Ming-3.0-tts-0.5B kontra Qwen-Audio-3.0-TTS: darmowe wagi przeciw 78 punktom Elo

Postaw Ming-3.0-tts-0.5B obok Qwen-Audio-3.0-TTS, a pierwsze, co zauważysz, to że nie są tym samym rodzajem obiektu. Ming to checkpoint o rozmiarze 2,96 GB, który pobierasz, licencjonowany na MIT i uruchamiany na własnym GPU. Qwen-Audio-3.0-TTS, w poziomie jakości, który Alibaba wymienia jako Qwen-Audio-3.0-TTS-Plus, to hostowany endpoint w Alibaba Cloud Model Studio, bez wag dostępnych gdziekolwiek. Na niezależnej arenie mowy Artificial Analysis hostowany model uzyskuje 1266 Elo, a pobierany 1188 — różnica 78 punktów przy braku nakładania się dwóch przedziałów ufności. Ta różnica jest realna. Ile jest warta, zależy od tego, czy kupujesz głos, czy kupujesz aktyw. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w Archiwum incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, dotkliwość, stopień pewności i oznaczenie sporu.

Krótka odpowiedź, przed dowodami

Jeśli głos ma trafić do produktu w tym kwartale i ktoś inny ma być pod telefonem, gdy się zepsuje, Qwen-Audio-3.0-TTS-Plus jest lepszym wyborem — i to nie jest szczególnie wyrównana rywalizacja. Jeśli tworzysz treści przede wszystkim po chińsku, potrzebujesz projektowania głosu lub kontroli dialektu albo nie możesz zaakceptować rozliczania za znak, Ming-3.0-tts-0.5B jest jedynym z tych dwóch, który może być twój. Żadna z tych odpowiedzi nie przetrwa zderzenia z arkuszem budżetowym bez zmian — i właśnie o tym jest dalsza część tego tekstu.

Czym tak naprawdę jest każdy model

Ming-3.0-tts-0.5B to wydany z otwartymi wagami model Ant Group od inclusionAI, zbudowany na szkielecie Qwen2.5-0.5B z głowicą diffusion-transformer i osobnym tokenizatorem audio. Został wydany po cichu w dwóch etapach — wagi na Hugging Face we wrześniu 2026 r., kod inferencji na GitHubie 19 października — a Ant go nie ogłosił. Pakiet zawiera enkoder mówcy i tokenizator tekstu, generuje dźwięk 44,1 kHz i obsługuje klonowanie, projektowanie głosu na podstawie opisu tekstowego, 14 wbudowanych znaczników paralingwistycznych, kontrolę emocji i atrybutów, siedem języków oraz dwa dialekty chińskie.

Qwen-Audio-3.0-TTS to hostowana linia syntezy Alibaby, uruchomiona 20 lipca 2026 r. w dwóch wariantach: Flash do pracy w czasie rzeczywistym i Plus dla maksymalnej jakości. Wariant Plus to ten ze zmierzoną pozycją na arenie i to jego dotyczy każda liczba poniżej. Obejmuje 16 języków oraz 20 regionów dialektów chińskich, obsługuje klonowanie głosu i około 86 wbudowanych znaczników sposobu wypowiedzi, a dostęp do niego możliwy jest wyłącznie przez API Alibaby. Nie ma wag, wdrożenia lokalnego ani licencji do audytu.

Jedna osobliwość dotycząca dat, warta odnotowania, ponieważ zobaczysz obie daty: Alibaba wprowadziła tę linię w lipcu, ale wiersz na arenie dla modelu Plus ma datę wydania 15 września 2026 r. Odczytujemy to jako datę publikacji ocenianej wersji lub wpisu, a nie jako drugi model. Jeśli podajesz datę wydania w dokumencie, 20 lipca to premiera, a 15 września to ewidencja areny.

Liczby, które ich dzielą

• Arena Elo, Głos dostawcy — Ming-3.0-tts-0.5B 1 188 (przedział 1 173–1 203) vs Qwen-Audio-3.0-TTS-Plus 1 266 (1 252–1 280). Przedziały nie stykają się.

Arena Elo, kontrolowany głos — Ming 1,069 (1,053–1,085) vs Qwen-Plus 1,126 (1,113–1,139). Nadal wyraźna różnica, 57 punktów, w przypadku sklonowanych głosów utrzymywanych na stałym poziomie we wszystkich modelach.

• Cena — Ming nie ma żadnej; płacisz za moc obliczeniową. Qwen-Plus jest wyceniony na 19,31 USD za milion znaków w znormalizowanej kolumnie cenowej areny.

• Przepustowość — Ming 42,1 znaku na sekundę czasu generowania w porównaniu z Qwen-Plus 25,6, mierzone na tym samym niezależnym stanowisku testowym.

• Wagi — checkpoint na licencji MIT kontra brak.

• Języki — siedem plus syczuański i kantoński w porównaniu z 16 plus 20 chińskich regionów dialektalnych.

• Zakres kontroli — swobodne instrukcje, projektowanie głosu, 14 tagów paralingwistycznych, jawne emocje/tempo/wysokość/głośność w porównaniu z około 86 tagami wbudowanymi i sterowaniem sposobem dostarczania w stylu instrukcji.

Wynik przepustowości jest tym, który zaskakuje ludzi. Gęsty model z pół miliarda parametrów i pakietem 2,96 GB wyprzedza hostowany plan Plus firmy Alibaba o około 65% pod względem znaków na sekundę w niezależnym pomiarze. Nie jest to przytyk do Qwen — hostowane punkty końcowe są przygotowane pod współbieżność, a liczba przepustowości areny dotyczy jednego żądania naraz — ale oznacza to, że w tym porównaniu to nie mały model jest tym wolnym.

Skąd pochodzi 78 punktów

Preference Elo nie mówi, co jest nie tak. Wysłuchanie obu systemów na tym samym tekście pokazuje to, a wzorzec jest spójny z tym, co przyznaje sama karta modelu Ant.

Ant publikuje swoje słabości w nietypowo prostych słowach: podobieństwo mówcy ustępuje dokładności treści, podobieństwo francuskiego jest najwyraźniejszą luką wielojęzyczną, zdania paralingwistyczne z wieloma zdarzeniami wciąż są niestabilne, a otwarte projektowanie głosu nie dorównuje jeszcze najsilniejszemu ocenianemu systemowi. Na arenie objawia się to sklonowanym głosem, który jest konkurencyjny — pierwszy wśród modeli z otwartymi wagami na kontrolowanej tablicy — oraz obsadą głosów natywnych, która taka nie jest. Pozycję Ming w rankingu głosów dostawcy, 19. na 98, obniżają ponad 100 wbudowanych głosów chińskich i pięć angielskich, a nie ścieżka klonowania.

Przewaga Qwen ma odwrotny kształt. Jego natywne głosy są produktem; wersja Plus została stworzona tak, by brzmieć dopracowanie od razu po wyjęciu z pudełka, i potwierdzają to pomiary zarówno w środowisku dostawcy, jak i w warunkach kontrolowanych. Ma też szeroki zakres językowy wynikający z tego, że firma prowadzi chmurę: 16 języków i 20 regionów dialektów chińskich w porównaniu z siedmioma i dwoma u Ming.

Jeśli chodzi o dokładność, a nie preferencje, porównanie jest uboższe, niż sugeruje różnica w Elo. Qwen-Audio-3.0-TTS nie ma opublikowanej przez Alibabę tabeli błędów słów, którą moglibyśmy zweryfikować na wspólnym zestawie testowym, a liczby Minga dla Seed-TTS — 0,800% dla chińskiego i 1,584% dla angielskiego — pochodzą od samego Anta i zostały zmierzone w środowisku testowym Anta przy zalecanych ustawieniach Anta. Żadna ze stron nie podaje wskaźnika błędów, który można by bezpośrednio porównać. Dostajesz wynik preferencji dla obu i tabelę dostawcy dla jednego.

Dwa modele rozliczeń i licznik, którego nikt nie drukuje

To nie jest porównanie ceny $19.31 z zerem. To licznik naliczany za znak zestawiony z licznikiem godzin GPU, a ten drugi pozostaje niewidoczny, dopóki Twój dział finansów o niego nie poprosi.

Qwen rozlicza za znak tekstu wejściowego. Przy 19,31 USD za milion znaków milion znaków gotowej narracji kosztuje 19,31 USD, a liczba skaluje się liniowo i przewidywalnie. Możesz umieścić to w arkuszu kalkulacyjnym, zanim napiszesz linię kodu.

Ming rozlicza się w czasie GPU. Wersja została przetestowana na H800-80GB i H20-96G, wymaga PyTorch 2.6 z CUDA 12.4 i dostarcza Dockerfile, ale bez hostowanego endpointu. Przy zmierzonych przez arenę 42,1 znakach na sekundę milion znaków zajmuje około 6,6 godziny generowania na tej klasie sprzętu — nie licząc ładowania modelu, kolejkowania ani nieudanych żądań. To, czy jest to tańsze niż $19.31, zależy wyłącznie od kosztu godziny GPU i tego, jak bardzo ją zapełniasz — i to właśnie ta kalkulacja rozstrzyga ten pojedynek dla większości zespołów.

To także miejsce, w którym warstwa routingu uzasadnia swoje istnienie, nie udając, że hostuje którykolwiek z tych modeli. OrcaRouter nie oferuje Ming-3.0-tts-0.5B ani Qwen-Audio-3.0-TTS i nic tutaj nie powinno sugerować inaczej; do obu dociera się przez ich własne kanały — Alibaba Model Studio w przypadku Qwen i własna infrastruktura w przypadku Ming. To, co jednak oferujemy, to tekstowa strona tego samego procesu w cenie katalogowej dostawcy z doliczonym 0% narzutu — więc zmiana ceny u dostawcy tekstu, którego kierujemy, to Twoja cena tego samego dnia — z automatycznym przełączaniem awaryjnym między dostawcami dla modelu, który pisze scenariusz, oznacza emocje lub steruje agentem. Mowa to kosztowna i wolna połowa produktu głosowego; połowa, która ją poprzedza, nie powinna też być tą kruchą.

Problem następnika

W tej decyzji jest jeszcze trzeci model, którego nie ma w tytule: Qwen-Audio-3.1-TTS-Plus, wydany 24 września 2026 r. Uzyskuje 1300 Elo w tej samej arenie — o 34 punkty więcej niż poziom 3.0 Plus — przy tej samej cenie 19,31 USD za milion znaków.

Przeczytaj to jeszcze raz z perspektywy kupującego. Alibaba udostępniła lepszy model pięć tygodni po modelu z tego porównania, w niezmienionej cenie, w ramach tej samej rodziny endpointów. Każdy, kto dziś wybiera Qwen-Audio-3.0-TTS, wybiera model, który jego własny dostawca już zastąpił, bez żadnej obniżki. Poziom 3.0 nadal widnieje na liście i nadal jest dobry — 1266 Elo to szóste miejsce w rankingu 98 modeli — ale właściwym wyborem wśród modeli hostowanych w tej rodzinie jest teraz 3.1, a nie 3.0.

Ming nie ma takiego problemu, ponieważ nie ma następcy ani regularnego rytmu wydań. To prawdziwa zaleta dla zespołu, który chce stabilnego artefaktu, i prawdziwe ryzyko dla tego, który chce najlepszego dostępnego głosu za sześć miesięcy. Nieogłoszona wersja bez zobowiązań dotyczących planu rozwoju może przycichnąć w jedną lub drugą stronę.

Kto powinien wybrać, które

Wybierz Qwen-Audio-3.1-TTS-Plus — nie 3.0 — jeśli chcesz najwyższą zmierzoną jakość w tej rodzinie przy znanej cenie za znak, potrzebujesz szerokiego pokrycia językowego lub chcesz, aby ktoś inny odpowiadał za dostępność. Zaakceptuj licznik i zaakceptuj, że kolejny poziom pojawi się bez ostrzeżenia.

Wybierz Ming-3.0-tts-0.5B, jeśli głos ma działać w obrębie Twojej własnej infrastruktury, jeśli Twoje treści są przede wszystkim chińskojęzyczne i wymagają dialektu syczuańskiego lub kantońskiego, jeśli chcesz zaprojektować głos na podstawie opisu, a nie wybierać go z gotowego zestawu, albo jeśli Twój wolumen jest tak duży, że posiadana karta GPU jest tańsza niż rozliczanie za znak. Uwzględnij nakłady inżynieryjne: środowisko jest przypięte do konkretnych wersji, normalizacja tekstu wymaga biblioteki FST, która nie ma uniwersalnego wheela, a jedyne opublikowane wartości przepustowości pochodzą z jednego niezależnego zestawu testowego.

Na razie nie wybieraj żadnego z nich, jeśli potrzebujesz umowy wsparcia. Ming nie ma ogłoszenia, opcji hostowanej ani zadeklarowanego zobowiązania do wsparcia; Qwen ma wszystkie trzy, ale poziom 3.0 nie jest już tym, który warto kupić. Uczciwe podsumowanie jest takie, że to nie jest uczciwa walka i nigdy nie miała nią być — jedno to wydanie badawcze z licencją, a drugie to produkt chmurowy z cennikiem — a użytecznym pytaniem jest, której z tych dwóch rzeczy twój projekt naprawdę potrzebuje.