Ming-3.0-tts 対 Qwen-Audio-3.0-TTS：文字数単位で課金される音声に挑むオープンウェイト

Ming-3.0-ttsとQwen-Audio-3.0-TTSは、2026年にリリースされた中国のテキスト読み上げシステムの中で最も信頼性の高い2つだが、出力品質以外のほぼすべての点で意見が分かれる。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、inclusionAIチームが2026年10月20日にMing-3.0音声ファミリーの一環として公開した。Qwen-Audio-3.0-TTSはAlibabaのクローズドでAPI専用の音声合成器で、2026年7月20日のWAICでPlusとFlashの階層として発表され、重みは一切公開されていない。片方はダウンロードして実行し、もう片方は文字数単位で借りる。その違いこそがこの比較の要点であり、品質差はビジネスモデルの差より小さい。

また、これら2つのモデルの比較のほとんどが見落としている微妙な点があり、それが推奨内容を変えてしまいます。Qwen-Audio-3.0-TTSは、もはや実際に購入することになるQwenの音声モデルではありません。アリババは2026年9月23日にこれをQwen-Audio-3.1-TTSに置き換え、その前日には音声合成の価格をおよそ70%引き下げました。そこでこのページでは、人々が検索している対象である、タイトルに挙げられたモデルとMing-3.0-ttsを比較し、そのうえで新しいQwenによってその答えがどう変わるのかをご説明します。

タイトルに示されているモデルはすでに旧型になっています

Qwen-Audio-3.0-TTSはWAICで発表され、Artificial AnalysisのProvider Voice Arenaで首位を獲得したという確かな主張を掲げた。Gemini 3.1 Flash TTSや数多くの商用システムを上回っている。Plusは品質向け、Flashは約300 msの初回パケット遅延を伴うリアルタイム対話向けの2ティアで提供され、定価はそれぞれ100万文字あたり約27.60ドルと15ドル。

9週間後、Qwen-Audio-3.1-TTSがアプサラ・カンファレンスに登場しました。この比較で重要な変更点は次のとおりです：

• 価格 — 合成は約70%減、リアルタイムは約85%減、2026年9月22日より北京およびシンガポールリージョンに適用されます。これにより、3.1 TTS Flashは入力トークン100万あたり約¥1.5、出力トークン100万あたり約¥12となり、Plus相当は旧単位で100万文字あたり約$8となります。

• Control — 感情、ペース、スタイルに関する自由形式の自然言語による指示が、3.0の86個のインラインのデリバリータグに取って代わります。これは品質の変化ではなく使い勝手の変化であり、出荷できるかどうかに最も影響しやすい変更です。

• クローニング — 北京語・広東語・英語・日本語間の言語を超えた音色転送に加え、ノイズや残響のある参照音声もそのまま処理できます。

• 検証 — 執筆時点では独立したアリーナスコアはありません。3.1の品質に関する主張はベンダーによる主張です。

つまり公平な枠組みは「Ming 対 Qwen」ではなく、「Ming 対 Qwen の現行世代」だ。その価格は今や 3.0 が請求していた額のおよそ3分の1である。それに応じて Ming のコスト優位性は縮まる。だがアーキテクチャの違いは縮まらない。

2つの異なる製品であり、1つの製品の2つのバージョンではない

• 提供形態 — Ming-3.0-tts は Hugging Face と ModelScope で MIT ライセンスの重みを公開しており、推論コードは別の GitHub リポジトリにあります。Qwen-Audio-3.0-TTS は重みを一切公開しておらず、Alibaba Cloud Model Studio を通じて提供されています。

• サイズ — Mingのデフォルトチェックポイントは0.5Bパラメータの密モデルで、Qwen2.5-0.5Bをバックボーンとしており、約2.96 GBです。その兄弟モデルMing-3.0-tts-tinyは、AntのLing V3をバックボーンとする総パラメータ7.9B・アクティブ1.3BのMoEです。Qwenはどちらのティアについてもパラメータ数を公開していません。

• 出力品質の上限 — Ming は 44.1 kHz が上限です。Qwen-Audio-3.0-TTS は 48 kHz に移行し、最大3分の一括合成に対応しています。

• 言語対応範囲 — Ming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、四川語と広東語にも対応しています。Qwenは16言語と中国の20方言地域に対応しており、3.0でアラビア語、ベトナム語、マレー語、フィリピン語を追加しました。

• ボイス — Mingには100種類以上の中国語ボイスと5種類の英語ボイスが搭載されています。Qwenのカタログはホスト側が用意した選択肢であり、ご自身で管理するものではありません。

• コントロール項目 — Mingはテキスト記述からの音声設計、自由形式の話し方指示のための「ディレクターモード」、14個のインライン準言語タグ、および感情・速度・ピッチ・音量の明示的なコントロールを提供します。Qwen 3.0はフリースタイルのディレクタープロンプトと細粒度のタグを提供していましたが、3.1ではタグが指示に置き換えられました。

そのリストのパターンは一貫している。Mingはより狭い言語セットに対してより細かな制御を提供し、Qwenはその内部がどうなっているかが見えにくい代わりに、より広いカバレッジを提供する。

品質：アリーナが語ること、そして語らないこと

両方のモデルが独立した測定値を持っているというのは、慎重に活用する価値があるほど珍しいことです。罠は、異なるボード間で比較してしまうことです。

Provider Voice Arena — モデルがそれぞれ自社の標準音声で話す、同一条件での比較 — では、Qwen-Audio-3.0-TTS-Plus が2026年8月に Elo 1,238、9月までに1,259を記録して2位。Ming-3.0-tts は Elo 1,188で、オープンウェイトモデル中3位、全体では約18位。そのボードで Qwen は約50〜70 Elo リードしており、これは現実の差ではあるが巨大な差ではなく、商用音声の隣接する2ティア間の差程度だ。

Mingは、同じボード上でQwenが及ばない2つの結果を出している。総合でPronunciation Robustnessの93.2%を記録して首位タイとなり、米国と英国のアクセントにわたる8つのクローン音声から構築されたボード「Controlled Voice Arena」では1,069 Eloでオープンウェイトモデル中1位にランクしている。Qwenはコントロールドボイスボードに掲載されていない。そのテストを実行するためのローカルチェックポイントが存在しないためだ。

これらの数値を合わせて読むと、具体的なことが見えてくる。Mingは、与えられた声を再現するときに最も力を発揮し、自前の小さな英語カタログから引いてくる場合に最も弱い。Qwenは自前の声に強く、16言語すべてで最先端の話者類似度を実現していると主張している——ただしこれはベンダーの主張であり、独立した検証ではない。「創業者の声をクローンしてニュースレターを読ませる」のがワークロードなら、Mingが最も強いボードこそが重要だ。「12言語で40の声を用意する」なら、Qwenのカバレッジが決め手となる。

ベンダー報告の数字が1つ、特筆に値する。異例であり、かつ実用的だからだ。Qwen-Audio-3.0-TTSのスループットは毎秒約16文字と報告されており、Sonic 3.5の約120、Simba 3.2の30と対比される。これは遅い。Flashティアが存在する理由はまさにここにあり、品質リーダーボードでは決して見えてこない類の制約だ。Mingの0.5Bチェックポイントには比較可能な公開スループット値がなく、それ自体が空白となっている。

それぞれが請求する単位でのコスト

2つのモデルは単位を共有していないため、比較が意味を持つ前に換算する必要があります。音声で毎秒約14文字とすると、100万文字は約19～20時間の音声に相当します。

• Qwen-Audio-3.0-TTS-Plus — 100万文字あたり27.60ドル、つまり定価で音声1時間あたりおよそ1.40ドル。

• Qwen-Audio-3.0-TTS-Flash — 100万文字あたり約15ドル、音声1時間あたりに換算すると約0.76ドルです。

• Qwen-Audio-3.1-TTS — 9月の値下げ後は3.0の約3分の1の価格となり、同等の合成であれば音声1時間あたりおよそ0.40〜0.45ドル程度になります。

• Ming-3.0-tts — 文字あたりの料金はありません。MITライセンスの重みがあり、代わりにGPUの請求がかかります。レンタルしたH800を1 GPU時間あたり約2ドルで、0.5Bモデルをリアルタイムを大幅に上回る速度で稼働させると、実時間1時間あたり数オーディオ時間を生成します。バッチ処理すれば、実効レートは、上記のどの従量制料金も持続的な大量処理で到達できる水準を下回ります。

分岐点こそが議論の核心だ。月に数時間の音声なら、セルフホスティングは割に合わない。GPUは99%の時間アイドル状態で、依存関係のスタック構築には丸一日かかり、従量課金APIの費用は電気代より安い。月に数百時間になると、従量課金APIは圧倒的に高くつく選択肢となり、追加の1時間ごとに差は広がる。なぜなら、次の生成にかかる限界コストはほぼゼロだからだ。分岐点が正確にどこにあるかはGPUの価格と稼働率次第だが、それは月あたり数百時間で測られるものであり、数千時間ではない。

どちらの価格表にも載らない第二のコストがある。それは、あなたの足元でモデルが変わってしまうというコストだ。Qwen-Audio-3.0-TTS は、Alibaba が販売した中で約9週間だけ最高の音声モデルだった。その86タグの制御文法の上に製品を築いた人は誰でも、9月を自然言語指示向けのプロンプトの書き換えに費やした。Ming の MIT 重みは非推奨にすることはできず、あなたが改善するしかない。

コントロール、クローニング、そしてデプロイの現実

Mingのボイスデザインは、Qwenには相当する機能がありません。話者の年齢、音色、話す速さ、アクセントをテキストで説明すると、参照クリップなしで、それに合った声をモデルが合成します。録音がまだない段階でキャラクターやブランドの声を試作するには、カタログから選ぶのとは本当に異なるワークフローです。

Qwenの対抗軸は堅牢性だ。3.1リリースは特に、ノイズや残響のある参照音声を扱う。これは実運用でクローニングを破綻させる典型的な失敗パターンである。会議室でノートPCを使ってサンプルを録音すると、クローンが別人のように聞こえてしまうのだ。Mingのモデルカードは、話者類似度が内容の正確さに劣ることを率直に認めており、多言語での最も明確なギャップはフランス語だ。

デプロイは、両者が労力の面で最も大きく分かれるところです。

• Ming — GitHubリポジトリをクローンし、CUDA 12.4とPyTorchをインストールし、必要に応じてflash-attnをビルドし、テキスト正規化用のpyniniをインストールして、infer.pyまたはming_tts.MingTTS Python APIを実行します。Hugging Faceはチェックポイントのみをホストしており、その旨がコールアウトに記載されています。tinyモデルには専用の環境が必要です。執筆時点では、Hugging Faceにホスト型推論プロバイダーはありません。

• Qwen — APIキーとリージョナルエンドポイントのみ。インフラも依存スタックもGPUキャパシティプランニングも不要です。ただし、バージョンを固定したり、モデルを検査したり、オフラインで実行したりすることはできません。

既存のGPUフットプリントがあり、音声を社内に保持するコンプライアンス上の理由があるチームにとって、Mingは明らかな選択肢であり、その労力は誤差のようなものだ。どちらもないチームにとって、Qwenは今四半期は安く、規模が大きくなると割高になり、ロックインは現実のものとなる。

ルーターの位置づけ

どちらのモデルもOrcaRouter上にはありません。当社はMing-3.0-ttsをホストしておらず、Qwen-Audio-3.0-TTSを再販してもいません。比較ページは、そうでないかのように装う場所ではありません。当社のパイプライン側にあるのは、音声を巡るすべてです。つまり、台本を起草し書き直す言語モデルに加え、ホスト型音声モデル、すなわちGemini 3.1 Flash TTS Previewや、Mingのセルフホストが不適切な選択となるケース向けのGPT-4o mini TTSです。

それが、このページが実際に扱っている判断にとって最も重要な点です。音声パイプラインは単一のモデルではなく、スクリプト生成器、ノーマライザー、シンセサイザー、そしてフォールバックで構成されています。テキスト側を1つのAPIキーの背後に置く——200以上ものモデル、プロバイダー定価に対するマークアップ0%、プロバイダーが劣化した際の自動フェイルオーバー——ということは、あなたが確約する部分は音声モデルそのものだけだということです。Mingをセルフホストして、英語のブランド名においてアリーナが示唆したほど強くないと判明した場合でも、音声レイヤーの差し替えは1つのコンポーネントの変更であり、再プラットフォーム化ではありません。Qwenのホスト型API上に構築するなら、エンドポイントが遅かったりレート制限されていたりするときにパイプラインの残りを生かし続けるのはルーティングレイヤーであり、パススルー価格設定は、アリババの次の値下げがリセラーの都合を待たずに実施当日にあなたへ届くことを意味します。

どちらを選ぶべきですか

• Ming-3.0-ttsを選ぶのは、GPUがあり、カタログ音声ではなくクローン音声や設計した音声が必要で、法務レビューを通過するMIT条件を望み、研究グレードのツールと薄い英語音声セットを受け入れられる場合です。ここで唯一、完全に所有できる選択肢です。

• 特定の理由で Qwen-Audio-3.0-TTS に固定されている場合にのみ選択してください。たとえば、既存の Alibaba Cloud 契約がある場合や、その 86 タグの文法に基づいて構築されたワークフローがある場合です。そうでなければ、時代遅れのモデルを時代遅れの価格で選ぶことになります。

• Qwen-Audio-3.1-TTSの選択が適するのは、管理された幅広いカバレッジの音声APIを求めており、9月の値下げがコスト構造を変える場合です。ただし、独立系のリーダーボードでは未検証であり、指示ベースの制御はこれから学ぶ新しい文法であることを受け入れてください。

両ファミリーの品質差は、この問いを決めるには狭すぎる。両者が直接競合する唯一のボードでは、Qwenが約50～70 Eloリードしている。クローン化を測定するボードでは、Mingが首位でQwenは不在だ。両者を実際に分けるのは、その声がレンタルするサービスなのか、所有する成果物なのかという点である——そしてAlibabaが自社のフラッグシップを9週間で置き換えた後、この区別はイデオロギーというより調達リスクのように見える。