Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS: 한쪽은 요금표를, 다른 쪽은 저장소를 갖고 있다

모두가 원하는 비교는 두 점수를 나란히 놓는 것이지만, 오늘날 그것을 정직하게 수행할 수는 없습니다. Ming-3.0-tts-tiny는 앤트 그룹(Ant Group)의 inclusionAI가 공개한 79억 파라미터 규모의 전문가 혼합(mixture-of-experts) 음성 체크포인트로, MIT 라이선스로 가중치가 공개되었으며 호스팅 엔드포인트도, 독립적 평가도 없습니다. Qwen-Audio-3.0-TTS는 알리바바 클라우드 모델 스튜디오(Alibaba Cloud Model Studio)의 호스팅 합성 엔드포인트로, 2026년 7월 20일에 출시되었으며 Flash 등급과 Plus 등급으로 판매되고, 가중치는 어디에도 없고 공개된 오류율 표도 없습니다. 한쪽에는 리더보드 순위와 가격이 있습니다. 다른 쪽에는 다운로드 가능한 파이프라인과 벤더 벤치마크 제품군이 있습니다. 여기서 유용한 작업은 그 두 산출물 중에서 승자를 고르는 것이 아니라, 어떤 수치를 나란히 놓아도 되는지, 어떤 수치는 놓아서는 안 되는지를 가려내는 것입니다. 이와 같은 릴리스의 배경이 되는 문서화된 AI 실패 및 에이전트 사고는 다음에 수집되어 있습니다: OrcaRouter AI 인시던트 아카이브 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이견 표시(disputed flag)가 함께 제공됩니다.

날짜가 중요하다. 두 제품 모두 출시 공지글이 암시하는 방식으로 등장하지 않았기 때문이다. Ming-3.0-tts-tiny의 Hugging Face 저장소는 2026년 9월 22일에 만들어졌고 체크포인트 자체는 9월 24일에 업로드되었다. 3주 반 동안 그것은 실행할 방법이 없는 가중치 폴더였다. 추론 코드와 원클릭 예제, 태스크 쿡북은 10월 19일 08:58 UTC에야 GitHub에 올라왔고, 그것도 한 오후에 걸친 아홉 개의 커밋으로였다. Ant는 이를 발표하지 않았고, 블로그 글도, 모델 카드 영상도, 기술 보고서도 없다. 반면 Qwen-Audio-3.0-TTS는 실제 출시를 거쳤고 여전히 Alibaba의 요금표에 올라 있다. 그리고 품질 면에서 중요한 등급인 Plus는 9월에 3.1 세대가 등장한 뒤에도 여전히 Alibaba 합성 라인업의 최상위다.

리더보드 행은 잘못된 체크포인트인데, 리포지토리에는 그렇게 적혀 있지 않다

여기서 시작하세요. 첫 비교 게시물 물결이 저지를 실수가 바로 이것이기 때문입니다. Artificial Analysis는 두 개의 음성 보드를 운영하며, 둘 다 Ming-3.0-tts라는 모델을 싣고 있습니다. 10월 19일 기준으로 이 모델은 Provider Voice 보드에서 1,188 Elo, Controlled Voice 보드에서 1,069 Elo에 위치해 있습니다.

그 항목은 0.5B 모델이지, 이 모델이 아닙니다. Ming-3.0-tts-tiny에는 아레나 행 자체가 없습니다 — 순위권도, 비순위권도, 미리보기 항목도 아닙니다. GitHub README는 결과 섹션에서 1,188과 1,069 수치를 어떤 체크포인트가 산출했는지 구분하지 않은 채 그대로 싣고 있는데, 바로 그렇게 해서 숫자가 두 번의 재게시를 거치며 잘못된 라벨을 얻게 됩니다.

"Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266"라는 문구를 보면, 실제로 비교되는 것은 Ant의 5억 매개변수 dense 모델과 Alibaba의 최대 호스팅 티어이며, 이 글 제목에 등장하는 모델은 그 보드에 없습니다. 78점 격차는 0.5B에 대해서는 사실입니다. 이는 소형 MoE에 대해 어느 방향으로도 말해주지 않습니다. 소형 모델이 더 좋을 수도 있습니다. 아무도 그것을 선호도 패널에 올려놓지 않았을 뿐입니다.

부재는 낮은 점수가 아닙니다. 그것은 점수가 매겨지지 않은 모델이며, 이 구분이 바로 이 섹션이 존재하는 전체 이유입니다.

각 측이 실제로 무엇인지

마케팅을 걷어내면, 두 대상은 품질에서 다르기 전에 종류에서부터 다르다.

• 형태 — Ming-3.0-tts-tiny는 직접 다운로드하는 체크포인트입니다. 약 18 GB에 BF16 기준 8,980,964,372개 파라미터와 F32 40,096개 파라미터로 이루어져 있으며, Ling V3 백본, 디퓨전 트랜스포머 헤드, 오디오 토크나이저, CAM++ 스피커 인코더, 텍스트 토크나이저를 포함합니다. Qwen-Audio-3.0-TTS는 오디오를 반환하는 HTTP 엔드포인트로, 다운로드할 것도, 감사할 라이선스도 없습니다.

• 매개변수 — 총 7.9B에 토큰당 약 1.3B가 활성화되는 희소 전문가 혼합(MoE) 모델이며, 비교 대상은 Alibaba가 매개변수 수를 공개하지 않는 호스팅 모델입니다.

• 라이선스 — 가중치와 코드 모두 MIT이며, 동의 없이 사람을 사칭하지 말고 합성 오디오임을 표시하라는 사용 안내가 포함되어 있습니다. 호스팅 서비스 측면에서는 상업용 API 약관이 적용됩니다.

• 언어 — 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어, 그리고 방언 참조 클립이 주어지면 쓰촨어와 광둥어. Qwen-Audio-3.0-TTS는 16개 언어와 20개 중국어 방언 지역을 나열합니다.

• 제어 기능 — 제로샷 클로닝, 설명 기반 음성 디자인, 자유 형식 스타일 지시, 14개의 인라인 부언어 태그, 명시적 감정, 속도, 피치 및 볼륨 설정, 다중 화자 팟캐스트 작업. Qwen-Audio-3.0-TTS는 클로닝과 약 86개의 인라인 전달 태그 및 지시 스타일 제어를 제공합니다.

• 가격 — Ming-3.0-tts-tiny 쪽에는 공시된 요금이 없으며, GPU 시간에 대해 비용을 지불합니다. Qwen-Audio-3.0-TTS-Plus는 A​libaba의 베이징 가격표에서 10,000자당 ¥1.4이며, Artificial Analysis는 이를 백만 자당 $19.31로 정규화합니다.

• 독립 점수 — Ming-3.0-tts-tiny는 없음. Qwen-Audio-3.0-TTS-Plus는 Provider Voice에서 1,266 Elo, Controlled Voice에서 1,126이며, 두 신뢰구간 모두 Ming-3.0-tts 행의 1,188 및 1,069에 닿지 않습니다.

서로 전환되지 않는 두 종류의 증거

아레나는 선호도를 측정한다. Ant의 표는 오류와 유사도를 측정한다. 둘 중 어느 것도 다른 하나로 변환되지 않으며, Elo 격차를 품질 승수로 취급하려는 유혹은 저항해야 한다.

Qwen-Audio-3.0-TTS가 제공하는 것은 자사 네이티브 음성에 대한 군중의 상대적 판단이며, 그 뒤에는 표본 수와 구간이 뒷받침되어 있습니다. Ant가 제공하는 것은 고정된 테스트 세트에 대해 자체 모델을 측정한 실험실의 결과이며, 하네스와 참조 클립, 채점 코드 모두 해당 모델을 만든 같은 팀이 선택한 것입니다. 둘 다 정당합니다. 어느 것도 다른 것의 대체물이 아니며, 이 글 제목에 있는 모델에 대해서는 둘 중 하나만 존재합니다.

Ant의 제품군은 광범위하며, 무시하기 전에 그 내용을 알아둘 가치가 있습니다. 중국어 Seed-TTS 세트에서 소형 모델은 0.781의 화자 유사도에서 0.820%의 단어 오류를 기록했습니다 — 이는 Ant의 공개된 모든 표에서 최고의 유사도 수치로, 자사의 0.5B 형제 모델의 0.758보다 높습니다. 영어는 0.728에서 1.666%를 기록합니다. 독일어는 0.325%의 문자 오류, 스페인어는 0.971%로, 둘 다 Ant의 8개 시스템 비교에서 1위를 차지했습니다. 일본어는 3.427%, 프랑스어는 3.470%입니다. NVBench의 단일 이벤트 준언어 테스트에서 이 모델은 6개 범주 모두에서 1위를 차지하며, 중국어에서 17.23 PCER, 영어에서 32.95를 기록합니다. 방언 제품군은 WSC-Eval-TTS easy에서 86.09% 정확도, WSYue base에서 92.90을 기록했고, 감정 세트는 CV3에서 평균 74.00%, 음성 디자인은 InstructTTSEval-ZH에서 75.37%를 기록했습니다. 이 모든 것은 Ant 자체의 하네스이며, Ant가 실행하고, Ant가 보고하며, 아무도 재현하지 못합니다.

솔직히 요약하자면, Qwen-Audio-3.0-TTS는 낯선 사람들이 평가한 것이고 Ant는 그 제작자가 평가한 것입니다. 이는 어느 쪽을 깎아내리는 말이 아니라, 두 수치가 각각 무엇을 의미하는지에 대한 설명입니다.

Ant가 실제로 공개하는 유일한 맞대결은 자기 자신을 상대로 한 것이다.

그 스위트 안에는 실제 비교처럼 작동하는 결과가 하나 있는데, 경쟁 상대가 앤트(Ant) 자사의 0.5B 모델이고 그 차이가 다른 하네스에서도 유지될 만큼 충분히 크기 때문이다.

한국어에서 Ming-3.0-tts-tiny는 6.000%의 문자 오류율을 기록한다. 0.5B는 1.728%를 기록한다. 같은 팀, 같은 테스트 세트, 같은 보고일 — 약 3.5배 차이이며, 더 큰 모델에서는 아무도 예상하지 못한 방향이다. 모델 카드는 이를 설명하지 않으며, 한계 섹션은 한국어를 알려진 약점 중 하나로 나열하지만 그 메커니즘은 제시하지 않는다.

구조적 설명은 가능하며, 발견이라기보다 가설로 표시해야 합니다. 희소 모델은 각 토큰을 전문가의 부분집합으로 라우팅하므로, 혼합 내에서 학습 신호를 덜 받은 언어는 비슷한 전체 크기의 밀집 모델에서보다 더 빠르게 성능이 저하될 수 있습니다. 그럴듯합니다. 하지만 측정된 것은 아닙니다. 정당화할 수 있는 것은 운영상 결론이며, 이는 더 좁습니다. 제품에 한국어가 포함되어 있다면, 누군가 실제 한국어 텍스트에서 이 체크포인트를 실행하고 결과를 공개하기 전까지는 이 체크포인트를 선택할 대상이 아닙니다.

Qwen-Audio-3.0-TTS는 16개 언어에 한국어를 포함하며, A​libaba는 Ant의 6.000%에 견줄 만한 언어별 오류율을 공개하지 않는다. 따라서 그 약점조차 비교로 바꿀 수 없다. 경고로만 읽을 수 있다.

백만 글자, 두 번 가격 매겨지다

바로 이 지점에서 두 제품은 더 이상 추상적인 개념이 아니게 됩니다.

Qwen-Audio-3.0-TTS는 문자당 과금합니다. 아레나의 정규화된 백만 문자당 $19.31 기준으로, 완성된 내레이션 100만 문자는 $19.31, 1억 문자는 $1,931입니다. 이 숫자는 선형적이고 예측 가능하며, 코드를 작성하기 전에 확인할 수 있습니다. 동일한 독립 하네스에서의 처리량은 생성 시간 1초당 25.61자로, 이는 API 규모에서 과금 문제라기보다 동시성 문제입니다.

Ming-3.0-tts-tiny는 GPU-시간으로 비용을 산정하는데, 그 계산에는 중간에 구멍이 있다. 0.5B 형제 모델은 초당 42.1자로 측정되었지만, tiny 모델은 전혀 측정되지 않았다. tiny 모델은 토큰당 약 2.5배 더 많은 파라미터를 활성화하고 2.96GB가 아니라 약 18GB를 차지하므로, 형제 모델의 처리량을 빌려올 수는 없다. Ant에서 권장하는 카드는 H800이며, 고정된 환경 — Python 3.10.15, CUDA 11.8을 사용하는 torch 및 torchaudio 2.7.1, transformers 4.46.3 — 이 릴리스에서 유일한 성능 관련 주장이다.

그러니 이미 결론이 난 것처럼 가장하지 말고 공개적으로 계산해 보라. 초당 20자라면 100만 자는 약 14시간의 생성이고, 초당 10자라면 약 28시간이다. 그 시간에 자신의 GPU 시간당 비용을 곱하고 모델 로드 시간, 대기열, 재시도를 더한 뒤 $19.31과 비교하라. 월 수백만 자 미만이라면 누군가의 시간이 계산에 들어가는 순간 총비용에서는 호스티드 요금이 보통 이긴다. 그 이상이라면, 이미 보유하고 계속 가동 중인 하드웨어에서 체크포인트의 시간당 한계비용은 첫 시간과 같다 — 이는 어떤 요금표도 따라올 수 없는 구조적 이점이다.

가격 비교가 가려서는 안 되는 한 가지: 두 모델은 어떤 가격에서도 같은 제품이 아니다. Qwen-Audio-3.0-TTS의 Plus 티어는 16개 언어를 지원하는 완성된 음성 카탈로그이고, Ming-3.0-tts-tiny는 직접 운영하며 출력 품질을 스스로 측정해야 하는 파이프라인이다.

Alibaba가 아직 해결하지 못한 티어 문제

오늘 Qwen-Audio-3.0-TTS를 선택하는 사람은, 그 아래에서 이미 움직여 버린 한 제품군 안에서 선택하고 있는 셈이다. Qwen-Audio-3.1 라인은 2026년 9월 23일에 발표되었으며, Artificial Analysis는 Qwen-Audio-3.1-TTS-Plus를 Provider Voice에서 Elo 1,300, Controlled에서 1,186으로 기재하고 있다 — 9월 24일자로 두 보드 모두에서 3.0 Plus보다 높은 수치이며, 가격은 100만 자당 동일한 $19.31이다.

하지만 Alibaba의 공개 요율표에는 3.1 TTS용 Flash SKU만 나와 있으므로, 3.1 Plus 등급이 오늘날 호출 가능한지는 리더보드에서 추론할 일이 아니라 공급업체 자체 콘솔에서 확인할 문제입니다. 어느 쪽이든 실무적 해석은 같습니다. 3.0 Plus 등급은 구식이 아니지만 더 이상 Alibaba가 점수를 매긴 가장 최신 항목은 아니며, 구매자는 가격을 무엇과 비교하기 전에 자신이 실제로 계약하는 SKU가 무엇인지 확인해야 합니다.

Ming-3.0-tts-tiny의 경우 티어 관련 질문은 전혀 없습니다. 체크포인트는 하나뿐이고, 날짜가 있는 로드맵도 없으며, 코드가 나온 당일 문서에 등장한 vLLM-Omni 지원 노트가 있을 뿐입니다.

리포지토리가 입증하지 않는 것

이 모델을 기반으로 계획을 세우기 전에 짚어 둘 만한 네 가지 격차가 있습니다.

독립적인 점수는 없습니다 — 아레나 행도, 타사 단어 오류율도, 측정된 처리량도 없습니다. Ming-3.0-tts-tiny의 것처럼 보이는 행은 0.5B의 것입니다.

• 기술 보고서 없음 — 로드맵에는 미완료로 표시되어 있고, 모델 카드는 10월 16일에 해당 보고서에 대한 언급을 삭제하도록 편집되었습니다.

• 호스팅 엔드포인트 없음 — 자사 API도 없고 가격도 없으므로, 프로덕션으로 가는 유일한 경로는 자체 인프라입니다.

• 파인튜닝 레시피 없음 — 이 저장소는 학습이 아닌 추론 작업을 문서화합니다. 이 체크포인트에 대한 LoRA 또는 전체 파인튜닝은 문서화되어 있지 않으며, 이는 학습 스크립트를 함께 제공하는 모델과는 다른 상황입니다.

캡처 시점에 Hugging Face 저장소에는 다운로드 20회와 좋아요 3개가 표시되었고, GitHub 저장소에는 별이 몇 개 있었으며 릴리스는 없었습니다. 그것은 출시가 조용했다는 점 외에는 무엇도 입증하지 못하며, 그것이 이 글에서 확신하는 유일한 주장입니다.

이 비교가 실제로 얼마나 유용한지

이번 달 프로덕션에서 두세 개가 넘는 언어로 음성이 필요하고, 가동 시간을 다른 누군가가 책임져야 한다면 Qwen-Audio-3.0-TTS-Plus는 정당화 가능한 선택입니다. 이 제품은 평가되고, 가격이 책정되고, 문서화되고, 지원되며, 1,266 Elo는 주장된 것이 아니라 측정된 값입니다.

모델을 직접 소유해야 한다면 — 제3자에게 보낼 수 없는 목소리를 복제하고, 글자당 과금이 좌우하는 규모로 생성하며, 재배포를 허용하는 라이선스로 출시해야 한다면 — Ming-3.0-tts-tiny는 둘 중에서 당신의 것이 될 수 있는 유일한 모델입니다. 그 대가로, 벤치마크를 가장 먼저 수행하는 쪽이 바로 당신이 된다는 점, 한국어가 벤더 스스로 공개한 알려진 약점이라는 점, 그리고 파이프라인이 이제 겨우 일주일밖에 되지 않았다는 점을 받아들여야 합니다.

OrcaRouter는 두 모델 중 어느 것도 라우팅하지 않으며, 이 문서의 어떤 내용도 그렇게 주장하는 것으로 읽혀서는 안 됩니다. 음성은 각 공급업체의 자체 채널을 통해, Ming-3.0-tts-tiny 체크포인트는 사용자의 자체 하드웨어를 통해 도달합니다. 우리가 라우팅하는 것은 동일한 파이프라인의 텍스트 절반입니다 — 하나의 키 뒤에 있는 200개 이상의 모델, 공급업체 정가에 추가 마크업 없이, 따라서 텍스트 공급업체의 가격 변경이 같은 날 귀하의 가격이 됩니다. 음성 제품의 경우 대본, SSML 유사 지시문, 무엇을 말할지 결정하는 에이전트는 모두 텍스트이며, 바로 그 부분에서 두 번째 공급업체 계약은 아무것도 사주지 않습니다.

이 문제를 결판낼 수치는 아직 존재하지 않는다. 그것은 Elo 점수가 아니라, H800에서 Ant가 사용한 동일한 참조 클립에 대해 소형 체크포인트를 실행하는 한 번의 오후이며, 결과는 harness와 함께 공개되어야 한다. 누군가 그렇게 하기 전까지 정직한 입장은 이 글이 취한 입장이다. 즉, 신뢰할 만한 산출물 두 개—하나는 점수가 매겨졌고 하나는 그렇지 않음—그리고 품질이 아니라 소유권, 가격 구조, 언어 리스크를 기준으로 해야 하는 비교다.