Ming-3.0-tts kontra Cartesia Sonic 3.6: Jeden poprawnie odczytuje numer Twojej faktury, drugi odpowiada w 90 ms

Umieść Ming-3.0-tts i Cartesia Sonic 3.6 w tym samym wierszu areny mowy Artificial Analysis, a tablica wyników mówi, że wygrywa Cartesia: 1 290 Elo wobec 1 188 w Provider Voice, różnica 102 punktów, przy czym przedziały ufności w ogóle się nie pokrywają. Umieść je na tablicy wymowy, a wynik odwraca się tak gwałtownie, że wygląda jak błąd w danych: 93,2% wobec 74,5%. Te same dwa systemy, mierzone przez to samo laboratorium, w tym samym miesiącu, różnią się o osiemnaście punktów procentowych co do tego, który z nich potrafi czytać na głos po angielsku. Obie liczby są poprawne, a powodem, dla którego obie mogą być poprawne, jest całe to porównanie. Udokumentowane awarie AI i incydenty z agentami, które stoją za takimi wydaniami jak to, są zebrane w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom ważności, ocenę pewności i flagę sporności.

Ming-3.0-tts to model z otwartymi wagami na licencji MIT należący do Ant Group — gęsty checkpoint 0,5B, który uruchamiasz na własnym GPU, wraz z bliźniaczym modelem 7,9B typu mieszanina ekspertów o nazwie Ming-3.0-tts-tiny. Cartesia Sonic 3.6 to zastrzeżony endpoint czasu rzeczywistego wydany 17 sierpnia 2026 r., rozliczany za znak, reklamowany opóźnieniem pierwszego dźwięku poniżej 90 milisekund i obsługą 44 języków. Jeden jest modelem. Drugi to usługa zbudowana po to, by odbierać połączenia telefoniczne. To, którego chcesz, zależy od pytania, które nie ma nic wspólnego z Elo: czy twój tekst to głównie proza, czy głównie rzeczy, które trzeba powiedzieć dokładnie?

Dwie liczby, które mają znaczenie, i dlaczego się nie zgadzają

Zacznij od tablic preferencji, ponieważ to właśnie je ludzie cytują.

• Elo głosu dostawcy — Ming-3.0-tts 1 188 (przedział 1 174–1 202) vs Sonic 3.6 1 290 (1 276–1 304). Sonic zajmuje 4. miejsce wśród 97 modeli; Ming – 18.

• Kontrolowane Elo głosu — Ming-3.0-tts 1,068 (1,052–1,084) vs Sonic 3.6 1,151 (1,138–1,164). Sonic jest 5.; Ming jest 12. Różnica maleje o 19 punktów, gdy oba systemy sklonują te same osiem głosów.

• Odporność wymowy, angielski — Ming-3.0-tts 93,2% (91,5–94,9) vs Sonic 3.6 74,5% (71,4–77,5). Ming zajmuje 1. miejsce spośród 31 zmierzonych systemów; Sonic zajmuje 19. miejsce.

To nie są sprzeczne wyniki; mierzą różne rzeczy. Rankingi Elo pytają ludzkich słuchaczy, który klip wolą, a preferencja nagradza to, co czyni mowę syntetyczną przyjemną — naturalną prozodię, przekonującą emocję, głos, który nie brzmi, jakby czytał instrukcję. Sonic 3.6 jest w tym bardzo dobry. Od sierpnia jest czwartym systemem w rankingu areny i zasługuje na tę pozycję.

Ranking wymowy stawia węższe, surowsze pytanie: czy system poprawnie wypowiedział ten konkretny fragment? Ludzcy recenzenci oznaczali wyróżnione słowa i wyrażenia w tekście angielskim — nazwy marek, terminy techniczne, ścieżki plików, adresy e-mail, liczby, daty, jednostki — i oceniali każdy z nich. W tym teście Sonic plasuje się w dolnej połowie 31 systemów, które zostały ocenione, a Ming znajduje się na szczycie wszystkich z nich.

Wyniki cząstkowe jaśniej ukazują kształt porażki niż wynik zbiorczy:

Samodzielne terminy — Ming-3.0-tts 88,5% vs Sonic 3.6 72,6%

• Kontekstowo odpowiednie — Ming 91,0% vs Sonic 78,2%

• Zachowywanie dokładnych sekwencji — Ming 90,6% (1. miejsce na 31) vs Sonic 60,8%

• Expanding Shorthand — Ming 96,5% (1. z 31) vs Sonic 49,1%

Expanding Shorthand to ta rzecz, której trzeba się przyjrzeć. Obejmuje liczby, daty, jednostki i notację — „6'2"”, „Rozdział XVII”, „1 tsp”. Według tego kryterium Sonic 3.6 trafia w około połowę takich fragmentów. To zadziwiająca liczba jak na produkcyjne API głosowe i coś, czego demo nigdy nie ujawnia, bo dema są pisane prozą, którą wybrał dostawca. Postaw przed nim potwierdzenie zamówienia, dawkowanie albo pomiar, a ranking preferencji przestanie przewidywać cokolwiek użytecznego.

Przypadek opóźnienia i przepustowości, w którym Cartesia nie ma nawet startu

Głównym twierdzeniem Cartesia jest pierwsze audio w mniej niż 90 milisekund, co jest liczbą, która ma znaczenie dla agenta konwersacyjnego: dzwoniący słyszy głos, zanim uzna, że jesteś maszyną. Ming-3.0-tts w ogóle nie podaje żadnej wartości opóźnienia. To, co ma niezależny zestaw testowy, to przepustowość, a ta nie jest łaskawa dla otwartego modelu.

• Liczba znaków generowanych na sekundę — Sonic 3.6 146,9 vs Ming-3.0-tts 44,3. Cartesia jest 3,3 razy szybsza w identycznych warunkach sprzętowych.

• Mediana czasu generowania dla ocenianego żądania — Sonic 3.6 9,20 s vs Ming 2,56 s. Przeczytaj to uważnie; odzwierciedla ona różne długości żądań, a nie przewagę szybkości Minga.

Szczera konkluzja jest taka, że Sonic 3.6 jest stworzony do streamingu, a Ming-3.0-tts do przetwarzania wsadowego. Przy 44,3 znaku na sekundę — około siedmiu słów — model hostowany we własnej infrastrukturze faktycznie wyprzedza tempo rzeczywistej mowy, więc długa narracja kończy się przed upływem czasu potrzebnego na jej wysłuchanie. Nie ma natomiast spójnej oferty streamingowej, opublikowanego czasu do pierwszego dźwięku ani obsługi sesji. Cartesia sprzedaje dokładnie te trzy rzeczy.

Jeśli budujesz agenta telefonicznego, narzędzie do tłumaczenia na żywo albo cokolwiek, w czym człowiek czeka na pierwszą sylabę, to na tym kończy się porównanie i powinieneś przestać czytać. Reszta tego tekstu dotyczy innego przypadku: tekstu przygotowanego z wyprzedzeniem albo takiego, którego poprawność jest ważniejsza niż natychmiastowość.

Co każda ze stron faktycznie ci daje

Ming-3.0-tts z grupy inclusionAI należącej do Ant Group jest udostępniany jako checkpoint o rozmiarze 2,96 GB zawierający szkielet, głowicę patchową transformera dyfuzyjnego, tokenizator audio, enkoder mówcy i tokenizator tekstu, na licencji MIT zezwalającej na użycie komercyjne. Generuje dźwięk o częstotliwości 44,1 kHz, obsługuje siedem języków oraz syczuański i kantoński, a także udostępnia klonowanie głosu, projektowanie głosu opisywanego tekstem, 14 wbudowanych znaczników paralingwistycznych oraz kontrolę emocji i szybkości/wysokości/poziomu głośności. Ant przetestował go na H800-80GB i H20-96G z PyTorch 2.6 i CUDA 12.4 oraz dostarcza Dockerfile.

Sonic 3.6 firmy Cartesia to API. Obsługuje 44 języki z jednego modelu, klonuje głos na podstawie dziesięciu sekund audio referencyjnego, obsługuje przekaz uwzględniający emocje oraz wstawiane sygnały niewerbalne, a także przyjmuje własne słowniki wymowy — co jest własną odpowiedzią dostawcy na dokładnie ten problem, który mierzy tablica wymowy, i warto zauważyć, że klient, który je konfiguruje, nie jest oceniany na domyślnej ścieżce testowanej przez arenę. Cartesia buduje też resztę stosu głosowego: zamianę mowy na tekst, agentów głosowych w cenie 0,06 USD za minutę, numery telefoniczne oraz limity współbieżności skalowane wraz z poziomem planu.

• Licencja — wagi na licencji MIT, które zachowujesz, kontra komercyjne API bez wag

• Pokrycie językowe — 7 plus 2 dialekty vs 44

• Wdrożenie — Twoja GPU kontra ich punkt końcowy

• Częstotliwość próbkowania wyjściowego — 44,1 kHz vs brak informacji na stronie produktu

• Klonowanie głosu — dźwięk referencyjny, tekst referencyjny i jawny tryb zadania w porównaniu z 10 sekundami dźwięku, natychmiast

• Podstawa wyceny — godziny GPU vs kredyty przy jednym kredycie na znak

Cennik oparty na kredytach warto przeliczyć, ponieważ „jeden kredyt na znak” to nie jest liczba, według której większość zespołów potrafi planować budżet. Tabela planów samego Cartesia mówi, że minuta dźwięku zajmuje 750–800 kredytów, co daje efektywną stawkę około 0,038 USD za minutę w planie Pro za 5 USD, 0,029 USD w planie Startup za 49 USD i 0,028 USD w planie Scale za 299 USD. Arena normalizuje to do 49 USD za milion znaków, co jest porównywalną wartością wobec zera Ming. Ming nie jest darmowy; to rachunek za godziny GPU, który Twój zespół finansowy zobaczy jako infrastrukturę, a nie jako pozycję kosztową za słowo.

Porównanie po trzech miesiącach, którego nikt nie zamieszcza w recenzji

Istnieje wersja tej decyzji, która przetrwa oba modele, i to właśnie ona ma znaczenie dla systemu produkcyjnego: co się dzieje, gdy wybrany model zostaje zastąpiony.

Cartesia wydała Sonic 3, 3.5 i 3.6 w ciągu roku, przy stałej cenie 49 USD za milion znaków. Ant wydał Ming-omni-tts w lutym, wariant 16.8B w czerwcu, a teraz Ming-3.0-tts — z raportem technicznym wciąż nieodznaczonym na swojej roadmapie i ścieżką przyspieszenia vLLM-Omni oznaczoną jako ukończona, ale nieudokumentowaną w repozytorium. Obaj dostawcy działają szybko. Żaden z nich nie zamierza się zatrzymać.

Dla modelu hostowanego to rutynowa aktualizacja wersji. Dla checkpointu hostowanego samodzielnie to migracja: nowe wagi, nowe zależności, nowa runda ewaluacji na własnym tekście. Licencja MIT chroni Twoje prawo do dalszego uruchamiania starego modelu, co jest realną zaletą i głównym powodem, dla którego zespoły w ogóle wybierają otwarte wagi — ale nie chroni Cię przed chęcią skorzystania z nowego.

To jest miejsce styku, w którym warstwa routingu robi coś konkretnego, a nie wyłącznie retorycznego. OrcaRouter nie hostuje Ming-3.0-tts ani Cartesia Sonic 3.6 i nic tutaj nie powinno sugerować inaczej — Ming pochodzi z repozytorium, Sonic z własnego API Cartesia. To, co katalog faktycznie oferuje, to zestaw hostowanych modeli mowy, w tym podglądowe wersje Gemini TTS od Google oraz tts-1 i gpt-4o-mini-tts od OpenAI, za tym samym kluczem co ponad 200 modeli tekstowych, w cenniku dostawcy, bez doliczanej marży, z automatycznym przełączaniem awaryjnym między dostawcami. Jeśli Twój potok głosowy ma ścieżkę awaryjną — a każdy potok obsługujący ruch produkcyjny powinien ją mieć — taka ścieżka może być jednym punktem końcowym zamiast drugiej umowy i drugiego SDK. Obniżka ceny dostawcy trafia do nas tego samego dnia, ponieważ nie ma pośredniej marży, którą trzeba by skorygować.

Który wybrać, kierując się obciążeniem

Decyzja jest krótka, jeśli szczerze odpowiesz na temat tekstu.

Wybierz Sonic 3.6, jeśli człowiek czeka na pierwsze audio, potrzebujesz więcej niż kilku języków lub chcesz, aby dostawca odpowiadał za utrzymanie dostępności. Różnica preferencji wynosząca 102 punkty jest realna i słuchacze ją usłyszą. Skonfiguruj słownik wymowy dla terminów, których faktycznie używa Twój produkt, ponieważ domyślna ścieżka uzyskuje 74,5% dokładnie w tym zakresie.

Wybierz Ming-3.0-tts, jeśli Twoje audio jest generowane z wyprzedzeniem — narracja, czytanie dokumentacji na głos, prompty IVR, materiały szkoleniowe, robocze wersje audiobooków — a tekst zawiera identyfikatory, jednostki, kody lub notację. W trzech kategoriach obejmujących te fragmenty plasuje się albo na pierwszym miejscu, albo w odległości do trzech punktów od niego, a żaden hostowany system w zestawieniu nie lepiej zachowuje dokładnej kolejności.

Nie wybieraj żadnego, a jednak jeśli potrzebujesz, aby angielskie nazwy własne były poprawne. Wynik Minga na poziomie 88,5% w Standalone Terms to 21. miejsce na 31, i to jest jedyna kategoria, w której model jest jednoznacznie przeciętny. Błędnie wymówiona nazwa marki w prezentacji produktu kosztuje więcej niż niezręcznie odczytana data.

Istnieje też podejście hybrydowe, którego żaden dostawca nie zaproponuje: użyć hostowanego modelu czasu rzeczywistego dla warstwy interaktywnej i samodzielnie hostowanego checkpointu dla korpusu wsadowego, a następnie ocenić je na tym samym odłożonym tekście testowym. Oba systemy zawodzą w różnych miejscach i właśnie dlatego podział jest wart kosztu operacyjnego.

Otwarte pytanie

Strona produktu Cartesia podaje, że firma zajmuje pierwsze miejsce w Speech Arena. Było to prawdą, gdy strona powstała, i już nie jest — HeyGen Voice, Qwen-Audio-3.1-TTS-Plus, Eleven v4 Turbo i Eleven v4 plasują się dziś wszystkie wyżej niż Sonic 3.6, a sam Sonic zajmuje czwarte miejsce. Twierdzenia dostawców dotyczące miejsc w rankingach dezaktualizują się w ciągu tygodni. Wynik wymowy 74,5% jest trwalszym faktem w tym porównaniu, ponieważ mierzy go ktoś, kto nie ma produktu do sprzedania, i jest na tyle zły, że własna funkcja słownika wymowy Cartesii istnieje po to, by to obejść.

Co zmieniłoby werdykt: wydanie strumieniowe Ming-3.0-tts z opublikowanym czasem do pierwszego dźwięku albo Sonic 3.7, który naprawia rozwijanie skrótów. Ani jedno nie zostało zapowiedziane. Do tego czasu podział jest klarowny — szybkość i pokrycie po jednej stronie, precyzja i własność po drugiej — a właściwą odpowiedzią jest przestać szukać zwycięzcy i zacząć patrzeć na własny korpus.