Ming-3.0-tts vs Cartesia Sonic 3.6: 한쪽은 청구서 번호를 정확히 읽고, 다른 쪽은 90ms 만에 답한다

Ming-3.0-tts와 Cartesia Sonic 3.6을 Artificial Analysis 음성 아레나의 같은 줄에 세워 놓으면, 점수판은 Cartesia의 승리를 알린다: Provider Voice에서 1,290 Elo 대 1,188, 102점 차이이며 신뢰구간은 전혀 겹치지 않는다. 두 시스템을 발음 보드에 올리면 결과는 데이터 오류처럼 보일 만큼 완전히 뒤집힌다: 93.2% 대 74.5%. 같은 두 시스템을, 같은 연구소가, 같은 달에 측정했는데, 어느 쪽이 영어를 소리 내어 읽을 수 있는지에 대해 18퍼센트포인트나 엇갈린다. 두 수치 모두 맞으며, 둘 다 맞을 수 있는 이유가 바로 이 비교의 전부다.이번 릴리스 같은 것들의 배후에 있는, 문서화된 AI 실패와 에이전트 사건들은 OrcaRouter AI Incident Archive에 정리되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰 등급, 이의 제기 플래그가 함께 제공된다.

Ming-3.0-tts는 Ant Group의 MIT 라이선스 오픈 가중치 모델입니다. 자체 GPU에서 실행하는 0.5B dense 체크포인트이며, Ming-3.0-tts-tiny라는 7.9B mixture-of-experts 형제 모델도 있습니다. Cartesia Sonic 3.6은 2026년 8월 17일에 출시된 독점 실시간 엔드포인트로, 문자당 가격이 책정되어 있고, 첫 오디오 지연 90밀리초 미만과 44개 언어 지원을 내세우고 있습니다. 하나는 모델입니다. 다른 하나는 전화를 받도록 만들어진 서비스입니다. 어느 쪽을 원하는지는 Elo와 전혀 관계없는 질문에 달려 있습니다. 텍스트가 대부분 산문입니까, 아니면 정확히 말해야 하는 것들입니까?

중요한 두 숫자, 그리고 두 숫자가 서로 맞지 않는 이유

선호도 게시판부터 시작하세요. 사람들이 인용하는 것이 바로 그것들이니까요.

• 공급자 Voice Elo — Ming-3.0-tts 1,188(구간 1,174–1,202) 대 Sonic 3.6 1,290(1,276–1,304). Sonic은 97개 모델 중 4위, Ming은 18위입니다.

• 통제된 음성 Elo — Ming-3.0-tts 1,068(1,052–1,084) 대 Sonic 3.6 1,151(1,138–1,164). Sonic은 5위, Ming은 12위입니다. 두 시스템이 동일한 여덟 개 음성을 클론하면 격차는 19점 줄어듭니다.

• 발음 견고성, 영어 — Ming-3.0-tts 93.2%(91.5–94.9) 대 Sonic 3.6 74.5%(71.4–77.5). Ming은 측정된 31개 시스템 중 1위, Sonic은 19위입니다.

그 결과들은 상충하지 않습니다. 서로 다른 것을 측정하고 있을 뿐입니다. Elo 보드는 인간 청취자에게 어느 클립을 선호하는지 묻고, 선호도는 합성 음성을 쾌적하게 만드는 요소들—자연스러운 운율, 설득력 있는 감정, 설명서를 읽는 것처럼 들리지 않는 목소리—에 보상을 줍니다. Sonic 3.6은 그 점에서 매우 뛰어납니다. 이 시스템은 8월부터 아레나에서 4위를 차지해 왔으며, 그 자격이 있습니다.

발음 평가 위원회는 더 좁고 더 가혹한 질문을 던집니다. 시스템이 이 특정 구간을 정확하게 발음했는가? 인간 검토자들은 영어 텍스트에서 강조된 단어와 구문—브랜드 이름, 기술 용어, 파일 경로, 이메일 주소, 숫자, 날짜, 단위—을 표시하고 각각을 판정했습니다. 그 테스트에서 Sonic은 점수가 매겨진 31개 시스템 중 하위 절반에 들었고, Ming은 그 모든 시스템 가운데 최상위에 올랐습니다.

세부 점수는 집계 점수보다 실패의 윤곽을 더 선명하게 드러냅니다:

• 독립형 용어 — Ming-3.0-tts 88.5% 대 Sonic 3.6 72.6%

• 문맥상 적절성 — Ming 91.0% vs Sonic 78.2%

• 정확한 시퀀스 보존 — Ming 90.6%(31개 중 1위) vs Sonic 60.8%

• 약어 확장 — Ming 96.5%(31개 중 1위) vs Sonic 49.1%

Expanding Shorthand가 주목해야 할 대상입니다. 이는 숫자, 날짜, 단위, 표기법 — "6'2"", "Chapter XVII", "1 tsp" — 을 다룹니다. 이 기준으로 보면 Sonic 3.6은 그러한 구간의 약 절반을 제대로 처리합니다. 프로덕션 음성 API로서는 놀라운 수치이며, 데모에서는 결코 드러나지 않는 유형의 문제입니다. 데모는 공급업체가 선택한 산문으로 작성되기 때문입니다. 주문 확인서, 투여량, 측정값을 그 앞에 놓는 순간, 선호도 순위는 더 이상 유용한 것을 예측하지 못합니다.

지연 시간과 처리량 측면에서 Cartesia는 비교조차 되지 않는 사례

카르테시아의 대표적인 주장은 첫 오디오가 90밀리초 이내에 나온다는 것이고, 이는 대화형 에이전트에서 중요한 숫자입니다. 발신자가 당신이 기계라고 판단하기 전에 목소리를 듣게 되니까요. Ming-3.0-tts는 지연 시간 수치를 전혀 공개하지 않습니다. 독립 하네스가 가진 것은 처리량인데, 그 수치는 오픈 모델에게 그리 호의적이지 않습니다.

• 초당 생성 문자 수 — Sonic 3.6 146.9 vs Ming-3.0-tts 44.3. Cartesia는 동일한 하드웨어 조건에서 3.3배 더 빠릅니다.

• 채점된 요청의 중앙값 생성 시간 — Sonic 3.6은 9.20초, Ming은 2.56초. 이 항목은 주의 깊게 볼 것. 이는 Ming의 속도 우위가 아니라 서로 다른 요청 길이를 반영한 것이다.

솔직히 요약하자면 Sonic 3.6은 스트리밍용으로, Ming-3.0-tts는 배치용으로 만들어졌습니다. 초당 44.3자, 대략 7단어의 속도에서 자체 호스팅 모델은 실제 말하기 속도보다 빠르므로, 긴 내레이션은 그것을 듣는 데 걸리는 시간보다 먼저 끝납니다. 하지만 이 모델에는 스트리밍 스토리, 공개된 첫 오디오까지의 시간, 세션 처리가 없습니다. Cartesia는 바로 그 세 가지를 판매합니다.

전화 에이전트, 실시간 번역 도구, 또는 사람이 첫 음절을 기다리고 있는 어떤 것을 만들고 있다면, 비교는 거기서 끝이며 읽기를 멈춰야 합니다. 이 글의 나머지는 다른 경우, 즉 미리 준비된 텍스트나 즉시성보다 정확성이 더 중요한 텍스트를 위한 것입니다.

각 측이 실제로 제공하는 것

Ming-3.0-tts는 Ant Group의 inclusionAI 그룹에서 개발했으며, 백본, 확산 트랜스포머 패치 헤드, 오디오 토크나이저, 화자 인코더, 텍스트 토크나이저를 포함한 2.96GB 체크포인트로 배포되고, MIT 라이선스로 상업적 사용이 허용됩니다. 44.1kHz 오디오를 출력하며 7개 언어와 쓰촨어, 광둥어를 지원하고, 음성 복제, 텍스트로 설명하는 음성 디자인, 14개의 인라인 준언어 태그, 감정 및 속도/피치/볼륨 제어 기능을 제공합니다. Ant는 PyTorch 2.6 및 CUDA 12.4 환경의 H800-80GB와 H20-96G에서 이를 테스트했으며 Dockerfile도 제공합니다.

Sonic 3.6은 Cartesia의 API입니다. 하나의 모델로 44개 언어를 처리하고, 10초 분량의 참조 오디오로 음성을 복제하며, 감정을 인식한 전달과 삽입 가능한 비언어적 신호를 지원하고, 사용자 지정 발음 사전도 받아들입니다. 이는 발음 보드가 측정하는 바로 그 문제에 대한 벤더 나름의 해답이며, 이를 구성하는 고객은 아레나가 테스트하는 기본 경로로 평가받지 않는다는 점도 주목할 만합니다. Cartesia는 음성 스택의 나머지 부분도 구축합니다. 음성-텍스트 변환, 분당 $0.06의 음성 에이전트, 전화 번호, 그리고 요금제 등급에 따라 확장되는 동시성 한도까지 제공합니다.

• 라이선스 — 직접 보유하는 MIT 가중치 vs 가중치가 없는 상용 API

• 언어 지원 — 7개 및 방언 2개 vs 44개

• 배포 — 자체 GPU vs 상대방 엔드포인트

• 출력 샘플 레이트 — 44.1 kHz 대 제품 페이지에 미게시

• 음성 복제 — 참조 오디오, 참조 텍스트 및 명시적 작업 모드 vs 10초 분량의 오디오, 즉시

• 가격 책정 기준 — GPU 시간 대 크레딧(문자당 1크레딧 기준)

크레딧 가격은 환산해 볼 가치가 있습니다. 왜냐하면 "문자당 1크레딧"은 대부분의 팀이 예산을 책정할 수 있는 숫자가 아니기 때문입니다. Cartesia 자체 플랜 표에 따르면 오디오 1분에 750–800크레딧이 소요되며, 이는 $5 Pro 플랜에서 분당 약 $0.038, $49 Startup 플랜에서 $0.029, $299 Scale 플랜에서 $0.028의 실질 요율이 됩니다. arena는 이를 100만 문자당 $49로 정규화하며, 이는 Ming의 0과 비교할 수 있는 수치입니다. Ming은 무료가 아닙니다. 그것은 재무팀이 단어당 개별 비용 항목이 아니라 인프라 비용으로 보게 될 GPU 시간 청구서입니다.

아무도 리뷰에 담지 않는 3개월 비교

이 결정에는 두 모델 모두보다 오래 지속되는 버전이 있으며, 프로덕션 시스템에서 중요한 것은 바로 그것입니다: 선택한 모델이 교체될 때 어떤 일이 일어나는가입니다.

Cartesia는 1년 만에 Sonic 3, 3.5, 3.6을 출시했으며, 가격은 100만 자당 49달러로 일정하다. Ant는 2월에 Ming-omni-tts를, 6월에 16.8B 변형을 출시했고, 이제 Ming-3.0-tts를 출시했다 — 로드맵에서 기술 보고서 항목은 아직 체크되지 않았고, vLLM-Omni 가속 경로는 완료로 표시되어 있지만 저장소에는 문서화되어 있지 않다. 두 공급업체 모두 빠르게 움직인다. 어느 쪽도 멈추지 않을 것이다.

호스팅 모델의 경우 이는 일상적인 버전 업그레이드에 불과하다. 자체 호스팅 체크포인트의 경우 이는 마이그레이션이다. 새로운 가중치, 새로운 의존성, 자체 텍스트에 대한 새로운 평가 라운드가 필요하다. MIT 라이선스는 기존 버전을 계속 실행할 권리를 보호해 주며, 이는 실질적인 이점이자 팀들이 애초에 오픈 가중치를 선택하는 주된 이유다. 하지만 새 버전을 원하게 되는 것까지 막아 주지는 않는다.

이 지점에서 라우팅 계층은 수사가 아니라 구체적인 일을 합니다. OrcaRouter는 Ming-3.0-tts나 Cartesia Sonic 3.6을 호스팅하지 않으며, 이 글의 어떤 부분도 그런 인상을 주어서는 안 됩니다. Ming은 저장소에서, Sonic은 Cartesia 자체 API에서 오는 것입니다. 카탈로그가 실제로 보유한 것은 호스팅 음성 모델 세트로, Google의 Gemini TTS 프리뷰와 OpenAI의 tts-1 및 gpt-4o-mini-tts를 포함하며, 200개가 넘는 텍스트 모델, 제공업체 정가 그대로 마크업이 추가되지 않은 채로 제공업체 간 자동 페일오버와 함께 동일한 키 뒤에 제공됩니다. 음성 파이프라인에 폴백 경로가 있다면 — 실시간 트래픽을 처리하는 모든 파이프라인에는 있어야 합니다 — 그 폴백은 두 번째 계약과 두 번째 SDK가 아니라 하나의 엔드포인트가 될 수 있습니다. 벤더의 가격 인하는 중간에 되돌릴 마크업이 없으므로 같은 날 우리 쪽에도 적용됩니다.

워크로드에 따라 어느 것을 선택할까요?

텍스트에 대해 솔직하게 답한다면 결정은 짧습니다.

다음의 경우 Sonic 3.6을 선택하세요: 첫 오디오를 기다리는 사람이 있거나, 필요한 언어가 한두 개를 넘거나, 업타임을 벤더가 책임지길 원한다면. 102포인트의 선호도 격차는 실재하며 청취자들은 그것을 느낄 것입니다. 제품이 실제로 말하는 용어에 맞게 발음 사전을 구성하세요. 기본 경로는 바로 그 부분에서 74.5%를 기록하기 때문입니다.

다음 경우 Ming-3.0-tts를 선택하세요: 오디오가 미리 생성되고 — 내레이션, 문서 낭독, IVR 프롬프트, 교육 자료, 오디오북 초안 — 텍스트에 식별자, 단위, 코드 또는 표기가 포함된 경우. 해당 항목들을 포괄하는 세 가지 범주에서 이 시스템은 1위이거나 1위와 3점 이내이며, 이 보드의 어떤 호스팅 시스템도 정확한 순서를 보존하는 데 더 뛰어나지 않습니다.

둘 다 고르지는 마세요. 다만, 만약 영어 고유명사가 정확해야 한다면 말이죠. Ming의 Standalone Terms 88.5%는 31개 중 21위이며, 이 범주는 모델이 명백히 중위권인 유일한 범주입니다. 제품 데모에서 브랜드 이름을 잘못 발음하는 것은 날짜를 어색하게 읽는 것보다 더 큰 대가를 치릅니다.

또한 어느 벤더도 제안하지 않을 하이브리드 방식이 있습니다. 대화형 표면에는 호스팅된 실시간 모델을, 배치 코퍼스에는 자체 호스팅 체크포인트를 사용하고, 두 모델을 동일한 홀드아웃 텍스트로 평가하는 것입니다. 두 시스템은 서로 다른 지점에서 실패하기 때문에, 이러한 분리가 운영 비용을 감수할 가치가 있습니다.

열린 질문

Cartesia의 제품 페이지에는 이 회사가 Speech Arena에서 1위라고 나와 있습니다. 그것은 페이지가 작성될 당시에는 사실이었지만 이제는 사실이 아닙니다 — 현재 HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo, Eleven v4가 모두 Sonic 3.6보다 위에 있으며, Sonic 자체의 순위는 4위입니다. 벤더 리더보드의 주장은 몇 주 만에 낡습니다. 74.5% 발음 점수는 이 비교에서 더 오래 유효한 사실입니다. 왜냐하면 그것은 판매할 제품이 없는 사람이 측정한 것이고, Cartesia 자체의 발음 사전 기능이 이를 우회하기 위해 존재할 정도로 나쁘기 때문입니다.

판정을 바꿀 만한 것은 첫 오디오 출력까지 걸리는 시간이 공개된 Ming-3.0-tts의 스트리밍 출시, 또는 축약어 확장을 수정한 Sonic 3.7이다. 둘 다 아직 발표되지 않았다. 그때까지 구분은 명확하다 — 한쪽에는 속도와 커버리지, 다른 쪽에는 정확성과 소유권 — 그리고 올바른 답은 승자를 찾는 것을 멈추고 자신의 코퍼스를 들여다보기 시작하는 것이다.