Ming-3.0-tts vs Qwen-Audio-3.0-TTS: open gewichten tegen een stem die je per teken afrekent

Ming-3.0-tts en Qwen-Audio-3.0-TTS zijn de twee meest geloofwaardige Chinese tekst-naar-spraaksystemen die in 2026 zijn uitgebracht, en ze zijn het over bijna alles oneens behalve over de kwaliteit van hun output. Ming-3.0-tts is het MIT-gelicenseerde open-weightmodel van Ant Group, gepubliceerd door het inclusionAI-team op 20 oktober 2026 als onderdeel van de Ming-3.0-spraakfamilie. Qwen-Audio-3.0-TTS is Alibaba's gesloten spraaksynthesizer die uitsluitend via een API werkt, aangekondigd tijdens WAIC op 20 juli 2026 in Plus- en Flash-varianten, zonder dat er ook maar enige gewichten zijn gepubliceerd. De ene download je en draai je; de andere huur je per teken. Dat verschil is de vergelijking, en de kwaliteitskloof is kleiner dan de kloof tussen de bedrijfsmodellen.

Er is ook een complicatie die de meeste vergelijkingen van deze twee modellen over het hoofd zien, en die verandert de aanbeveling: Qwen-Audio-3.0-TTS is niet langer het Qwen-spraakmodel dat je daadwerkelijk zou kopen. Alibaba verving het op 23 september 2026 door Qwen-Audio-3.1-TTS en verlaagde de dag ervoor de syntheseprijzen met ongeveer 70%. Daarom vergelijkt deze pagina het model dat in de titel wordt genoemd met Ming-3.0-tts, omdat dat is waar mensen naar zoeken, en vertelt vervolgens wat de nieuwere Qwen aan het antwoord verandert.

Het model in de titel is al achterhaald

Qwen-Audio-3.0-TTS is op de WAIC gelanceerd met een oprechte claim: de eerste plaats in de Provider Voice Arena van Artificial Analysis, vóór Gemini 3.1 Flash TTS en een lange lijst commerciële systemen. Het werd uitgebracht in twee varianten — Plus voor kwaliteit, Flash voor realtime-interactie met een latency van ongeveer 300 ms voor het eerste pakket — tegen lijstprijzen van respectievelijk circa $27,60 en $15 per miljoen tekens.

Negen weken later arriveerde Qwen-Audio-3.1-TTS op de Apsara Conference. De veranderingen die voor deze vergelijking van belang zijn:

• Prijs — synthese ongeveer 70% goedkoper, realtime ongeveer 85% goedkoper, van kracht op 22 september 2026 voor de regio's Peking en Singapore. Daarmee komt 3.1 TTS Flash op ongeveer ¥1,5 per miljoen inputtokens en ¥12 per miljoen outputtokens, en de Plus-equivalent op bijna $8 per miljoen tekens volgens de oude eenheid.

• Control — vrije, natuurlijk geformuleerde instructies voor emotie, tempo en stijl vervangen de 86 inline delivery-tags van 3.0. Dat is een verandering in bruikbaarheid, niet in kwaliteit, en het is degene die het meest waarschijnlijk bepaalt of je kunt opleveren.

• Klonen — cross-linguale timbre-overdracht tussen Mandarijn, Kantonees, Engels en Japans, plus directe verwerking van ruisige of galmende referentie-audio.

• Verificatie — op het moment van schrijven is er geen onafhankelijke arena-score. De kwaliteitsclaims voor 3.1 zijn claims van de leverancier.

De eerlijke framing is dus niet "Ming versus Qwen", maar "Ming versus de huidige generatie van Qwen, waarvan de prijs nu ongeveer een derde is van wat 3.0 in rekening bracht." Het kostenvoordeel van Ming wordt daardoor kleiner. Het architectuurverschil niet.

Twee verschillende producten, niet twee versies van één product

• Leveringsmodel — Ming-3.0-tts bestaat uit MIT-gelicentieerde gewichten op Hugging Face en ModelScope, met inferentiecode in een aparte GitHub-repository. Qwen-Audio-3.0-TTS publiceert geen gewichten; het wordt aangeboden via Alibaba Cloud Model Studio.

• Grootte — Het standaardcheckpoint van Ming is 0,5B parameters, dense, op een Qwen2.5-0,5B-backbone, ongeveer 2,96 GB. Het zustermodel Ming-3.0-tts-tiny is een MoE met in totaal 7,9B en 1,3B actieve parameters op Ants Ling V3-backbone. Qwen maakt de parameteraantallen voor geen van beide varianten bekend.

• Kwaliteitsplafond van de output — Ming gaat tot maximaal 44,1 kHz. Qwen-Audio-3.0-TTS is overgestapt op 48 kHz en ondersteunt synthese in één pass van maximaal drie minuten.

• Taalbereik — Ming ondersteunt Chinees, Engels, Duits, Spaans, Frans, Koreaans en Japans, plus Sichuanees en Kantonees. Qwen ondersteunt 16 talen en 20 Chinese dialectregio's, met in 3.0 toegevoegd Arabisch, Vietnamees, Maleis en Filipijns.

• Stemmen — Ming wordt geleverd met meer dan honderd Chinese stemmen en vijf Engelse. De catalogus van Qwen is een gehoste selectie die je niet zelf beheert.

• Control surface — Ming biedt stemontwerp op basis van een tekstbeschrijving, een "regisseursmodus" voor vrije aanwijzingen over de voordracht, 14 inline paralinguïstische tags en expliciete bediening voor emotie, snelheid, toonhoogte en volume. Qwen 3.0 bood vrije regisseursprompts plus fijnmazige tags; 3.1 verving de tags door instructies.

Het patroon in die lijst is consistent: Ming geeft je meer controle over een smallere set talen, en Qwen geeft je bredere dekking met minder zicht op wat eronder zit.

Kwaliteit: wat de arena zegt, en wat niet

Beide modellen hebben onafhankelijke metingen, wat zeldzaam genoeg is om er zorgvuldig gebruik van te maken. De valkuil is om tussen verschillende boards te vergelijken.

Op de Provider Voice Arena — waar modellen met hun eigen standaardstemmen spreken, wat de appels-tot-appelsvergelijking is — scoorde Qwen-Audio-3.0-TTS-Plus 1.238 Elo in augustus 2026 en 1.259 in september, goed voor de tweede plaats. Ming-3.0-tts scoorde 1.188 Elo, derde onder open-weightmodellen en ongeveer 18e in totaal. Op die ranglijst loopt Qwen ongeveer 50 tot 70 Elo voor, een reëel maar niet enorm verschil — ongeveer het verschil tussen twee aangrenzende niveaus van commerciële stem.

Ming heeft twee resultaten die Qwen op dezelfde ranglijst niet kan evenaren. Het stond overall gedeeld eerste op Pronunciation Robustness met 93,2%, en het staat eerste onder open-weightmodellen op de Controlled Voice Arena met 1.069 Elo, een ranglijst opgebouwd uit acht gekloonde stemmen met Amerikaanse en Britse accenten. Qwen staat niet op de controlled-voice-ranglijst, omdat er geen lokaal checkpoint is om die test tegen te draaien.

Samen gelezen zeggen die cijfers iets specifieks. Ming is op zijn best wanneer het een stem reproduceert die je eraan geeft, en op zijn zwakst wanneer het put uit zijn eigen kleine Engelse catalogus. Qwen is sterk in zijn eigen stemmen en claimt state-of-the-art sprekersgelijkenis in alle 16 talen — een claim van de leverancier, niet een onafhankelijke. Als je werklast "kloon onze oprichter en lees de nieuwsbrief voor" is, dan is het bord waarop Ming het sterkst is het bord dat telt. Als het "geef ons 40 stemmen in 12 talen" is, dan is Qwens dekking het beslissende feit.

Eén door de leverancier gerapporteerd getal verdient het om uitgelicht te worden, omdat het ongewoon en praktisch is: de doorvoer van Qwen-Audio-3.0-TTS werd gemeld op ongeveer 16 tekens per seconde, tegenover ongeveer 120 voor Sonic 3.5 en 30 voor Simba 3.2. Dat is traag. Het is de reden dat de Flash-tier bestaat, en het is het soort beperking dat een kwaliteitsleaderboard je nooit zal laten zien. Ming's 0.5B-checkpoint heeft geen vergelijkbaar openbaar doorvoercijfer, wat op zichzelf een hiaat is.

Kosten, in de eenheid waarin elke aanbieder rekent

De twee modellen delen geen eenheid, dus de vergelijking moet worden omgerekend voordat ze iets betekent. Bij ongeveer 14 tekens per seconde gesproken tekst komt een miljoen tekens overeen met ongeveer 19 tot 20 uur audio.

• Qwen-Audio-3.0-TTS-Plus — $27,60 per miljoen tekens, of ongeveer $1,40 per audio-uur tegen de lijstprijs.

• Qwen-Audio-3.0-TTS-Flash — ongeveer $15 per miljoen tekens, of ruwweg $0,76 per audio-uur.

• Qwen-Audio-3.1-TTS — na de verlaging van september, ongeveer een derde van de prijs van 3.0, dus ergens rond $0,40 tot $0,45 per audio-uur voor gelijkwaardige synthese.

• Ming-3.0-tts — geen prijs per teken. MIT-gewichten, en in plaats daarvan een GPU-rekening. Een gehuurde H800 voor ongeveer $2 per GPU-uur, die een 0,5B-model ruim boven realtime draait, levert meerdere audio-uren per klokuur op; bij batchverwerking komt het effectieve tarief lager uit dan wat een van de bovenstaande gemeten prijzen bij aanhoudend volume kan bereiken.

Het omslagpunt is het hele argument. Voor een paar uur audio per maand is self-hosting een slechte deal: de GPU is 99% van de tijd inactief, de afhankelijkhedenstack kost een dag werk, en de API met verbruiksafrekening kost minder dan de elektriciteit. Voor een paar honderd uur per maand is de API met verbruiksafrekening met ruime marge de dure optie, en de kloof wordt groter met elk extra uur omdat de marginale kosten van de volgende generatie bijna nul zijn. Waar precies jouw omslagpunt ligt, hangt af van GPU-prijzen en -benutting, maar het wordt gemeten in honderden uren per maand, niet duizenden.

Er is een tweede kostenpost die op geen van beide prijslijsten voorkomt: de kosten van een model dat onder je verandert. Qwen-Audio-3.0-TTS was ongeveer negen weken lang het beste spraakmodel dat Alibaba verkocht. Iedereen die een product bouwde op de 86-tag-bedieningsgrammatica ervan, besteedde september aan het herschrijven van prompts voor instructies in natuurlijke taal. Mings MIT-gewichten kunnen niet als verouderd worden gemarkeerd, alleen door jou worden verbeterd.

Controle, klonen en de realiteit van de implementatie

Ming's stemontwerp is de functie waarvoor Qwen geen equivalent heeft. Je beschrijft een spreker in tekst — leeftijd, timbre, tempo, accent — en het model synthetiseert een stem die daarbij past, zonder referentieclip. Voor het prototypen van een personage of een merkstem voordat je een opname hebt, is dat een wezenlijk andere workflow dan kiezen uit een catalogus.

Qwens tegenwicht is robuustheid. De release 3.1 gaat specifiek om met rumoerige en nagalmende referentieaudio, de faalmodus die cloning in echte implementaties de das omdoet: iemand neemt een sample op met een laptop in een vergaderruimte en de clone klinkt als een ander persoon. Mings modelkaart is openhartig dat de sprekerovereenkomst achterblijft bij de inhoudelijke nauwkeurigheid, waarbij Frans de duidelijkste meertalige kloof is.

Deployment is waar de twee qua inspanning het sterkst uiteenlopen.

• Ming — kloon de GitHub-repository, installeer CUDA 12.4 en PyTorch, bouw optioneel flash-attn, installeer pynini voor tekstnormalisatie en voer infer.py uit of gebruik de Python-API van ming_tts.MingTTS. Hugging Face host alleen checkpoints en vermeldt dit in een callout. Het tiny-model heeft zijn eigen omgeving nodig. Op het moment van schrijven is er geen gehoste inferentieprovider op Hugging Face.

• Qwen — een API-sleutel en een regionaal eindpunt. Geen infrastructuur, geen afhankelijkheidsstack, geen GPU-capaciteitsplanning. Je kunt ook geen versie vastzetten, het model inspecteren of offline draaien.

Voor een team met een bestaande GPU-voetafdruk en een compliance-reden om audio in-house te houden, is Ming de voor de hand liggende keuze en is de inspanning een afrondingsfout. Voor een team zonder een van beide is Qwen dit kwartaal goedkoper en op schaal duurder, en de lock-in is reëel.

Waar een router past

Geen van beide modellen staat op OrcaRouter. We hosten Ming-3.0-tts niet en we verkopen Qwen-Audio-3.0-TTS niet door, en een vergelijkingspagina is de verkeerde plek om te doen alsof dat wel zo is. Wat aan onze kant van de pipeline staat, is alles rondom de stem: het taalmodel dat het script opstelt en herschrijft, plus gehoste spraakmodellen zoals Gemini 3.1 Flash TTS Preview en GPT-4o mini TTS voor de gevallen waarin het zelf hosten van Ming de verkeerde afweging is.

Dat is het belangrijkst voor de beslissing waar deze pagina eigenlijk over gaat. Een spraakpipeline is niet één model; het is een scriptgenerator, een normalisator, een synthesizer en een fallback. Het tekstgedeelte achter één API-sleutel plaatsen — meer dan 200 modellen, 0% opslag op de lijstprijs van de provider, automatische failover wanneer een provider minder goed presteert — betekent dat het enige onderdeel waaraan u zich bindt, het spraakmodel zelf is. Als u Ming zelf host en blijkt dat het zwakker is op uw Engelse merknamen dan de arena suggereerde, dan is het vervangen van de spraaklaag een wijziging van één component, geen overstap naar een ander platform. Als u bouwt op de gehoste API van Qwen, is de routeringslaag wat de rest van de pipeline in leven houdt wanneer het endpoint traag is of tegen een rate limit aanloopt, en de pass-through-prijzen betekenen dat de volgende prijsverlaging van Alibaba u bereikt op de dag dat die ingaat, en niet wanneer het een reseller uitkomt.

Welke moet je kiezen?

• Kies Ming-3.0-tts als je GPU's hebt, een gekloonde of ontworpen stem nodig hebt in plaats van een catalogus, MIT-voorwaarden wilt die een juridische toets doorstaan, en kunt omgaan met gereedschap van onderzoekskwaliteit en een beperkte set Engelse stemmen. Het is hier de enige optie die je volledig in eigendom kunt hebben.

• Kies Qwen-Audio-3.0-TTS alleen als je er om een specifieke reden aan vastzit — een bestaand Alibaba Cloud-contract, een workflow die op de 86-tag-grammatica ervan is gebouwd. Anders kies je een verouderd model tegen een verouderde prijs.

• Kies Qwen-Audio-3.1-TTS als je een beheerde spraak-API met brede dekking wilt en de prijsverlaging van september je kosten-batenafweging verandert. Accepteer dat het niet is geverifieerd op onafhankelijke ranglijsten en dat de besturing op basis van instructies een nieuwe grammatica is die je moet leren.

Het kwaliteitsverschil tussen de twee families is klein genoeg om niet doorslaggevend te zijn. Op de ene benchmark waar beide rechtstreeks concurreren, leidt Qwen met ongeveer 50 tot 70 Elo. Op de benchmarks die cloning meten, staat Ming bovenaan en ontbreekt Qwen. Wat hen werkelijk scheidt, is of de stem een dienst is die je huurt of een artefact dat je bezit — en nadat Alibaba zijn eigen vlaggenschip in negen weken verving, lijkt dat onderscheid minder op ideologie en meer op inkooprisico.