Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS: 무료 가중치로 78 Elo 포인트에 도전

옆에 두면Ming-3.0-tts-0.5B을 Qwen-Audio-3.0-TTS 가장 먼저 눈에 띄는 것은 둘이 같은 종류의 객체가 아니라는 점이다. Ming은 직접 다운로드해 MIT 라이선스로 사용하고 자체 GPU에서 실행하는 2.96 GB 체크포인트다. Qwen-Audio-3.0-TTS는 A​libaba가 Qwen-Audio-3.0-TTS-Plus로 표시하는 품질 등급에 속하는, A​libaba Cloud Model Studio의 호스팅 엔드포인트이며 가중치는 어디에도 없다. 독립적인 Artificial Analysis 음성 아레나에서 호스팅 모델은 1,266 Elo를, 다운로드 가능한 모델은 1,188을 기록한다. 두 신뢰구간이 전혀 겹치지 않는 78점 차이다. 그 격차는 실제로 존재한다. 그것이 얼마나 가치 있는지는 음성을 사는지 자산을 사는지에 달려 있다. 이와 같은 릴리스의 배경이 되는 문서화된 AI 실패와 에이전트 사건은 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 플래그가 포함되어 있다.

증거에 앞서, 짧게 답하자면

이번 분기에 음성이 제품에 탑재되고, 문제가 생겼을 때 다른 누군가가 온콜을 서야 한다면 Qwen-Audio-3.0-TTS-Plus가 더 나은 선택이며, 격차도 그리 작지 않다. 중국어 우선 콘텐츠를 만들고 있거나, 음성 디자인이나 방언 제어가 필요하거나, 글자당 과금 방식을 받아들일 수 없다면 Ming-3.0-tts-0.5B가 둘 중 유일하게 당신의 것이 될 수 있는 선택이다. 어느 답이든 예산 스프레드시트와 마주하면 그대로 유지되지 않으며, 이 글의 나머지 부분이 바로 그 이야기다.

각 모델이 실제로 무엇인지

Ming-3.0-tts-0.5B는 inclusionAI가 공개한 Ant Group의 오픈 웨이트 릴리스로, Qwen2.5-0.5B 백본에 확산 트랜스포머 헤드와 별도의 오디오 토크나이저를 결합해 구축되었다. 이 모델은 두 단계에 걸쳐 조용히 배포되었다. 2026년 9월 Hugging Face에 가중치를, 10월 19일 GitHub에 추론 코드를 공개했으며 Ant는 이를 발표하지 않았다. 번들에는 화자 인코더와 텍스트 토크나이저가 포함되어 있고, 44.1 kHz 오디오를 출력하며, 음성 복제, 텍스트 설명 기반 음성 설계, 14개의 인라인 준언어 태그, 감정 및 속성 제어, 7개 언어와 2개의 중국어 방언을 지원한다.

Qwen-Audio-3.0-TTS는 2026년 7월 20일 출시된 A​libaba의 호스팅 합성 제품군으로, 실시간 작업용 Flash와 최고 품질용 Plus의 두 등급으로 제공됩니다. 아레나에서 측정된 위치를 가진 것은 Plus 등급이며, 아래의 모든 수치는 이 등급을 가리킵니다. Plus는 16개 언어와 20개 중국어 방언 지역을 지원하고, 음성 복제와 약 86개의 인라인 전달 태그를 지원하며, A​libaba의 API를 통해서만 접근할 수 있습니다. 가중치는 없고, 로컬 배포도, 감사할 수 있는 라이선스도 없습니다.

두 날짜가 모두 보일 테니 짚어 둘 만한 날짜 관련 이상한 점이 하나 있습니다: A​libaba는 7월에 이 제품군을 출시했지만, Plus 모델의 arena 행에는 출시일이 2026년 9월 15일로 표시되어 있습니다. 우리는 이를 두 번째 모델이 아니라 점수가 매겨진 개정판이나 목록이 올라간 날짜로 해석합니다. 문서에서 출시일을 인용하는 경우, 7월 20일이 출시일이고 9월 15일은 arena의 장부상 기록입니다.

그들을 구분하는 숫자들

• 아레나 Elo, 제공자 음성 — Ming-3.0-tts-0.5B 1,188 (구간 1,173–1,203) vs Qwen-Audio-3.0-TTS-Plus 1,266 (1,252–1,280). 구간은 겹치지 않습니다.

• 아레나 Elo, 통제된 음성 — Ming 1,069(1,053–1,085) vs Qwen-Plus 1,126(1,113–1,139). 모든 모델에서 동일하게 고정된 클론 음성 기준으로 여전히 57점이라는 뚜렷한 격차가 있습니다.

• 가격 — Ming은 없습니다. 컴퓨트 비용을 지불합니다. Qwen-Plus는 아레나의 정규화 가격 열에 백만 자당 $19.31로 표시되어 있습니다.

• 처리량 — 동일한 독립 하네스에서 측정한 생성 시간 기준 초당 문자 수는 Ming 42.1자, Qwen-Plus 25.6자입니다.

• 가중치 — MIT 라이선스 체크포인트 vs 없음.

• 언어 — 7개에 쓰촨어와 광둥어를 더한 것 대 16개에 20개 중국 방언 지역을 더한 것.

• 제어 방식 — 자유 형식 지시, 음성 설계, 14개의 준언어적 태그, 명시적 감정/속도/음높이/음량 vs 약 86개의 인라인 태그 및 지시 스타일 전달 제어.

처리량 결과는 사람들이 놀라는 대목이다. 2.96GB 번들을 갖춘 5억 개 매개변수 덴스 모델은 독립 측정에서 초당 문자 수 기준으로 Alibaba의 호스팅 Plus 티어보다 약 65% 더 앞선다. 이는 Qwen을 깎아내리려는 말은 아니다. 호스팅 엔드포인트는 동시성을 위해 프로비저닝되며, 아레나의 처리량 수치는 한 번에 하나의 요청을 기준으로 하기 때문이다. 다만 이 비교에서 작은 모델이 느린 쪽은 아니라는 뜻이다.

78점은 어디에서 나오나요?

선호도 Elo는 무엇이 잘못됐는지 알려주지 않는다. 같은 텍스트에서 두 시스템을 들어보면 알 수 있고, 그 패턴은 Ant 자체의 모델 카드가 인정하는 내용과 일치한다.

Ant는 자신의 약점을 이례적으로 솔직한 언어로 공개한다. 화자 유사성은 콘텐츠 정확도에 뒤처지고, 프랑스어 유사성은 가장 명확한 다국어 격차이며, 다중 이벤트 준언어 문장은 여전히 불안정하고, 개방형 음성 설계는 아직 평가된 가장 강력한 시스템에 미치지 못한다. 아레나에서 이는 경쟁력 있는 복제 음성—통제된 보드에서 오픈웨이트 모델 중 1위—과 그렇지 않은 네이티브 음성 캐스트로 드러난다. Ming의 제공자 음성 순위(98개 중 19위)는 복제 경로가 아니라 100개가 넘는 중국어 및 5개의 영어 내장 음성 때문에 낮아진다.

Qwen의 장점은 정반대 양상이다. Qwen의 자체 음성이 곧 제품이며, Plus 등급은 별도 설정 없이도 완성된 것처럼 들리도록 만들어졌고, 제공자 및 통제된 설정 모두에서 그렇게 측정된다. 또한 클라우드를 운영하는 기업다운 언어 범위를 갖췄다. 16개 언어와 20개 중국어 방언 권역으로, Ming의 7개와 2개와 대조된다.

정확도 측면에서는 선호도와 달리, 비교는 Elo 격차가 시사하는 것보다 빈약합니다. Qwen-Audio-3.0-TTS에는 공통 테스트 세트와 대조해 검증할 수 있는 Alibaba의 공개된 단어 오류 표가 없고, Ming의 Seed-TTS 수치(중국어 0.800%, 영어 1.584%)는 Ant 자체 측정값으로, Ant의 하네스에서 Ant 권장 설정으로 측정한 것입니다. 어느 쪽도 동등 조건으로 비교할 수 있는 오류율을 제공하지 않습니다. 있는 것은 둘 모두에 대한 선호도 점수와 한쪽에 대한 벤더 표뿐입니다.

두 가지 청구 모델, 그리고 아무도 출력하지 않는 미터

가격 비교는 $19.31 대 0의 문제가 아니다. 그것은 문자당 계량기 대 GPU-시간 계량기의 맞대결이며, 두 번째 계량기는 재무팀이 요구하기 전까지는 보이지 않는다.

Qwen은 입력 텍스트의 문자당 과금합니다. 100만 문자당 $19.31로, 완성된 내레이션 100만 문자의 비용은 $19.31이며, 이 숫자는 선형적이고 예측 가능하게 확장됩니다. 코드를 한 줄도 작성하기 전에 스프레드시트에 넣어볼 수 있습니다.

Ming은 GPU 시간으로 과금한다. 이 릴리스는 H800-80GB와 H20-96G에서 테스트되었고, PyTorch 2.6과 CUDA 12.4가 필요하며, Dockerfile을 제공하지만 호스팅 엔드포인트는 없다. 아레나에서 측정된 초당 42.1자 기준으로, 100만 자는 해당급 하드웨어에서 모델 로딩, 대기열 처리, 실패한 요청을 제외하고도 생성에 약 6.6시간이 걸린다. 그것이 $19.31보다 저렴한지는 전적으로 GPU 시간당 비용과 GPU를 얼마나 꽉 채워 쓰느냐에 달려 있으며, 대부분의 팀에게 이 대결의 승자를 가르는 계산은 바로 이것이다.

라우팅 계층이 두 모델 중 어느 것도 호스팅하는 척하지 않으면서 제 역할을 해내는 지점이기도 합니다. OrcaRouter는 Ming-3.0-tts-0.5B나 Qwen-Audio-3.0-TTS를 제공하지 않으며, 이 글 어디에서도 그와 다르게 암시해서는 안 됩니다. 둘 다 각자의 채널을 통해 접근합니다. Q​wen은 A​libaba의 Model Studio를, Ming은 자체 인프라를 통해 접근합니다. 저희가 실제로 제공하는 것은 공급사 정가에 0% 마크업을 더한 가격으로 제공되는 동일한 파이프라인의 텍스트 쪽입니다 — 즉, 저희가 라우팅하는 텍스트 공급자의 가격이 바뀌면 같은 날 귀하의 가격이 됩니다 — 대본을 작성하고 감정을 태깅하거나 에이전트를 구동하는 모델에 대해 공급사 간 자동 장애 조치도 함께 제공합니다. 음성은 음성 제품의 비싸고 느린 절반입니다. 그 앞에 있는 절반마저 취약해서는 안 됩니다.

후계자 문제

이 결정에 포함되어야 하지만 제목에는 없는 세 번째 모델이 있습니다: 2026년 9월 24일에 출시된 Qwen-Audio-3.1-TTS-Plus입니다. 이 모델은 같은 아레나에서 1,300 Elo를 기록하며, 3.0 Plus 티어보다 34점 높고, 백만 문자당 $19.31로 동일합니다.

구매자 입장에서 다시 읽어 보세요. Alibaba는 이 비교에 나온 모델보다 5주 뒤에, 가격은 그대로, 같은 엔드포인트 제품군에서 더 나은 모델을 출시했습니다. 오늘 Qwen-Audio-3.0-TTS를 선택하는 사람은 자사 공급업체가 이미 가격 인하 없이 더 새로운 모델로 대체해 버린 모델을 선택하는 셈입니다. 3.0 등급은 여전히 목록에 남아 있고 여전히 좋습니다 — 1,266 Elo는 98개 중 6위입니다 — 하지만 이 제품군에서 올바른 호스팅 선택은 이제 3.0이 아니라 3.1입니다.

Ming은 후속 제품도, 정해진 릴리스 주기도 없기 때문에 그런 문제가 없습니다. 이는 안정적인 결과물을 원하는 팀에는 진정한 이점이고, 6개월 뒤 사용할 수 있는 최고의 음성을 원하는 팀에는 진정한 위험입니다. 로드맵 약속 없이 예고 없이 이루어진 릴리스는 어느 방향으로든 잠잠해질 수 있습니다.

누가 무엇을 골라야 할까

Qwen-Audio-3.1-TTS-Plus를 선택하세요 — 3.0이 아니라 — 이 제품군에서 측정된 최고 품질을 문자당 가격이 정해진 상태로 원하거나, 폭넓은 언어 지원이 필요하거나, 가동 시간 관리 책임을 다른 곳에 맡기고 싶다면. 사용량 요금을 받아들이고, 다음 등급이 예고 없이 도착할 것임도 받아들이세요.

Ming-3.0-tts-0.5B를 선택하세요. 음성이 자체 경계 내에서 실행되어야 한다면, 콘텐츠가 중국어 우선이고 쓰촨어나 광둥어가 필요하다면, 배역진에서 고르는 대신 설명으로 음성을 설계하고 싶다면, 또는 이미 보유한 GPU가 문자당 청구서보다 유리할 만큼 볼륨이 높다면. 엔지니어링 비용을 예산에 잡으세요: 환경은 고정되어 있고, 텍스트 정규화에는 범용 wheel이 없는 FST 라이브러리가 필요하며, 공개된 처리량 수치는 단 하나의 독립 하네스에서 나온 것입니다.

지원 계약이 필요하다면 당장은 둘 다 선택하지 마세요. Ming은 발표도, 호스팅 옵션도, 명시된 지원 약속도 없습니다. Q​wen은 세 가지를 모두 갖추고 있지만, 3.0 티어는 더 이상 구매할 만한 것이 아닙니다. 솔직히 말하면 이는 공정한 싸움이 아니며 애초에 그럴 의도도 아니었습니다 — 하나는 라이선스가 있는 연구 릴리스이고, 다른 하나는 요금표가 있는 클라우드 제품입니다 — 그리고 유용한 질문은 이 두 가지 중 여러분의 프로젝트에 실제로 필요한 것이 어느 쪽인가입니다.