Ming-3.0-tts vs Cartesia Sonic 3.6: de ene leest je factuurnummer correct voor, de andere antwoordt in 90 ms

Zet Ming-3.0-tts en Cartesia Sonic 3.6 op dezelfde lijn van de Artificial Analysis speech arena en het scorebord zegt dat Cartesia wint: 1.290 Elo tegen 1.188 op Provider Voice, een verschil van 102 punten, waarbij de betrouwbaarheidsintervallen elkaar lang niet raken. Zet ze op het uitspraakbord en het resultaat slaat zo hard om dat het op een datafout lijkt: 93,2% tegen 74,5%. Dezelfde twee systemen, gemeten door hetzelfde lab, in dezelfde maand, verschillen achttien procentpunten van mening over welke ervan Engels hardop kan voorlezen. Beide cijfers zijn correct, en de reden dat ze beide correct kunnen zijn, is de hele vergelijking. De gedocumenteerde AI-fouten en agent-incidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waarbij elke vermelding zijn eigen bronnen, ernstgraad, betrouwbaarheidsniveau en betwist-vlag bevat.

Ming-3.0-tts is een opensource-model met open gewichten onder MIT-licentie van Ant Group — een dense checkpoint van 0,5B dat je op je eigen GPU draait, met een zustermodel van 7,9B met mixture-of-experts, genaamd Ming-3.0-tts-tiny. Cartesia Sonic 3.6 is een propriëtair realtime-endpoint dat op 17 augustus 2026 is uitgebracht, met een prijs per teken, en dat in de markt wordt gezet met een first-audio-latency van minder dan 90 milliseconden en ondersteuning voor 44 talen. Het ene is een model. Het andere is een dienst die is gebouwd om een telefoontje te beantwoorden. Welke je wilt, hangt af van een vraag die niets met Elo te maken heeft: bestaat je tekst vooral uit proza, of vooral uit dingen die exact gezegd moeten worden?

De twee cijfers die ertoe doen, en waarom ze van elkaar afwijken

Begin met de voorkeursborden, want dat zijn degene die mensen citeren.

{{1}}Aanbieder Voice Elo{{/1}} — {{2}}Ming-3.0-tts{{/2}} {{3}}1,188{{/3}} ({{4}}interval 1,174–1,202{{/4}}) vs {{5}}Sonic 3.6{{/5}} {{6}}1,290{{/6}} ({{7}}1,276–1,304{{/7}}). {{8}}Sonic staat 4e van 97 modellen; Ming staat 18e.{{/8}}

• Controlled Voice Elo — Ming-3.0-tts 1.068 (1.052–1.084) vs Sonic 3.6 1.151 (1.138–1.164). Sonic staat 5e; Ming staat 12e. Het verschil wordt met 19 punten kleiner zodra beide systemen dezelfde acht stemmen klonen.

• Uitspraakrobuustheid, Engels — Ming-3.0-tts 93,2% (91,5–94,9) vs Sonic 3.6 74,5% (71,4–77,5). Ming staat 1e van 31 gemeten systemen; Sonic staat 19e.

Dat zijn geen tegenstrijdige resultaten; ze meten verschillende dingen. De Elo-ranglijsten vragen menselijke luisteraars welke clip zij verkiezen, en voorkeur beloont de dingen die synthetische spraak aangenaam maken — natuurlijke prosodie, overtuigende emotie, een stem die niet klinkt alsof ze een handleiding voorleest. Sonic 3.6 is daar heel goed in. Het is sinds augustus het als vierde gerangschikte systeem in de arena en het verdient die positie.

De uitspraakcommissie stelt een engere, hardere vraag: heeft het systeem dit specifieke fragment correct uitgesproken? Menselijke beoordelaars voorzagen gemarkeerde woorden en zinnen in Engelse tekst — merknamen, technische termen, bestandspaden, e-mailadressen, getallen, datums, eenheden — van aantekeningen en beoordeelden ze allemaal. Op die test belandt Sonic in de onderste helft van de 31 systemen die zijn gescoord, en Ming eindigt bovenaan bij allemaal.

De deelscores maken de vorm van het falen duidelijker dan de totaalscore doet:

• Zelfstandige termen — Ming-3.0-tts 88,5% vs Sonic 3.6 72,6%

• Contextueel passend — Ming 91,0% vs Sonic 78,2%

• Exacte sequenties behouden — Ming 90,6% (1e van 31) vs Sonic 60,8%

• Uitbreidende stenografie — Ming 96,5% (1e van 31) vs Sonic 49,1%

Op Expanding Shorthand moet je je richten. Het dekt getallen, datums, eenheden en notatie — "6'2"", "Hoofdstuk XVII", "1 tl". Sonic 3.6 krijgt volgens deze maatstaf ongeveer de helft van die fragmenten goed. Dat is een verbluffend aantal voor een productie-spraak-API, en het is precies het soort ding dat een demo nooit laat zien, omdat demo's zijn geschreven in proza dat de leverancier zelf heeft gekozen. Zet er een orderbevestiging, een dosering of een meting voor en de voorkeursranking voorspelt niets nuttigs meer.

Het geval van latentie en doorvoer, waarin Cartesia niet in de buurt komt

De belangrijkste claim van Cartesia is eerste audio in minder dan 90 milliseconden, en dat is het getal dat ertoe doet voor een conversationele agent: de beller hoort een stem voordat hij besluit dat je een machine bent. Ming-3.0-tts publiceert helemaal geen latencycijfer. Wat de onafhankelijke testomgeving wel heeft, is doorvoer, en die is niet gunstig voor het open model.

• Tekens per seconde bij genereren — Sonic 3.6 146,9 vs Ming-3.0-tts 44,3. Cartesia is 3,3 keer sneller onder identieke hardwareomstandigheden.

• Mediane generatietijd voor een gescoord verzoek — Sonic 3.6 9,20 s vs Ming 2,56 s. Lees dit aandachtig; het weerspiegelt verschillende verzoeklengtes, niet een snelheidsvoordeel voor Ming.

De eerlijke samenvatting is dat Sonic 3.6 is gebouwd voor streaming en Ming-3.0-tts is gebouwd voor batchverwerking. Met 44,3 tekens per seconde — ongeveer zeven woorden — is het zelfgehoste model inderdaad sneller dan echte spraak, dus een lange vertelling is klaar voordat je hem hebt kunnen beluisteren. Wat het niet heeft, is een streamingverhaal, een gepubliceerde tijd tot eerste audio, of sessieafhandeling. Cartesia verkoopt precies die drie dingen.

Als je een telefoonagent, een livevertaaltool of iets anders bouwt waarbij een mens op de eerste lettergreep wacht, dan is dat het einde van de vergelijking en kun je stoppen met lezen. De rest van dit stuk gaat over het andere geval: tekst die vooraf wordt voorbereid, of tekst waarvan de correctheid belangrijker is dan de onmiddellijkheid.

Wat elke kant je feitelijk oplevert

Ming-3.0-tts, van Ant Groups inclusionAI-groep, wordt gedistribueerd als een checkpoint van 2,96 GB met de backbone, een diffusion-transformer patch head, een audio-tokenizer, een spreker-encoder en een tekst-tokenizer, onder de MIT-licentie met commercieel gebruik toegestaan. Het levert audio van 44,1 kHz, ondersteunt zeven talen plus Sichuanees en Kantonees, en biedt stemkloning, via tekst beschreven stemontwerp, 14 inline paralinguïstische tags, en controle over emotie en snelheid/toonhoogte/volume. Ant heeft het getest op een H800-80GB en een H20-96G met PyTorch 2.6 en CUDA 12.4, en levert een Dockerfile mee.

Sonic 3.6, van Cartesia, is een API. Het verwerkt 44 talen met één model, kloont een stem op basis van tien seconden referentie-audio, ondersteunt emotiebewuste weergave en invoegbare non-verbale cues, en accepteert aangepaste uitspraakwoordenboeken — wat precies het eigen antwoord van de leverancier is op het probleem dat het uitspraakboard meet, en het is het vermelden waard dat een klant die dit configureert niet wordt beoordeeld op het standaardpad dat de arena test. Cartesia bouwt ook de rest van de spraakstack: spraak-naar-tekst, spraakagenten voor $0.06 per minuut, telefoonnummers en gelijktijdigheidslimieten die meeschalen met het abonnementsniveau.

• Licentie — MIT-gewichten die je behoudt versus een commerciële API zonder gewichten

• Taaldekking — 7 plus 2 dialecten versus 44

• Implementatie — jouw GPU versus hun endpoint

• Samplefrequentie van de uitvoer — 44,1 kHz vs. niet vermeld op de productpagina

• Stemklonen — referentie-audio, referentietekst en een expliciete taakmodus vs 10 seconden audio, direct

• Prijsbasis — GPU-uren versus credits bij één credit per teken

De creditprijsstelling is het omrekenen waard, want 'één credit per teken' is geen getal waarop de meeste teams kunnen budgetteren. Cartesia's eigen plantabel zegt dat een minuut audio 750–800 credits kost, waardoor het effectieve tarief neerkomt op ongeveer $0,038 per minuut op het $5 Pro-plan, $0,029 op het $49 Startup-plan en $0,028 op het $299 Scale-plan. De arena normaliseert dit naar $49 per miljoen tekens, wat het vergelijkbare cijfer is tegenover Ming's nul. Ming is niet gratis; het is een factuur voor GPU-uren die je financiële team als infrastructuur zal zien in plaats van als een kostenpost per woord.

De vergelijking over drie maanden die niemand in de recensie opneemt

Er is een versie van deze beslissing die beide modellen overleeft, en dat is degene die ertoe doet voor een productiesysteem: wat er gebeurt wanneer het model dat je hebt gekozen wordt vervangen.

Cartesia heeft binnen een jaar Sonic 3, 3.5 en 3.6 uitgebracht, tegen een constante $49 per miljoen tekens. Ant heeft in februari Ming-omni-tts uitgebracht, in juni een variant van 16,8B, en nu Ming-3.0-tts — met een technisch rapport dat op de roadmap nog steeds niet is afgevinkt en een vLLM-Omni-acceleratiepad dat als voltooid is gemarkeerd maar niet gedocumenteerd in de repository. Beide leveranciers gaan snel te werk. Geen van beide gaat stoppen.

Voor een gehost model is dat een routineversie-update. Voor een self-hosted checkpoint is het een migratie: nieuwe gewichten, nieuwe afhankelijkheden, een nieuwe evaluatieronde op je eigen tekst. De MIT-licentie beschermt je recht om de oude te blijven draaien, wat een echt voordeel is en de belangrijkste reden waarom teams in de eerste plaats voor open gewichten kiezen — maar ze beschermt je er niet tegen dat je de nieuwe wilt.

Dit is de naad waar een routeringslaag iets concreets doet in plaats van retorisch te blijven. OrcaRouter host geen Ming-3.0-tts of Cartesia Sonic 3.6, en niets hier mag anders doen vermoeden — Ming komt uit de repository, Sonic uit Cartesia's eigen API. Wat de catalogus wél bevat, is een set gehoste spraakmodellen, waaronder G​oogle's G​emini T​TS previews en O​penAI's tts-1 en gpt-4o-mini-tts, achter dezelfde sleutel als meer dan 200 tekstmodellen, tegen de lijstprijs van de provider zonder toegevoegde marge, met automatische failover tussen providers. Als je spraakpijplijn een fallbackpad heeft — en elke pipeline die liveverkeer verwerkt zou dat moeten hebben — dan kan die fallback één endpoint zijn in plaats van een tweede contract en een tweede SDK. Een prijsverlaging van een leverancier komt dezelfde dag al bij ons terecht, omdat er geen marge tussen zit die moet worden teruggedraaid.

Welke te kiezen, op basis van werklast

De beslissing is kort als je eerlijk antwoordt over de tekst.

Kies Sonic 3.6 als er een mens op de eerste audio wacht, je meer dan een handvol talen nodig hebt, of je wilt dat een leverancier de uptime beheert. Het verschil van 102 voorkeurspunten is reëel en luisteraars zullen het horen. Configureer het uitspraakwoordenboek voor de termen die je product daadwerkelijk uitspreekt, want het standaardpad scoort 74,5% op precies dat.

Kies Ming-3.0-tts als je audio vooraf wordt gegenereerd — voice-over, voorlezen van documentatie, IVR-prompts, trainingsmateriaal, concepten voor audioboeken — en de tekst bevat identifiers, eenheden, codes of notatie. In de drie categorieën die deze onderdelen beslaan, staat het ofwel op de eerste plaats ofwel binnen drie punten daarvan, en geen enkel gehost systeem op de ranglijst is beter in het behouden van een exacte volgorde.

Kies geen van beide, maar toch, als je Engelse eigennamen correct wilt hebben. Mings 88,5% op Zelfstandige termen is 21e van 31, en het is de enige categorie waarin het model ondubbelzinnig in de middenmoot zit. Een verkeerd uitgesproken merknaam in een productdemo kost meer dan een onhandig voorgelezen datum.

Er is ook een hybride aanpak die geen enkele leverancier zal aanraden: gebruik een gehost realtime model voor het interactieve oppervlak en een zelf gehost checkpoint voor het batchcorpus, en evalueer ze op dezelfde achtergehouden tekst. De twee systemen falen op verschillende plekken, en dat is precies wat de opsplitsing de operationele kosten waard maakt.

De open vraag

Op de productpagina van Cartesia staat dat het bedrijf eerste staat in de Speech Arena. Dat klopte toen de pagina werd geschreven en is niet langer waar — HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo en Eleven v4 staan vandaag allemaal boven Sonic 3.6, en Sonic staat zelf op de vierde plaats. Claims van leveranciers over ranglijsten zijn na een paar weken verouderd. De uitspraakscore van 74,5% is het duurzamere feit in deze vergelijking, want die wordt gemeten door iemand zonder product om te verkopen, en die is slecht genoeg dat Cartesia's eigen functie voor een uitspraakwoordenboek bestaat om eromheen te werken.

Wat zou het oordeel veranderen: een streamingrelease van Ming-3.0-tts met een gepubliceerde tijd-tot-eerste-audio, of een Sonic 3.7 die de afkortingsexpansie oplost. Geen van beide is aangekondigd. Tot dan is de splitsing helder — snelheid en dekking aan de ene kant, exactheid en eigenaarschap aan de andere — en het juiste antwoord is om te stoppen met zoeken naar een winnaar en naar je eigen corpus te gaan kijken.