Ming-3.0-tts vs Qwen-Audio-3.0-TTS: 글자 수로 과금하는 음성에 맞서는 오픈 웨이트

Ming-3.0-tts와 Qwen-Audio-3.0-TTS는 2026년에 출시된 가장 신뢰할 만한 중국어 텍스트 음성 변환 시스템 두 가지이며, 출력 품질을 빼면 거의 모든 면에서 서로 의견이 갈립니다. Ming-3.0-tts는 Ant Group의 MIT 라이선스 오픈 웨이트 모델로, inclusionAI 팀이 2026년 10월 20일 Ming-3.0 음성 제품군의 일부로 공개했습니다. Qwen-Audio-3.0-TTS는 Alibaba의 폐쇄형 API 전용 음성 합성기로, 2026년 7월 20일 WAIC에서 Plus와 Flash 등급으로 발표되었으며 가중치는 전혀 공개되지 않았습니다. 하나는 내려받아 직접 실행하고, 다른 하나는 글자 수 기준으로 빌려 씁니다. 바로 이 차이가 이 비교의 핵심이며, 품질 격차는 비즈니스 모델 격차보다 작습니다.

이 두 모델을 비교한 대부분의 글에서 놓치는 변수도 하나 있는데, 그것이 권고안을 바꿉니다. Qwen-Audio-3.0-TTS는 이제 실제로 구매하게 될 Qwen 음성 모델이 아닙니다. 알리바바는 2026년 9월 23일 Qwen-Audio-3.1-TTS로 이를 대체했고, 그 전날 합성 가격을 약 70% 인하했습니다. 따라서 이 페이지는 제목에 명시된 모델을 Ming-3.0-tts와 비교합니다. 사람들이 그것을 검색하고 있기 때문이며, 이어서 더 새로운 Qwen이 그 답을 어떻게 바꾸는지 알려 줍니다.

제목에 있는 모델은 이미 대체되었습니다

Qwen-Audio-3.0-TTS는 {{1}}WAIC{{/1}}에서 출시되며 진정한 주장을 내세웠습니다. Artificial Analysis의 {{3}}Provider Voice Arena{{/3}}에서 {{2}}1위{{/2}}를 차지해 {{4}}Gemini 3.1 Flash TTS{{/4}}와 수많은 상용 시스템보다 앞섰다는 것입니다. 이 제품은 두 등급으로 출시되었습니다. 품질을 위한 {{5}}Plus{{/5}}, 약 {{7}}300 ms{{/7}}의 첫 패킷 지연으로 실시간 상호작용을 위한 {{6}}Flash{{/6}}이며, 정가는 각각 백만 자당 약 {{8}}$27.60{{/8}}, {{9}}$15{{/9}}입니다.

9주 후, Qwen-Audio-3.1-TTS가 Apsara Conference에서 등장했습니다. 이 비교에서 중요한 변화는 다음과 같습니다:

• 가격 — 합성 약 70% 인하, 실시간 약 85% 인하, 2026년 9월 22일부터 베이징 및 싱가포르 리전에 적용됩니다. 이에 따라 3.1 TTS Flash는 입력 토큰 100만 개당 약 ¥1.5, 출력 토큰 100만 개당 약 ¥12 수준이 되며, Plus 동급 모델은 기존 단위 기준 문자 100만 개당 약 $8 수준이 됩니다.

• 제어 — 감정, 속도, 스타일을 위한 자유 형식의 자연어 지시가 3.0의 86개 인라인 전달 태그를 대체합니다. 이는 품질 변화가 아니라 사용성 변화이며, 출시 가능 여부에 가장 큰 영향을 미칠 가능성이 있는 변화입니다.

• 클로닝 — 만다린어, 광둥어, 영어, 일본어 간 언어 교차 음색 전환을 지원하고, 노이즈가 있거나 잔향이 있는 참조 오디오도 직접 처리합니다.

• 검증 — 작성 시점 기준 독립적인 아레나 점수는 없습니다. 3.1에 대한 품질 주장은 벤더 측 주장입니다.

따라서 공정한 구도는 "Ming 대 Qwen"이 아니라 "Ming 대 Qwen의 현 세대"이며, 이 세대의 가격은 이제 3.0이 받던 가격의 약 3분의 1입니다. 그에 따라 Ming의 비용 우위는 줄어듭니다. 아키텍처 차이는 줄어들지 않습니다.

하나의 두 가지 버전이 아닌, 서로 다른 두 개의 제품

• 배포 모델 — Ming-3.0-tts는 Hugging Face와 ModelScope에 MIT 라이선스로 가중치를 공개하고 있으며, 추론 코드는 별도의 GitHub 저장소에 있습니다. Qwen-Audio-3.0-TTS는 가중치를 공개하지 않으며, Alibaba Cloud Model Studio를 통해 제공됩니다.

• 크기 — Ming의 기본 체크포인트는 Qwen2.5-0.5B 백본 기반의 0.5B 매개변수 밀집 모델이며 약 2.96GB입니다. 형제 모델인 Ming-3.0-tts-tiny는 Ant의 Ling V3 백본 기반의 총 7.9B, 활성 1.3B MoE입니다. Qwen은 두 티어 모두의 매개변수 수를 공개하지 않습니다.

• 출력 품질 상한 — Ming은 최대 44.1kHz까지 지원합니다. Qwen-Audio-3.0-TTS는 48kHz로 상향되었고, 최대 3분까지 한 번에 합성하는 것을 지원합니다.

• 언어 지원 범위 — Ming은 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어에 쓰촨어와 광둥어까지 지원합니다. Qwen은 16개 언어와 중국 내 20개 방언 지역을 지원하며, 3.0 버전에서 아랍어, 베트남어, 말레이어, 필리핀어를 추가했습니다.

• Voices — Ming은 100개 이상의 중국어 음성과 5개의 영어 음성을 제공합니다. Qwen의 카탈로그는 직접 관리하지 않는 호스팅 선택 항목입니다.

• 제어 인터페이스 — Ming은 텍스트 설명으로부터의 음성 설계, 자유로운 전달 방식 지시를 위한 "디렉터 모드", 14개의 인라인 준언어적 태그, 그리고 감정·속도·음높이·음량에 대한 명시적 제어를 제공한다. Qwen 3.0은 자유 형식의 디렉터 프롬프트와 세밀한 태그를 제공했으며, 3.1은 태그를 지시문으로 대체했다.

그 목록의 패턴은 일관됩니다. Ming은 더 좁은 언어 집합에 대해 더 많은 제어권을 제공하고, Qwen은 그 밑에 무엇이 있는지에 대한 가시성이 낮은 대신 더 넓은 범위를 제공합니다.

품질: 아레나가 말하는 것과 말하지 않는 것

두 모델 모두 독립적인 측정값을 가지고 있는데, 이는 충분히 드물어서 신중하게 활용할 가치가 있습니다. 함정은 서로 다른 보드에 걸쳐 비교하는 것입니다.

{{1}}Provider Voice Arena{{/1}} — 모델이 자체 기본 음성으로 말하는, 동일 조건 비교 — 에서 {{2}}Qwen-Audio-3.0-TTS-Plus{{/2}}는 2026년 8월 Elo 1,238점, 9월에는 1,259점을 기록하며 2위에 올랐습니다. {{3}}Ming-3.0-tts{{/3}}는 Elo 1,188점으로 오픈 웨이트 모델 중 3위, 전체 약 18위였습니다. 해당 순위표에서 Qwen은 약 50~70 Elo 앞서는데, 이는 실재하지만 그리 큰 격차는 아니며 상용 음성의 인접한 두 등급 간 차이 정도입니다.

Ming은 같은 리더보드에서 Qwen이 맞설 수 없는 두 가지 결과를 기록했습니다. Ming은 Pronunciation Robustness에서 93.2%로 전체 공동 1위를 차지했고, Controlled Voice Arena에서는 1,069 Elo로 오픈웨이트 모델 중 1위입니다. 이 리더보드는 미국과 영국 억양 전반의 8개 복제 음성으로 구성되었습니다. Qwen은 controlled-voice 리더보드에 나타나지 않는데, 해당 테스트를 실행할 로컬 체크포인트가 없기 때문입니다.

함께 읽어 보면, 이 수치들은 구체적인 메시지를 전합니다. Ming은 사용자가 제공한 목소리를 재현할 때 가장 뛰어나고, 자체 보유한 작은 영어 카탈로그에서 끌어올 때 가장 약합니다. Qwen은 자체 음성에 강하며 16개 언어 전체에서 최첨단 화자 유사성을 주장합니다 — 이는 공급업체의 주장일 뿐 독립적인 검증은 아닙니다. 워크로드가 "우리 창업자의 목소리를 복제해 뉴스레터를 읽어 달라"는 것이라면, Ming이 가장 강점을 보이는 보드가 바로 중요한 보드입니다. 워크로드가 "12개 언어로 40개의 목소리를 달라"는 것이라면, Qwen의 커버리지가 결정적 사실입니다.

벤더가 보고한 수치 중 하나는 특이하면서도 실용적이기 때문에 짚고 넘어갈 만하다. Qwen-Audio-3.0-TTS의 처리량은 초당 약 16자로 보고되었는데, Sonic 3.5의 약 120자, Simba 3.2의 30자와 비교된다. 이는 느린 편이다. Flash 티어가 존재하는 이유가 바로 여기에 있으며, 품질 리더보드에서는 결코 보여주지 않을 종류의 한계다. Ming의 0.5B 체크포인트에는 이에 비교할 만한 공개 처리량 수치가 없는데, 그 자체가 하나의 공백이다.

비용, 각 항목이 청구되는 단위 기준

두 모델은 단위를 공유하지 않으므로, 비교가 의미를 가지려면 먼저 환산해야 합니다. 말하기 속도가 대략 초당 14자라면, 100만 자는 약 19~20시간 분량의 오디오입니다.

• Qwen-Audio-3.0-TTS-Plus — 백만 문자당 $27.60, 또는 정가 기준 오디오 1시간당 약 $1.40입니다.

• Qwen-Audio-3.0-TTS-Flash — 100만 자당 약 $15, 즉 오디오 1시간당 대략 $0.76입니다.

• Qwen-Audio-3.1-TTS — 9월 인하 이후 3.0 가격의 약 3분의 1 수준으로, 동등한 합성을 기준으로 오디오 1시간당 약 $0.40~$0.45 정도입니다.

• Ming-3.0-tts — 문자당 가격은 없습니다. MIT 가중치에, 대신 GPU 청구서가 따릅니다. GPU 시간당 약 $2에 임대한 H800에서 0.5B 모델을 실시간보다 훨씬 빠르게 실행하면 실제 경과 1시간당 오디오 수 시간 분량을 생성합니다. 배치 처리하면 지속적인 물량에서 위의 어떤 종량제 가격도 도달할 수 없는 수준까지 실효 단가가 떨어집니다.

교차점이 논쟁의 핵심이다. 한 달에 몇 시간 분량의 오디오라면 셀프 호스팅은 손해다. GPU는 99%의 시간 동안 유휴 상태이고, 종속성 스택을 갖추는 데 하루가 걸리며, 종량제 API는 전기료보다 비용이 적게 든다. 한 달에 수백 시간이라면 종량제 API가 훨씬 더 비싼 선택지이며, 다음 생성의 한계 비용이 거의 0이기 때문에 추가 시간이 늘어날 때마다 격차는 더 벌어진다. 교차점이 정확히 어디에 위치하는지는 GPU 가격과 활용도에 달려 있지만, 그 기준은 월 수천 시간이 아니라 수백 시간 단위로 측정된다.

어느 가격표에도 나오지 않는 두 번째 비용이 있습니다. 바로 당신이 쓰는 모델이 발밑에서 바뀌는 비용입니다. Qwen-Audio-3.0-TTS는 약 9주 동안 Alibaba가 판매한 최고의 음성 모델이었습니다. 그 모델의 86개 태그 제어 문법 위에 제품을 만든 사람은 9월 한 달을 자연어 지시에 맞게 프롬프트를 다시 작성하는 데 보냈습니다. Ming의 MIT 가중치는 지원 중단될 수 없으며, 오직 당신에 의해서만 개선될 수 있습니다.

제어, 클로닝, 그리고 배포의 현실

Ming의 보이스 디자인은 Qwen에 이에 상응하는 기능이 없는 기능입니다. 텍스트로 화자를 묘사하면 — 나이, 음색, 속도, 억양 — 모델이 참조 클립 없이 그에 맞는 음성을 합성합니다. 녹음본이 마련되기 전에 캐릭터나 브랜드 보이스를 프로토타이핑할 때, 이는 카탈로그에서 고르는 것과는 확실히 다른 워크플로입니다.

Qwen의 대항마는 견고성이다. 3.1 릴리스는 특히 노이즈와 잔향이 있는 참조 오디오를 처리하는데, 이것이 실제 배포 환경에서 복제를 망치는 실패 유형이다. 누군가가 회의실에서 노트북으로 샘플을 녹음하면 복제된 목소리가 다른 사람처럼 들리는 경우다. Ming의 모델 카드는 화자 유사성이 콘텐츠 정확도에 뒤처진다는 점을 솔직히 밝히고 있으며, 프랑스어가 다국어 격차가 가장 뚜렷하다.

배포는 두 방식이 투입 노력에서 가장 크게 갈리는 지점입니다.

• Ming — GitHub 저장소를 복제하고, CUDA 12.4와 PyTorch를 설치하며, 선택적으로 flash-attn을 빌드하고, 텍스트 정규화를 위해 pynini를 설치한 다음 infer.py 또는 ming_tts.MingTTS Python API를 실행합니다. Hugging Face는 체크포인트만 호스팅하며, 그 사실을 콜아웃에 명시합니다. 소형 모델은 자체 환경이 필요합니다. 이 글을 작성하는 시점 기준으로 Hugging Face에는 호스팅된 추론 제공자가 없습니다.

• Qwen — API 키와 리전별 엔드포인트만 있으면 됩니다. 인프라도, 의존성 스택도, GPU 용량 계획도 필요 없습니다. 다만 버전을 고정하거나, 모델을 검사하거나, 오프라인으로 실행할 수는 없습니다.

GPU 인프라를 이미 보유하고 있고 오디오를 사내에서 처리해야 하는 규정상의 이유가 있는 팀이라면 Ming이 확실한 선택이며, 그에 드는 노력은 반올림 오차 수준이다. 둘 다 없는 팀이라면 Qwen은 이번 분기에는 더 저렴하지만 규모가 커지면 더 비싸지며, 종속성은 실질적인 문제다.

라우터가 적합한 위치

두 모델 모두 OrcaRouter에는 없습니다. 우리는 Ming-3.0-tts를 호스팅하지 않으며 Qwen-Audio-3.0-TTS를 재판매하지도 않습니다. 그리고 비교 페이지는 그런 사실을 아닌 척하기에 적합한 곳이 아닙니다. 우리 쪽 파이프라인에 있는 것은 음성 주변의 모든 요소입니다. 즉, 대본을 작성하고 다듬는 언어 모델과, Ming을 자체 호스팅하는 것이 잘못된 선택인 경우를 위한 Gemini 3.1 Flash TTS Preview 및 GPT-4o mini TTS 같은 호스팅 음성 모델입니다.

이 페이지가 실제로 다루는 결정에서는 그 점이 가장 중요합니다. 음성 파이프라인은 하나의 모델이 아니라 스크립트 생성기, 정규화기, 합성기, 폴백으로 구성됩니다. 텍스트 절반을 하나의 API 키 뒤에 두는 것 — 200개 이상의 모델, 제공업체 정가 대비 0% 마크업, 제공업체 성능이 저하될 때 자동 장애 조치 — 이 모든 것이 여러분이 의존하기로 하는 유일한 부분은 음성 모델 자체라는 뜻입니다. Ming을 자체 호스팅했는데 영어 브랜드 이름에서 아레나가 시사한 것보다 약하다면, 음성 계층을 교체하는 것은 한 구성 요소를 바꾸는 일이지 플랫폼을 다시 구축하는 일이 아닙니다. Qwen의 호스팅 API 위에 구축한다면, 라우팅 계층은 엔드포인트가 느리거나 속도 제한이 걸릴 때 파이프라인의 나머지가 계속 살아 있게 하는 것이며, 통과 가격(pass-through pricing)은 Alibaba의 다음 가격 인하가 리셀러의 편의에 맞춰 도달하는 것이 아니라 가격 인하가 발표되는 날 여러분에게 도달한다는 뜻입니다.

어느 걸 고를까?

• Ming-3.0-tts를 선택하세요 GPU가 있고, 카탈로그가 아닌 복제되거나 설계된 음성이 필요하며, 법적 검토를 통과하는 MIT 조건을 원하고, 연구용 수준의 도구와 빈약한 영어 음성 세트를 감수할 수 있다면. 이곳에서 완전히 소유할 수 있는 유일한 옵션입니다.

• Qwen-Audio-3.0-TTS를 선택하세요 단, 특정한 이유로 이 모델에 고정되어 있는 경우에만 — 기존 Alibaba Cloud 계약, 86개 태그 문법으로 구축된 워크플로 등 — 그렇게 하세요. 그렇지 않다면 이미 대체된 모델을 이미 대체된 가격으로 선택하는 것입니다.

• 관리형의 폭넓은 커버리지를 갖춘 음성 API를 원하고 9월 가격 인하가 경제성 계산을 바꾼다면 Qwen-Audio-3.1-TTS를 선택하세요. 독립 리더보드에서 검증되지 않았으며, 지시 기반 제어가 앞으로 배우게 될 새로운 문법이라는 점을 받아들이세요.

두 제품군 사이의 품질 격차는 좁아서 이 문제를 결정지을 정도가 아니어야 한다. 둘이 직접 겨루는 한 리더보드에서는 Qwen이 약 50~70 Elo 앞선다. 복제를 측정하는 리더보드에서는 Ming이 최상위에 있고 Qwen은 없다. 실제로 둘을 구분하는 것은 음성이 빌려 쓰는 서비스인지 소유하는 아티팩트인지 여부다. 그리고 알리바바가 자사 플래그십을 9주 만에 교체한 뒤로는, 그 구분이 이념이라기보다 조달 위험처럼 보인다.