアはありません — アリーナの行も、サードパーティによる単語誤り率も、測定されたスループットもありません。Ming-3.0-tts-tiny のものに見える行は 0.5B のものです。

• テクニカルレポートなし — ロードマップでは未チェックとして記載されており、モデルカードは10月16日に、それへの言及を削除するよう編集されました。

• ホスト型エンドポイントなし — ファーストパーティAPIも価格も存在しないため、本番環境への唯一の道は自社インフラとなります。

• ファインチューニングのレシピはありません — このリポジトリはトレーニングではなく推論タスクを文書化しています。このチェックポイントでのLoRAまたはフルファインチューニングは文書化されていません。これはトレーニングスクリプトを同梱するモデルとは状況が異なります。

取得時点で、Hugging Faceのリポジトリには20ダウンロードと3いいねが表示され、GitHubのリポジトリにはわずかなスターがあり、リリースはなかった。それは、このリリースがひっそりとしたものだったということ以外の何の証拠にもならない。そして、それこそがこの記事が確信を持って述べている唯一の主張だ。

この比較が実務でどれほどの価値を持つのか

今月、3言語以上で本番環境向けの音声が必要で、稼働率の維持を他社に任せたいなら、Qwen-Audio-3.0-TTS-Plus は正当化できる選択肢です。スコア、価格、ドキュメント、サポートが整っており、1,266 Elo は主張ではなく測定された値です。

モデルを自分で所有する必要があるなら——第三者には送れない音声をクローンしたい、文字単位の課金が主流になるほどの量を生成したい、再配布を許すライセンスで提供したい——その2つのうち、自分のものにできるのは Ming-3.0-tts-tiny だけだ。その代わりに受け入れるべきは、あなたが最初にそれをベンチマークする当事者になること、韓国語がベンダー自身も公表している既知の弱点であること、そしてパイプラインがまだ1週間しか経っていないことだ。

OrcaRouter はどちらのモデルもルーティングしません。ここにある内容を、そうしたルーティングを行っていると主張しているものと解釈しないでください。音声は各ベンダー独自のチャネルを通じて利用され、Ming-3.0-tts-tiny チェックポイントはお客様自身のハードウェアを通じて利用されます。当社がルーティングするのは、同じパイプラインのテキスト部分です — 1 つのキーで 200 を超えるモデル、プロバイダーの定価で、マークアップは追加されません。そのため、テキストプロバイダーの価格変更は同日にお客様の価格に反映されます。音声製品では、スクリプト、SSML のような指示、および何を話すかを決めるエージェントはすべてテキストであり、まさにその部分では、2 つ目のベンダー契約を結んでも何のメリットもありません。

これに決着をつける数字はまだ存在しない。それはEloスコアではなく、H800上で、Antが使ったのと同じ参照クリップに対して小さなチェックポイントを実行する一午後分であり、結果はハーネスと併せて公開される。誰かがそうするまで、正直な立場は本稿が取ってきた立場だ。信頼できる成果物が2つ、一方はスコア化され、もう一方はされていない。そして比較は品質ではなく、所有権、価格の形、言語リスクに基づいて行うほかない。