Ming-3.0-tts-tiny vs Breeze-TTS-2: wagi MIT kontra licencja niekomercyjna

Dwa modele mowy z otwartymi wagami pojawiły się w odstępie niespełna miesiąca i nie konkurują na tej samej osi. Ming-3.0-tts-tiny od inclusionAI należącego do Ant Group to checkpoint typu mixture-of-experts o 7,9B, który aktywuje około 1,3B parametrów na token, jest udostępniany na licencji MIT i obejmuje dziewięć języków, w tym dwa chińskie dialekty. Breeze-TTS-2 od BreezeBlue to gęsty model 3B, który obejmuje wyłącznie angielski i chiński, publikuje kod na licencji Apache 2.0, a wagi udostępnia na licencji badawczej i niekomercyjnej z wyjątkiem pozwalającym na płatne hostowanie. Najważniejsze pytanie — który brzmi lepiej — okazuje się najmniej rozstrzygające, ponieważ wpis w arenie, który wygląda na wynik Minga, należy do zupełnie innego checkpointu, a różnica w licencji jest tym, co decyduje, czy w ogóle możesz wdrożyć produkt. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zbierane w the OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i oznaczenie sporności.

Żaden z dostawców nie ogłosił wydarzenia ogólnej dostępności w zwykłym sensie i oba te fakty mają tu znaczenie. Wagi Breeze-TTS-2 pojawiły się 25 sierpnia 2026 r., a 7 sierpnia dołączyły do nich zestawy testów do projektowania głosu i opóźnień. Ming-3.0-tts-tiny istniał na Hugging Face od 24 września, ale stał się uruchamialny dopiero 19 października, gdy jego kod wnioskowania i książka kucharska zadań trafiły na GitHub. Jest to więc porównanie dwóch artefaktów, które trzeba hostować samodzielnie, napisane, zanim którykolwiek z nich ma cenę hostingu do podania, i konsekwentnie tak oznaczone w całym tekście.

Zacznij od licencji, bo dla niektórych zespołów zamyka to dyskusję.

Te dwie licencje nie są wariantami tej samej zgody. To różne kategorie zgody.

• Ming-3.0-tts-tiny — MIT, zarówno w przypadku wag, jak i kodu. Możesz używać go komercyjnie, modyfikować, redystrybuować i dostarczać w zamkniętym produkcie. Ant dołącza notę dotyczącą użytkowania z prośbą, aby nie podszywać się pod osoby bez ich zgody i oznaczać syntetyczne audio; to prośba zawarta w dokumentacji, a nie warunek udzielenia licencji.

• Breeze-TTS-2 — Apache 2.0 dla kodu źródłowego oraz oddzielna „BreezeBlue Research and Non-Commercial License” dla wag. Komercyjne wykorzystanie hostowanych wyników wymaga płatnej subskrypcji BreezeBlue, a nawet wtedy subskrypcja nie rozszerza praw komercyjnych na otwarte wagi ani na wyniki generowane w wyniku samodzielnego hostowania ich.

Przeczytaj uważnie ten drugi punkt, ponieważ oczywista interpretacja jest błędna. Opłacanie BreezeBlue nie sprawia, że wagi stają się czymś, co możesz wykorzystywać komercyjnie; licencjonuje ono hostowaną ścieżkę. Samodzielne hostowanie jest niekomercyjne niezależnie od tego, czy wykupisz subskrypcję. Jeśli twój plan brzmi: „dostroić model 3B, umieścić go za naszym własnym endpointem i pobierać za to opłaty”, licencja zamyka te drzwi, a MIT zostawia je otwarte. W przypadku wewnętrznych badań, ewaluacji lub prototypu, który nigdy nie będzie przynosił pieniędzy, ta różnica nic nie kosztuje.

Istnieje druga różnica związana z licencją, która decyduje o większej liczbie wdrożeń niż którykolwiek z dwóch powyższych akapitów. Wydanie Minga dostarcza cały potok — backbone, głowicę dyfuzyjną, tokenizator audio, enkoder mówcy i tokenizator tekstu — jako jeden zestaw wag. Breeze dostarcza swój kod i wagi wraz ze ścieżką inferencji, którą spakowano dla kilku środowisk wykonawczych jednocześnie: ekosystem pochodnych wokół Breeze-TTS-2 obejmuje kompilacje MLX w 4 i 8 bitach oraz port pełnej precyzji, kwantyzacje GGUF, konwersje int8 i int4, kompilację HQQ int4, kompilację ROCm/RDNA4 BF16 z 18 października, kompilację GPTQ int4 ROCm z 19 października, dostrojenia ComfyUI oraz LoRA dla brazylijskiego portugalskiego opublikowaną 6 października. Ming-3.0-tts-tiny nie ma nic z tego, ponieważ ma użyteczną ścieżkę inferencji od niespełna doby.

Różnica w wielkości śladu wynosi około jednego rzędu wielkości.

To tutaj „tiny” przestaje oznaczać „mały”. Nazwa opisuje aktywne parametry na token, a nie pamięć, której potrzebujesz.

• Ming-3.0-tts-tiny — według metadanych samego Hugging Face: 8 980 964 372 parametry w BF16 plus 40 096 w F32, około 18 GB miejsca w repozytorium i H800 zalecany w notatkach środowiskowych dostawcy. Płacisz pamięcią modelu 7,9B, a dostajesz opóźnienie modelu 1,3B — to dobry interes przy syntezie wsadowej na wynajmowanym sprzęcie, a zły w przypadku wszystkiego, co ma kartę 12 GB.

• Breeze-TTS-2 — gęsty model o 3B parametrów, około 7,7 GiB pamięci GPU w trybie eager i około 14,4 GiB po włączeniu --fast-all. BreezeBlue zaleca 12 GB lub 24 GB w zależności od wybranej ścieżki i dokumentuje, że domyślne ustawienia Dockera są ukierunkowane na H100/Hopper sm90, natomiast posiadacze A100 muszą ustawić FLASH_ATTN_CUDA_ARCHS=80.

• Model współbieżności Minga — jeden punkt wejścia w Pythonie na zadanie, ze stałymi wartościami domyślnymi: skala guidance 2,0, temperatura zerowa, dziesięć kroków przepływu, sigma 0,25, ziarno 1234. Obsługa vLLM-Omni jest w planach i nie została zweryfikowana, więc obecnie nie istnieje ścieżka serwowania o wysokiej przepustowości.

• Model współbieżności Breeze — API strumieniowe HTTP o pojedynczej współbieżności, zwracające mono 24 kHz 16-bitowy PCM little-endian ze znakiem, z deklarowanym czasem do pierwszego dźwięku poniżej 40 milisekund na rozgrzanym H100 i współczynnikiem czasu rzeczywistego 0,32, czyli około 3,1 razy szybciej niż w czasie rzeczywistym.

Ta ostatnia para to uczciwe podsumowanie kompromisu. Breeze jest zaprojektowany pod kątem opóźnienia strumieniowania przy jednym żądaniu naraz; Ming jest zaprojektowany pod kątem przepustowości na jednostkę obliczeń przy rzadkiej aktywacji i nie opublikował stosu serwowania. Jeśli Twoim produktem jest działający na żywo agent głosowy, to nie są równoważne punkty wyjścia. Jeśli Twoim produktem jest nocna partia narracji, model współbieżności ma znacznie mniejsze znaczenie niż licencja i koszt pamięci.

Pokrycie językowe nie jest bliskie, a luka przebiega w jedną stronę.

Breeze-TTS-2 obsługuje angielski i chiński. Jego karta modelu stwierdza to bez ogródek, a także dokumentuje osadzone zdarzenia wokalne w obu językach — (laugh) i (sigh) po angielsku, [笑] i [叹气] po chińsku — oraz klonowanie z klipu referencyjnego wraz z jego dokładną transkrypcją i kontrolę kierunku głosu.

Ming-3.0-tts-tiny obsługuje chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a po podaniu próbki referencyjnej dialektu także syczuański i kantoński. Dodaje swobodną kontrolę stylu, projektowanie głosu na podstawie opisu w języku naturalnym, ponad 100 wbudowanych głosów chińskich i pięć angielskich oraz 14 znaczników paralingwistycznych w tekście. Obsługuje też generowanie podcastów z wieloma mówcami, czego Breeze nie próbuje.

Haczyk tkwi w wielojęzycznej tabeli samego Anta i to jest pierwsza rzecz do przeczytania, zanim uzna się, że dziewięć bije dwa. W przypadku koreańskiego Ming-3.0-tts-tiny osiąga 6,000% współczynnika błędów znaków, szósty wynik wśród ośmiu systemów testowanych przez Anta, wobec 1,728% dla własnego modelu siostrzanego Anta o rozmiarze 0,5B. W języku francuskim zajmuje drugie miejsce pod względem współczynnika błędów, ale jego podobieństwo mówcy wynoszące 0,733 nie lokuje go w pierwszej trójce — ograniczenie, które sama karta przyznaje. Niemiecki (0,325%) i hiszpański (0,971%) to pierwsze miejsca w tej tabeli. Uczciwa interpretacja jest więc taka: pięć z siedmiu języków Minga jest wiarygodnych, koreański jeszcze nie, a obsługa dialektów jest unikalna, lecz niezweryfikowana poza środowiskiem testowym Anta. Breeze natomiast nie twierdzi niczego, czego nie obejmuje — dwa języki, a każdy wynik w jego karcie dotyczy właśnie tych dwóch.

Liczby areny i dlaczego nie są bezpośrednim porównaniem

{{1}}Breeze-TTS-2{{/1}} ma niezależny wynik. {{2}}Ming-3.0-tts-tiny{{/2}} go nie ma, a wpis, który wygląda, jakby go miał, należy do innego modelu.

• Breeze-TTS-2 w Artificial Analysis, odczytane z aktualnych rankingów na żywo 19 października 2026 r. — 1220 Elo w Provider Voice, gdzie każdy model używa własnej natywnej obsady głosów, oraz 1019 w Controlled Voice, gdzie każdy model klonuje te same osiem głosów referencyjnych.

• Wiersz Ming na tych samych tablicach — 1,188 Provider i 1,069 Controlled — jest powiązany z Ming-3.0-tts-0.5B, gęstym modelem siostrzanym o półmiliardowym szkielecie, a nie z maleńkim checkpointem. README Ant na GitHubie przytacza te wartości w sekcji wyników bez tego rozróżnienia. Warto powiedzieć to wprost: nie istnieje niezależne Elo dla Ming-3.0-tts-tiny, nie ma zmierzonej liczby znaków na sekundę ani wskaźnika WER od stron trzecich.

• Własny ranking na stronie projektu podaje dla Breeze 1 222 w kategorii Provider i 1 018 w kategorii Controlled — różnicę dwóch punktów względem aktualnego rankingu w każdą stronę. Tak wygląda ranking, który wciąż zbiera głosy; podaj aktualne liczby i zaznacz zaokrąglenie, jeśli porównujesz dokumenty.

• W rankingu kontrolowanym kolejność systemów z otwartymi wagami przedstawia się następująco: Ming-3.0-tts-0.5B – 1,069, Fish Audio Drama 3 Preview – 1,059, Breeze-TTS-2 – 1,019. W rankingu dostawców Breeze przewodzi tej grupie z wynikiem 1,220, a Ming-3.0-tts-0.5B ma 1,188. Zatem mały model Ming wygrywa, gdy głos jest stały, a przegrywa, gdy każdy system wnosi własną obsadę głosową — co mówi coś o nagraniach głosowych BreezeBlue i bardzo niewiele o architekturze.

Nic z tego nie przenosi się na maleńki checkpoint w żadnym kierunku. Czytelnik mógłby zasadnie wywnioskować, że model typu mixture-of-experts o 7,9B parametrów, który ma lepszy wynik podobieństwa mówców w języku chińskim niż jego bliźniak o 0,5B, uzyskałby wyższy wynik na kontrolowanej tablicy wyników. Ten wniosek nie został przetestowany, nie jest liczbą i ten tekst nie będzie go przedstawiał jako liczby.

Do czego właściwie służy każdy z nich

Po odrzuceniu list specyfikacji okazuje się, że te dwa modele rozwiązują różne problemy.

Breeze-TTS-2 to wydanie nastawione przede wszystkim na wdrożenia. Dwa języki, zwarta konstrukcja 3B mieszcząca się na karcie 12 GB w trybie eager, API strumieniowe z udokumentowaną ścieżką opóźnień, kontener przeznaczony dla centrów danych Hopper, ale możliwy do przebudowania na A100, oraz ekosystem skwantyzowanych portów i portów dla konkretnych środowisk uruchomieniowych, które pojawiły się w ciągu ośmiu tygodni od publikacji wag. Liczba pobrań — 14 636 w ostatnim miesiącu, przy 747 polubieniach i 17 Spaces — pokazuje, jak wygląda adopcja, gdy model jest łatwy w uruchomieniu. Ograniczeniem jest licencja: wagi badawcze i niekomercyjne, z płatną ścieżką hostowaną, która nie daje praw do komercyjnego samodzielnego hostowania.

Ming-3.0-tts-tiny to wydanie stawiające możliwości na pierwszym miejscu. Dziewięć języków, kontrola dialektu, projektowanie głosu, 14-znacznikowy system paralingwistyczny, generowanie podcastów z wieloma mówcami oraz najlepszy wynik dla sklonowanego głosu w swojej rodzinie — 0,781 podobieństwa do chińskiego mówcy. Jego ograniczeniem jest wszystko wokół możliwości: 18 GB do pobrania, rzadka aktywacja wymagająca realnej pamięci GPU, sposób serwowania będący zaledwie pozycją do odhaczenia na roadmapie, brak niezależnego benchmarku i brak zapowiedzi. Dwadzieścia pobrań i trzy polubienia na Hugging Face, pięć gwiazdek na GitHubie oraz dwanaście commitów dokumentacji w jedno popołudnie mówią, że dostawca wciąż pisze instrukcję obsługi.

Jeśli w tym kwartale musisz wdrożyć dwujęzyczną funkcję głosową na sprzęcie, który już posiadasz, Breeze-TTS-2 w ramach umowy komercyjnej to krótsza droga, a negocjować trzeba licencję, a nie matematykę. Jeśli potrzebujesz niemieckiego, hiszpańskiego, japońskiego, kantońskiego lub formatu podcastu, Breeze nie pomoże, a Ming jest jedyną opcją z otwartymi wagami z opublikowaną tabelą — pod warunkiem że udźwigniesz wymagania pamięciowe i zaakceptujesz, że koreański nie jest gotowy.

OrcaRouter nie kieruje ruchu do żadnego z tych modeli, a tego tekstu nie należy odczytywać jako sugestii, że jest inaczej. W katalogu znajduje się tekstowa połowa pipeline’u, do której podłączają się te głosy: ponad 200 modeli za jednym kluczem, w cenie katalogowej dostawcy bez doliczanej marży, więc zmiana ceny dostawcy jest u nas widoczna tego samego dnia, a nie według cyklu odświeżania. Gdy porównujesz dwa checkpointy hostowane we własnym zakresie i żaden z nich nie ma stawki za hosting, jedynym powtarzającym się rachunkiem, który naprawdę możesz kontrolować, jest model piszący skrypt, i to właśnie tę część warto routować, zamiast wynajmować w tym celu GPU.

Werdykt, który wytrzymuje konfrontację z dowodami, jest węższy, niż sugeruje różnica w Elo. W porównywalnym wdrożeniu komercyjnym licencja MIT rozstrzyga sprawę, zanim przeczyta się choćby jeden benchmark. W pracy dwujęzycznej wrażliwej na opóźnienia o rozstrzygnięciu decyduje inżynieria Breeze, zanim zrobi to licencja. A w kwestii, po którą przyszła większość czytelników — czy większy model brzmi lepiej — uczciwa odpowiedź brzmi: nikt tego nie zmierzył, wiersz w rankingu arena, na który wszyscy będą się powoływać, dotyczy niewłaściwego checkpointu, a pierwsza osoba, która uruchomi oba modele na tym samym audio referencyjnym, uzyska jedyną liczbę wartą przytoczenia.