Ming-3.0-tts vs Cartesia Sonic 3.6：請求書番号を正しく読むのは片方、90 ms で答えるのはもう片方

Ming-3.0-tts と Cartesia Sonic 3.6 を Artificial Analysis の音声アリーナの同じ行に並べると、スコアボードは Cartesia の勝ちを示す。Provider Voice で 1,290 Elo 対 1,188、102 ポイント差で、信頼区間はまったく重なっていない。発音ボードに並べると、結果はデータエラーに見えるほど大きく逆転する。93.2% 対 74.5%。同じ2つのシステムを、同じ研究所が同じ月に測定しているのに、どちらが英語を音読できるかについて18パーセントポイントも食い違っている。どちらの数値も正しく、両方が正しい理由こそがこの比較のすべてだ。 このようなリリースの背景にある、記録された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、各エントリには独自の出典、重大度、信頼度グレード、異議フラグが付いている。

Ming-3.0-ttsはAnt GroupのMITライセンスのオープンウェイトモデルです。0.5Bの密なチェックポイントで、自分のGPUで実行でき、7.9BのMixture-of-Expertsの兄弟モデルMing-3.0-tts-tinyもあります。Cartesia Sonic 3.6は2026年8月17日にリリースされたプロプライエタリなリアルタイムエンドポイントで、文字単位の課金、初回音声レイテンシ90ミリ秒未満、44言語対応をうたっています。一方はモデルです。もう一方は電話に応答するために作られたサービスです。どちらを選ぶべきかは、Eloとは何の関係もない問いにかかっています。あなたのテキストは主に散文なのか、それとも正確に言わなければならないものが中心なのか、という問いです。

重要な2つの数字、そしてそれらが食い違う理由

まずプリファレンスボードから始めましょう。人々が引用するのは、それらだからです。

• プロバイダーボイスElo — Ming-3.0-tts 1,188（区間 1,174–1,202）対 Sonic 3.6 1,290（1,276–1,304）。Sonicは97モデル中4位、Mingは18位です。

• 制御されたVoice Elo — Ming-3.0-tts 1,068（1,052–1,084）対 Sonic 3.6 1,151（1,138–1,164）。Sonicは5位、Mingは12位。両システムが同じ8つの音声をクローンすると、差は19ポイント縮まる。

• 発音の堅牢性（英語） — Ming-3.0-tts 93.2%（91.5–94.9）対 Sonic 3.6 74.5%（71.4–77.5）。Ming は測定対象31システム中1位、Sonic は19位。

それらの結果は矛盾しているのではなく、別々のものを測っているのです。Eloのボードは、人間の聴取者にどちらのクリップを好むかを尋ねるもので、好みは合成音声を心地よくする要素——自然な韻律、説得力のある感情、マニュアルを読んでいるようには聞こえない声——を評価します。Sonic 3.6はそれが非常に得意です。8月以降ずっとアリーナで4位のシステムであり、その地位にふさわしいのです。

発音ボードは、より狭く厳しい問いを投げかける。システムはこの特定の範囲を正しく言えたか、という問いだ。人間のレビュアーは、英語テキスト内の強調表示された単語やフレーズ——ブランド名、技術用語、ファイルパス、メールアドレス、数値、日付、単位——に印を付け、それぞれを判定した。そのテストで、Sonic は採点済みの31システムの下位半分に入り、Ming は全システムの中で首位に立つ。

サブスコアは、集計値よりも失敗の形をより明確にします：

• 単独の用語 — Ming-3.0-tts 88.5% 対 Sonic 3.6 72.6%

• 文脈に即した適切性 — Ming 91.0% 対 Sonic 78.2%

• 正確なシーケンスの保持 — Ming 90.6%（31件中1位）対 Sonic 60.8%

• 略語展開 — Ming 96.5%（31人中1位） vs Sonic 49.1%

注目すべきは Expanding Shorthand だ。これは数値、日付、単位、表記 — 「6'2"」「Chapter XVII」「1 tsp」— を扱う。この基準で見ると、Sonic 3.6 はそうしたスパンのおよそ半分を正しく処理する。実運用向け音声APIとしては驚くべき数字であり、デモでは決して表面化しない類のことだ。デモはベンダーが選んだ散文で書かれているからだ。注文確認、投与量、測定値を目の前に置くと、選好ランキングは有用な予測をしなくなる。

レイテンシとスループットのケースでは、Cartesia はまったく及ばない

Cartesiaの目玉とする主張は、最初の音声が90ミリ秒未満で出るというもので、これは対話型エージェントにとって重要な数字です。発信者は、相手が機械だと判断する前に声を聞くからです。Ming-3.0-ttsはレイテンシーの数値を一切公表していません。独立系のハーネスが持っているのはスループットであり、それはオープンモデルに優しいものではありません。

• 生成時の1秒あたり文字数 — Sonic 3.6 は146.9、Ming-3.0-tts は44.3。同一のハードウェア条件下で、Cartesia は3.3倍高速です。

• スコア対象リクエストの生成時間中央値 — Sonic 3.6 は 9.20 秒、Ming は 2.56 秒。この数値は慎重に読む必要があります。これはリクエストの長さの違いを反映したものであり、Ming が高速というわけではありません。

正直にまとめると、Sonic 3.6 はストリーミング向けに作られ、Ming-3.0-tts はバッチ向けに作られています。毎秒44.3文字——およそ7語——で、セルフホストモデルは実際の音声を上回る速さで進むため、長いナレーションはそれを聴くのに要する時間より早く終わります。しかし欠けているのは、ストリーミングのストーリー、公開された初回音声までの時間、セッション処理です。Cartesia はまさにその3つを売り物にしています。

電話エージェントやライブ翻訳ツールなど、人間が最初の音節を待っているものを作っているなら、そこで比較は終わりなので、読むのをやめてください。この記事の残りは、別のケースに向けたものです。あらかじめ用意されたテキスト、または即時性よりも正確さが重要なテキストです。

それぞれの側が実際にあなたに与えるもの

Ming-3.0-ttsは、Ant GroupのinclusionAIグループによって、バックボーン、拡散トランスフォーマーパッチヘッド、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を含む2.96 GBのチェックポイントとして配布されており、商用利用を許可するMITライセンスの下にあります。44.1 kHzの音声を出力し、7言語に加えて四川語と広東語をサポートし、音声クローニング、テキスト記述による音声デザイン、14個のインラインのパラ言語タグ、感情および速度・ピッチ・音量の制御を提供します。AntはPyTorch 2.6とCUDA 12.4を用いてH800-80GBおよびH20-96Gでテストしており、Dockerfileも同梱しています。

CartesiaのSonic 3.6はAPIです。1つのモデルで44言語を処理し、10秒の参照音声から音声をクローンし、感情を考慮した話し方と挿入可能な非言語キューをサポートし、カスタム発音辞書を受け付けます——これは、発音ボードが測定するまさにその問題に対するベンダー自身の回答であり、設定した顧客はアリーナがテストするデフォルト経路で評価されているわけではない点は注目に値します。Cartesiaは音声スタックの残りも構築しています。音声認識、1分$0.06の音声エージェント、電話番号、そしてプラン階層に応じて拡張する同時実行制限です。

• ライセンス — 手元に保持できるMITライセンスの重み vs 重みのない商用API

• 対応言語 — 7＋2方言 対 44

• デプロイ — 自分のGPU vs 相手のエンドポイント

• 出力サンプルレート — 44.1 kHz か、製品ページに未掲載か

• ボイスクローニング — 参照音声、参照テキスト、および明示的なタスクモード 対 10秒の音声、即時

• 料金算定基準 — GPU時間とクレジット（1文字につき1クレジット）

クレジット課金は換算する価値がある。なぜなら「1文字1クレジット」は、ほとんどのチームが予算を立てる際に基準にできる数値ではないからだ。Cartesia 自身の料金表では、音声1分に750～800クレジットかかるとされており、これにより実効レートは $5 の Pro プランで毎分約 $0.038、$49 の Startup プランで $0.029、$299 の Scale プランで $0.028 となる。アリーナはこれを100万文字あたり $49 に正規化しており、これが Ming のゼロと比較できる数値だ。Ming は無料ではない。GPU 時間の請求であり、財務チームには単語ごとの明細項目ではなくインフラ費として見えるだろう。

レビューでは誰も書かない3か月比較

この判断には、どちらのモデルよりも長く残る版があり、そしてプロダクションシステムにとって重要なのはまさにそれです。つまり、選んだモデルが差し替えられたときに何が起こるか、ということです。

Cartesiaは1年以内にSonic 3、3.5、3.6を投入しており、価格は100万文字あたり49ドルで一定だ。Antは2月にMing-omni-ttsを、6月に16.8B版を投入し、今はMing-3.0-ttsを出している。技術レポートはまだロードマップ上で未チェックのままで、vLLM-Omni高速化パスは完了と記されているものの、リポジトリでは文書化されていない。両社とも動きは速い。どちらも止まることはない。

ホスト型モデルにとっては定例のバージョンアップにすぎない。セルフホスト型チェックポイントにとっては移行だ。新しい重み、新しい依存関係、自社のテキストでの新たな評価ラウンドが必要になる。MITライセンスは旧モデルを動かし続ける権利を保護してくれる。それは確かな利点であり、チームがそもそもオープンウェイトを選ぶ主な理由でもある。だが、新モデルを欲しくなることまでは防いでくれない。

ここが、ルーティング層が言葉ではなく具体的な仕事をする継ぎ目です。OrcaRouter は Ming-3.0-tts や Cartesia Sonic 3.6 をホストしているわけではなく、そう示唆するものでもありません — Ming はリポジトリから、Sonic は Cartesia 自身の API から提供されます。カタログに実際に含まれるのは、Google の Gemini TTS プレビューや OpenAI の tts-1、gpt-4o-mini-tts を含むホスト型音声モデルのセットで、次と同じキーの背後にあります: 200 を超えるテキストモデル、プロバイダーの定価で追加マークアップなし、プロバイダー間の自動フェイルオーバー付きです。音声パイプラインにフォールバック経路があるなら — ライブトラフィックを扱うパイプラインなら当然あるべきですが — そのフォールバックは、2 つ目の契約と 2 つ目の SDK ではなく、1 つのエンドポイントで済ませられます。ベンダーの値下げは、間に巻き戻すべきマークアップがないため、当日にこちら側にも反映されます。

ワークロード別に、どちらを選ぶべきか

テキストについて正直に答えるなら、判断は短く済みます。

Sonic 3.6 を選ぶべきなのは最初の音声を人間が待っている場合、ほんの数言語では足りない場合、または稼働率の責任をベンダーに持たせたい場合です。102ポイントの好みの差は現実にあり、聞き手にも分かります。製品が実際に発音する用語については発音辞書を設定してください。デフォルトの経路では、まさにその点で74.5%のスコアになるからです。

Ming-3.0-ttsを選んでください、次の場合：音声を事前に生成するとき — ナレーション、ドキュメントの読み上げ、IVRプロンプト、トレーニング資料、オーディオブックの下書き — で、テキストに識別子、単位、コード、表記法が含まれる場合。これらの範囲をカバーする3つのカテゴリでは、それは首位か首位から3ポイント以内で、ボード上のどのホステッドシステムも正確な順序の保持においてそれより優れていません。

どちらも選ばないでください。ただし、英語の固有名詞を正確に扱う必要があるなら別です。MingのStandalone Termsでの88.5%は31台中21位で、モデルが紛れもなく中位なのはこのカテゴリーだけです。製品デモでブランド名を誤って発音するほうが、日付をぎこちなく読むより損失が大きいのです。

どちらのベンダーも提案しないハイブリッド構成もある。インタラクティブな部分にはホスト型のリアルタイムモデルを使い、バッチコーパスにはセルフホスト型のチェックポイントを使い、両者を同じホールドアウトテキストで評価する。この2つのシステムは異なる箇所で失敗する。だからこそ、この分割は運用コストに見合う価値があるのだ。

未解決の問題

Cartesiaの製品ページには、同社がSpeech Arenaで1位にランクされていると書かれている。それはページ執筆時には事実だったが、今はもう事実ではない——現在、HeyGen Voice、Q​wen-Audio-3.1-T​TS-Plus、Eleven v4 Turbo、Eleven v4はいずれもSonic 3.6より上位にあり、Sonic自身の順位は4位だ。ベンダーによるリーダーボードの主張は数週間で古くなる。74.5%という発音スコアは、この比較においてより長持ちする事実だ。なぜなら、それは売る製品を持たない誰かによって測定されており、しかもCartesia自身の発音辞書機能がそれを回避するために存在するほど悪いからだ。

判定を変えるのは何か。公開された time-to-first-audio を伴う Ming-3.0-tts のストリーミングリリースか、省略形の展開を修正する Sonic 3.7 か。どちらもまだ発表されていない。それまでは分かれ方は明確だ — 片側に速度とカバレッジ、もう片側に正確さとオーナーシップ — そして正しい答えは、勝者を探すのをやめて自分のコーパスを見始めることだ。