Ming-3.0-tts vs Qwen-Audio-3.0-TTS: otwarte wagi kontra głos rozliczany za znak

Ming-3.0-tts i Qwen-Audio-3.0-TTS to dwa najbardziej wiarygodne chińskie systemy zamiany tekstu na mowę wydane w 2026 roku, które różnią się niemal we wszystkim poza jakością swoich wyników. Ming-3.0-tts to model Ant Group o otwartych wagach na licencji MIT, opublikowany przez zespół inclusionAI 20 października 2026 r. w ramach rodziny mowy Ming-3.0. Qwen-Audio-3.0-TTS to zamknięty syntezator mowy Alibaby dostępny wyłącznie przez API, ogłoszony na WAIC 20 lipca 2026 r. w wersjach Plus i Flash, bez publikowania jakichkolwiek wag. Jeden pobierasz i uruchamiasz; drugi wynajmujesz za znak. Ta różnica jest sednem porównania, a luka jakościowa jest mniejsza niż luka w modelach biznesowych.

Jest jeszcze pewien niuans, który umyka większości porównań tych dwóch modeli, a zmienia rekomendację: Qwen-Audio-3.0-TTS nie jest już modelem mowy Qwen, który faktycznie byś kupił. Alibaba zastąpiła go modelem Qwen-Audio-3.1-TTS 23 września 2026 r., a dzień wcześniej obniżyła ceny syntezy o około 70%. Ta strona porównuje więc model wymieniony w tytule z Ming-3.0-tts, ponieważ właśnie tego szukają ludzie, a następnie wyjaśnia, co nowszy Qwen zmienia w tej odpowiedzi.

Model w tytule został już zastąpiony

Qwen-Audio-3.0-TTS zadebiutował na WAIC z autentycznym twierdzeniem: pierwsze miejsce w Provider Voice Arena serwisu Artificial Analysis, przed Gemini 3.1 Flash TTS i długą listą systemów komercyjnych. Został udostępniony w dwóch wariantach — Plus dla jakości, Flash do interakcji w czasie rzeczywistym z opóźnieniem pierwszego pakietu wynoszącym około 300 ms — w cenach katalogowych odpowiednio około 27,60 USD i 15 USD za milion znaków.

Dziewięć tygodni później Qwen-Audio-3.1-TTS pojawił się na konferencji Apsara. Zmiany istotne dla tego porównania:

• Cena — synteza potaniała o około 70%, a tryb czasu rzeczywistego o około 85%; zmiany obowiązują od 22 września 2026 r. w regionach Pekinu i Singapuru. Oznacza to, że 3.1 TTS Flash kosztuje około 1,5 juana za milion tokenów wejściowych i 12 juanów za milion tokenów wyjściowych, a odpowiednik Plus około 8 dolarów za milion znaków w starym rozliczeniu.

• Kontrola — swobodne instrukcje w języku naturalnym dotyczące emocji, tempa i stylu zastępują 86 wbudowanych znaczników sposobu wypowiedzi z wersji 3.0. To zmiana w zakresie użyteczności, a nie jakości, i to ona najprawdopodobniej wpłynie na to, czy uda się wdrożyć.

• Klonowanie — transfer barwy głosu między językami: mandaryńskim, kantońskim, angielskim i japońskim, a także bezpośrednia obsługa hałaśliwego lub pogłosowego dźwięku referencyjnego.

• Weryfikacja — brak niezależnego wyniku Arena w chwili pisania. Twierdzenia dotyczące jakości wersji 3.1 to twierdzenia dostawcy.

Uczciwe ujęcie sprawy to więc nie „Ming kontra Qwen”, lecz „Ming kontra obecna generacja Qwen, której cena wynosi teraz około jednej trzeciej tego, co pobierało 3.0”. Przewaga kosztowa Minga odpowiednio się zawęża. Różnica architektoniczna nie.

Dwa różne produkty, a nie dwie wersje jednego

• Model dostarczania — Ming-3.0-tts to wagi na licencji MIT udostępnione na Hugging Face i ModelScope, z kodem wnioskowania w osobnym repozytorium GitHub. Qwen-Audio-3.0-TTS nie publikuje wag; jest udostępniany przez Alibaba Cloud Model Studio.

• Rozmiar — Domyślny checkpoint Minga ma 0,5 mld parametrów, jest gęsty, oparty na backbone Qwen2.5-0.5B i zajmuje około 2,96 GB. Jego siostrzany model Ming-3.0-tts-tiny to MoE o łącznej liczbie 7,9 mld parametrów i 1,3 mld aktywnych parametrów, oparty na backbone Ling V3 firmy Ant. Qwen nie ujawnia liczby parametrów dla żadnego z tych wariantów.

• Górna granica jakości wyjściowej — Ming osiąga maksymalnie 44,1 kHz. Qwen-Audio-3.0-TTS przeszedł na 48 kHz i obsługuje syntezę w jednym przebiegu trwającą do trzech minut.

• Zakres językowy — Ming obsługuje chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a także syczuański i kantoński. Qwen obsługuje 16 języków i 20 chińskich regionów dialektalnych, dodając arabski, wietnamski, malajski i filipiński w wersji 3.0.

• Głosy — Ming oferuje ponad 100 chińskich głosów i pięć angielskich. Katalog Qwen to hostowany wybór, którym nie zarządzasz.

• Panel sterowania — Ming oferuje projektowanie głosu na podstawie opisu tekstowego, „tryb reżysera” do swobodnych instrukcji dotyczących sposobu mówienia, 14 wbudowanych znaczników paralingwistycznych oraz jawne kontrolki emocji, szybkości, wysokości tonu i głośności. Qwen 3.0 oferował swobodne prompty reżyserskie oraz szczegółowe znaczniki; w wersji 3.1 znaczniki zastąpiono instrukcjami.

Wzorzec na tej liście jest spójny: Ming daje ci większą kontrolę nad węższym zestawem języków, a Qwen zapewnia szerszy zasięg przy mniejszej widoczności tego, co kryje się pod spodem.

Jakość: co mówi arena, a czego nie mówi

Oba modele mają niezależne pomiary, co jest na tyle rzadkie, że warto je wykorzystywać ostrożnie. Pułapką jest porównywanie ich na różnych płytkach.

W Provider Voice Arena — gdzie modele mówią własnymi standardowymi głosami, co stanowi porównanie jak do jak — Qwen-Audio-3.0-TTS-Plus uzyskał 1 238 punktów Elo w sierpniu 2026 r. i 1 259 do września, zajmując drugie miejsce. Ming-3.0-tts uzyskał 1 188 punktów Elo, trzecie miejsce wśród modeli z otwartymi wagami i około 18. miejsca w klasyfikacji ogólnej. Na tej tablicy Qwen wyprzedza o około 50 do 70 punktów Elo, co stanowi realną, ale nie ogromną różnicę — mniej więcej różnicę między dwoma sąsiednimi poziomami komercyjnego głosu.

Ming ma dwa wyniki, którym Qwen nie może dorównać na tym samym rankingu. Zajął ex aequo pierwsze miejsce w klasyfikacji ogólnej w Pronunciation Robustness z wynikiem 93,2%, a w Controlled Voice Arena zajmuje pierwsze miejsce wśród modeli z otwartymi wagami z wynikiem 1 069 Elo — to ranking zbudowany na ośmiu sklonowanych głosach z akcentem amerykańskim i brytyjskim. Qwen nie pojawia się w rankingu Controlled Voice, ponieważ nie ma lokalnego checkpointu, na którym można by przeprowadzić ten test.

Czytane razem, te liczby mówią coś konkretnego. Ming jest w najlepszej formie, gdy odtwarza głos, który mu podasz, a najsłabszy, gdy czerpie z własnego niewielkiego katalogu angielskiego. Qwen jest mocny w zakresie własnych głosów i twierdzi, że osiąga najnowocześniejsze podobieństwo mówcy we wszystkich 16 językach — to twierdzenie dostawcy, a nie niezależne. Jeśli Twoje obciążenie pracą to „sklonuj naszego założyciela i przeczytaj newsletter”, liczy się najmocniejsza pozycja Minga. Jeśli to „daj nam 40 głosów w 12 językach”, decydującym faktem jest pokrycie Qwen.

Jedna liczba zgłoszona przez dostawcę zasługuje na zwrócenie uwagi, ponieważ jest nietypowa i istotna z praktycznego punktu widzenia: przepustowość Qwen-Audio-3.0-TTS podano na około 16 znaków na sekundę, wobec mniej więcej 120 w przypadku Sonic 3.5 i 30 w przypadku Simba 3.2. To wolno. To dlatego istnieje poziom Flash i to rodzaj ograniczenia, którego ranking jakości nigdy ci nie pokaże. Checkpoint Ming 0.5B nie ma porównywalnego publicznego wyniku przepustowości, co samo w sobie jest luką.

Koszt, w jednostce, w jakiej każdy z nich rozlicza

Te dwa modele nie mają wspólnej jednostki, więc porównanie trzeba najpierw przeliczyć, zanim będzie miało jakikolwiek sens. Przy około 14 znakach na sekundę mowy milion znaków odpowiada około 19–20 godzinom audio.

• Qwen-Audio-3.0-TTS-Plus — $27.60 za milion znaków, czyli około $1.40 za godzinę audio według ceny katalogowej.

• Qwen-Audio-3.0-TTS-Flash — około 15 USD za milion znaków, czyli mniej więcej 0,76 USD za godzinę audio.

• Qwen-Audio-3.1-TTS — po wrześniowej obniżce, około jednej trzeciej ceny wersji 3.0, czyli gdzieś w okolicach 0,40–0,45 USD za godzinę audio przy równoważnej syntezie.

• Ming-3.0-tts — bez ceny za znak. Wagi MIT, a zamiast tego rachunek za GPU. Wynajęty H800 za około 2 USD za GPU-godzinę, uruchamiający model 0,5B znacznie szybciej niż w czasie rzeczywistym, wytwarza kilka godzin audio na godzinę zegarową; w trybie wsadowym efektywna stawka spada poniżej poziomu, jaki którakolwiek z powyższych cen rozliczanych za użycie może osiągnąć przy stałym wolumenie.

Cały spór sprowadza się do punktu przecięcia. Przy kilku godzinach audio miesięcznie self-hosting jest złym interesem: GPU przez 99% czasu stoi bezczynnie, stos zależności to dzień pracy, a API rozliczane za użycie kosztuje mniej niż prąd. Przy kilkuset godzinach miesięcznie API rozliczane za użycie jest z dużym zapasem opcją najdroższą, a różnica rośnie z każdą kolejną godziną, ponieważ koszt krańcowy kolejnego wygenerowania jest niemal zerowy. To, gdzie dokładnie wypada punkt przecięcia, zależy od cen i wykorzystania GPU, ale mierzy się go w setkach godzin miesięcznie, a nie w tysiącach.

Istnieje drugi koszt, którego nie ma na żadnej z dwóch list cen: koszt tego, że model zmienia się pod Tobą. Qwen-Audio-3.0-TTS był najlepszym modelem mowy sprzedawanym przez Alibaba przez około dziewięć tygodni. Każdy, kto zbudował produkt na jego 86-tagowej gramatyce sterowania, spędził wrzesień na przepisywaniu promptów na instrukcje w języku naturalnym. Wag Minga na licencji MIT nie można wycofać — można je jedynie ulepszać.

Kontrola, klonowanie i realia wdrożenia

Projektowanie głosu w Ming to funkcja, dla której Qwen nie ma odpowiednika. Opisujesz mówcę tekstem — wiek, barwę, tempo, akcent — a model syntetyzuje pasujący głos, bez klipu referencyjnego. Przy prototypowaniu głosu postaci lub marki, zanim masz nagranie, to naprawdę inny sposób pracy niż wybieranie z katalogu.

Przeciwwagą Qwen jest solidność. Wersja 3.1 obsługuje konkretnie zaszumione i pogłosowe audio referencyjne, czyli tryb awarii, który zabija klonowanie w rzeczywistych wdrożeniach: ktoś nagrywa próbkę na laptopie w sali konferencyjnej, a klon brzmi jak inna osoba. Karta modelu Ming szczerze przyznaje, że podobieństwo mówcy ustępuje dokładności treści, a francuski jest najwyraźniejszą luką wielojęzyczną.

Wdrożenie to obszar, w którym te dwa rozwiązania najbardziej różnią się pod względem nakładu pracy.

• Ming — sklonuj repozytorium GitHub, zainstaluj CUDA 12.4 i PyTorch, opcjonalnie zbuduj flash-attn, zainstaluj pynini do normalizacji tekstu i uruchom infer.py lub API Pythona ming_tts.MingTTS. Hugging Face hostuje wyłącznie checkpointy i informuje o tym w ramce informacyjnej. Mały model wymaga własnego środowiska. W momencie pisania na Hugging Face nie ma hostowanego dostawcy wnioskowania.

• Qwen — klucz API i regionalny punkt końcowy. Żadnej infrastruktury, żadnego stosu zależności, żadnego planowania wydajności GPU. Nie możesz też przypiąć wersji, sprawdzić modelu ani pracować offline.

Dla zespołu, który ma już własne zasoby GPU i powód zgodnościowy, by przetwarzać audio wewnętrznie, Ming jest oczywistym wyborem, a nakład pracy to błąd zaokrąglenia. Dla zespołu, który nie ma ani jednego, ani drugiego, Qwen jest tańszy w tym kwartale i droższy przy skalowaniu, a uzależnienie od dostawcy jest realne.

Gdzie pasuje router

Żaden z tych modeli nie jest dostępny na OrcaRouter. Nie hostujemy Ming-3.0-tts ani nie odsprzedajemy Qwen-Audio-3.0-TTS, a strona porównawcza to niewłaściwe miejsce, by sugerować coś innego. Po naszej stronie potoku znajduje się wszystko wokół głosu: model językowy, który tworzy i przepisuje scenariusz, oraz hostowane modele mowy, takie jak Gemini 3.1 Flash TTS Preview i GPT-4o mini TTS w przypadkach, gdy samodzielne hostowanie Ming to zły wybór.

To ma największe znaczenie dla decyzji, której ta strona faktycznie dotyczy. Potok głosowy to nie jeden model; to generator skryptu, normalizator, syntezator i mechanizm awaryjny. Umieszczenie tekstowej połowy za jednym kluczem API — ponad 200 modeli, 0% narzutu na cenę listową dostawcy, automatyczne przełączanie awaryjne, gdy dostawca działa gorzej — oznacza, że jedyną częścią, do której się zobowiązujesz, jest sam model głosu. Jeśli hostujesz Ming samodzielnie i okaże się, że radzi sobie słabiej z Twoimi angielskimi nazwami marek, niż sugerowała arena, wymiana warstwy głosu to zmiana jednego komponentu, a nie ponowna migracja platformy. Jeśli budujesz na hostowanym API Qwen, warstwa routingu utrzymuje resztę potoku przy działaniu, gdy endpoint jest wolny lub objęty limitem, a ceny przekazywane bez narzutu oznaczają, że następna obniżka cen Alibaby dotrze do Ciebie w dniu jej wprowadzenia, a nie według wygody resellera.

Który wybrać?

• Wybierz Ming-3.0-tts, jeśli masz GPU, potrzebujesz sklonowanego lub zaprojektowanego głosu, a nie katalogu, chcesz warunków licencji MIT, które przejdą weryfikację prawną, i możesz zaakceptować narzędzia klasy badawczej oraz ubogi zestaw głosów angielskich. To jedyna opcja tutaj, którą możesz posiadać na wyłączną własność.

• Wybierz Qwen-Audio-3.0-TTS tylko wtedy, gdy jesteś do niego przywiązany z konkretnego powodu — istniejącej umowy z Alibaba Cloud, przepływu pracy zbudowanego na jego gramatyce 86 tagów. W przeciwnym razie wybierasz zastąpiony model w zastąpionej cenie.

• Wybierz Qwen-Audio-3.1-TTS, jeśli chcesz zarządzane API głosowe o szerokim zakresie, a wrześniowa obniżka cen zmienia Twoją kalkulację ekonomiczną. Zaakceptuj, że jest ono niezweryfikowane na niezależnych rankingach i że jego sterowanie oparte na instrukcjach to nowa gramatyka, której będziesz się uczyć.

Różnica jakości między obiema rodzinami jest wystarczająco niewielka, że nie powinna rozstrzygać tej kwestii. Na jednej liście rankingowej, gdzie oba modele konkurują bezpośrednio, Qwen ma przewagę około 50–70 punktów Elo. Na listach mierzących klonowanie Ming jest na szczycie, a Qwen nie występuje. To, co je faktycznie różni, to czy głos jest usługą, którą wynajmujesz, czy artefaktem, który posiadasz — a odkąd Alibaba zastąpiła swój własny flagowy model w ciągu dziewięciu tygodni, ta różnica wygląda mniej jak ideologia, a bardziej jak ryzyko zakupowe.