Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS: pesos abertos contra 78 pontos Elo

Coloque Ming-3.0-tts-0.5B ao lado de Qwen-Audio-3.0-TTS e a primeira coisa que você nota é que eles não são o mesmo tipo de objeto. O Ming é um checkpoint de 2,96 GB que você baixa, licencia sob MIT e executa na sua própria GPU. O Qwen-Audio-3.0-TTS, no nível de qualidade que a Alibaba lista como Qwen-Audio-3.0-TTS-Plus, é um endpoint hospedado no Alibaba Cloud Model Studio, sem pesos em lugar nenhum. Na arena independente de fala Artificial Analysis, o modelo hospedado pontua 1.266 Elo e o baixável pontua 1.188 — uma diferença de 78 pontos sem sobreposição nos dois intervalos de confiança. Essa diferença é real. O quanto ela vale depende de você estar comprando uma voz ou comprando um ativo. As falhas documentadas de IA e os incidentes de agentes por trás de lançamentos como este são reunidos em the OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e indicador de disputa.

A resposta curta, antes das evidências

Se a voz for lançada em um produto neste trimestre e outra pessoa precisar ficar de plantão quando ela falhar, o Qwen-Audio-3.0-TTS-Plus é a melhor escolha, e não é por pouco. Se você está criando conteúdo com o chinês como prioridade, precisa de design de voz ou controle de dialeto, ou não pode aceitar uma cobrança por caractere, o Ming-3.0-tts-0.5B é o único dos dois que pode ser seu. Nenhuma das respostas sobrevive incólume ao contato com uma planilha de orçamento, que é sobre o que trata o restante deste texto.

O que cada modelo realmente é

Ming-3.0-tts-0.5B é o lançamento de pesos abertos do Ant Group, da inclusionAI, construído sobre um backbone Qwen2.5-0.5B com uma cabeça de transformer de difusão e um tokenizador de áudio separado. Foi disponibilizado discretamente em duas etapas — pesos no Hugging Face em setembro de 2026, código de inferência no GitHub em 19 de outubro — e a Ant não o anunciou. O pacote inclui um codificador de locutor e um tokenizador de texto, gera áudio de 44,1 kHz e oferece suporte a clonagem, design de voz a partir de uma descrição textual, 14 tags paralinguísticas inline, controle de emoção e atributos, sete idiomas e dois dialetos chineses.

Qwen-Audio-3.0-TTS é a linha de síntese hospedada da A​libaba, lançada em 20 de julho de 2026, em dois níveis: Flash para trabalho em tempo real e Plus para qualidade máxima. O nível Plus é o que tem uma posição medida na arena, e é o nível a que todos os números abaixo se referem. Abrange 16 idiomas, além de 20 regiões de dialetos chineses, oferece suporte a clonagem de voz e cerca de 86 tags de estilo inline, e é acessível apenas pela API da A​libaba. Não há pesos, implantação local nem licença para auditar.

Uma peculiaridade de datas que vale a pena destacar, porque você verá as duas datas: a A​libaba lançou a linha em julho, mas a linha da arena para o modelo Plus traz uma data de lançamento de 15 de setembro de 2026. Interpretamos isso como a data em que a revisão pontuada ou a listagem foi publicada, não um segundo modelo. Se você estiver citando uma data de lançamento em um documento, 20 de julho é o lançamento e 15 de setembro é o registro da arena.

Os números que os separam

Arena Elo, Voz do Provedor — Ming-3.0-tts-0.5B 1.188 (intervalo 1.173–1.203) vs. Qwen-Audio-3.0-TTS-Plus 1.266 (1.252–1.280). Os intervalos não se sobrepõem.

• Arena Elo, Voz Controlada — Ming 1.069 (1.053–1.085) vs. Qwen-Plus 1.126 (1.113–1.139). Ainda há uma diferença clara, de 57 pontos, em vozes clonadas mantidas constantes em todos os modelos.

• Preço — o Ming não tem nenhum; você paga pela computação. O Qwen-Plus está listado a US$ 19,31 por milhão de caracteres na coluna de preço normalizado da arena.

Vazão — Ming 42,1 caracteres por segundo de tempo de geração vs Qwen-Plus 25,6, medidos no mesmo harness independente.

• Pesos — checkpoint licenciado sob MIT vs nenhum.

• Idiomas — sete, além do sichuanês e do cantonês, vs. 16, além de 20 regiões dialetais chinesas.

• Superfície de controle — instrução em formato livre, design de voz, 14 tags paralinguísticas, emoção/velocidade/tom/volume explícitos vs. aproximadamente 86 tags inline e controle de entrega no estilo de instrução.

O resultado de throughput é o que surpreende as pessoas. Um modelo denso de meio bilhão de parâmetros com um pacote de 2,96 GB supera o nível Plus hospedado da Alibaba em cerca de 65% em caracteres por segundo na medição independente. Isso não é uma crítica ao Qwen — endpoints hospedados são provisionados para concorrência, e o número de throughput da arena é de uma requisição por vez —, mas significa que o modelo pequeno não é o lento nesta comparação.

De onde vêm os 78 pontos

O Elo de preferência não revela o que está errado. Já ouvir os dois sistemas no mesmo texto revela — e o padrão é consistente com o que o próprio model card da Ant admite.

A Ant expõe suas fraquezas em linguagem excepcionalmente direta: a similaridade de locutor fica atrás da precisão de conteúdo, a similaridade em francês é a lacuna multilíngue mais evidente, frases paralinguísticas com múltiplos eventos ainda são instáveis, e o design de voz aberto ainda não iguala o sistema mais forte avaliado. Na arena, isso se manifesta como uma voz clonada competitiva — a primeira entre modelos de pesos abertos no quadro controlado — e um conjunto de vozes nativas que não é. O ranking de vozes de provedor do Ming, 19º de 98, é prejudicado pelas mais de 100 vozes internas chinesas e cinco inglesas, e não pelo caminho de clonagem.

A vantagem do Q​wen tem a forma oposta. Suas vozes nativas são o produto; o nível Plus foi criado para soar pronto para uso desde o início, e é isso que as medições mostram tanto nas configurações do provedor quanto nas controladas. Ele também tem a amplitude de idiomas que vem de uma empresa que opera uma nuvem: 16 idiomas e 20 regiões de dialetos chineses, contra os sete e dois do Ming.

Em termos de precisão, e não de preferência, a comparação é mais frágil do que a diferença no Elo sugere. O Qwen-Audio-3.0-TTS não tem uma tabela publicada de taxa de erro de palavra da Alibaba que pudéssemos verificar em relação a um conjunto de testes comum, e os números do Seed-TTS do Ming — 0,800% em chinês, 1,584% em inglês — são da própria Ant, medidos no harness da Ant com as configurações recomendadas pela Ant. Nenhum dos lados oferece uma taxa de erro comparável de forma justa. O que você tem é uma pontuação de preferência para ambos e uma tabela do fornecedor para um deles.

Dois modelos de cobrança, e o medidor que ninguém imprime

A comparação de preço não é $19,31 contra zero. É um medidor por caractere contra um medidor de hora de GPU, e o segundo é invisível até que sua equipe financeira peça por ele.

Qwen cobra por caractere do texto de entrada. A US$ 19,31 por milhão de caracteres, um milhão de caracteres de narração finalizada custa US$ 19,31, e o número escala de forma linear e previsível. Você pode colocá-lo em uma planilha antes de escrever uma linha de código.

Ming cobra por tempo de GPU. A versão foi testada em uma H800-80GB e uma H20-96G, exige PyTorch 2.6 com CUDA 12.4 e inclui um Dockerfile, mas nenhum endpoint hospedado. Na taxa medida pela arena de 42,1 caracteres por segundo, um milhão de caracteres leva cerca de 6,6 horas de geração nessa classe de hardware, sem contar o carregamento do modelo, o enfileiramento ou as requisições com falha. Se isso é mais barato que $19,31 depende inteiramente de quanto custa sua hora de GPU e do quão ocupada você a mantém — e é esse cálculo que decide este confronto para a maioria das equipes.

É também aqui que uma camada de roteamento se justifica sem fingir hospedar qualquer um dos modelos. O OrcaRouter não oferece Ming-3.0-tts-0.5B nem Qwen-Audio-3.0-TTS, e nada aqui deve sugerir o contrário; ambos são acessados por seus próprios canais, o Model Studio da Alibaba para o Qwen e a sua própria infraestrutura para o Ming. O que oferecemos é o lado de texto do mesmo pipeline pelo preço de tabela do provedor com 0% de markup adicionado — assim, uma mudança de preço de um provedor de texto que roteamos é o seu preço no mesmo dia — com failover automático entre provedores para o modelo que escreve o roteiro, marca a emoção ou conduz o agente. A fala é a metade cara e lenta de um produto de voz; a metade à sua frente também não deveria ser a frágil.

O problema do sucessor

Há um terceiro modelo que faz parte desta decisão e não está no título: Qwen-Audio-3.1-TTS-Plus, lançado em 24 de setembro de 2026. Ele alcança 1.300 Elo na mesma arena — 34 pontos acima do nível 3.0 Plus — pelo mesmo custo de $19.31 por milhão de caracteres.

Leia isso novamente como um comprador. A Alibaba lançou um modelo melhor cinco semanas depois do modelo desta comparação, a um preço inalterado, na mesma família de endpoints. Quem escolhe o Qwen-Audio-3.0-TTS hoje está escolhendo um modelo que o próprio fornecedor já superou sem oferecer desconto. O nível 3.0 continua listado e continua bom — 1.266 de Elo é o sexto lugar em um ranking de 98 — mas a escolha hospedada correta nesta família agora é a 3.1, não a 3.0.

Ming não tem esse problema porque não tem sucessor nem cadência. Isso é uma vantagem genuína para uma equipe que quer um artefato estável e um risco genuíno para uma que quer a melhor voz disponível em seis meses. Um lançamento não anunciado, sem compromisso de roteiro, pode ficar em silêncio em qualquer das direções.

Quem deve escolher qual?

Escolha o Qwen-Audio-3.1-TTS-Plus — não o 3.0 — se quiser a mais alta qualidade medida desta família a um preço por caractere conhecido, precisar de ampla cobertura de idiomas ou quiser que outra pessoa seja responsável pelo uptime. Aceite a cobrança por uso e aceite que o próximo nível chegará sem aviso.

Escolha o Ming-3.0-tts-0.5B se a voz precisar ser executada dentro da sua própria infraestrutura, se o seu conteúdo for voltado primeiro para o chinês e precisar de sichuanês ou cantonês, se você quiser criar uma voz a partir de uma descrição em vez de escolher de um elenco, ou se o seu volume for alto o suficiente para que uma GPU que você já possui seja mais vantajosa do que uma cobrança por caractere. Reserve orçamento para a engenharia: o ambiente é fixado, a normalização de texto precisa de uma biblioteca FST que não tem wheel universal, e os únicos números de throughput publicados vêm de um único harness independente.

Por enquanto, não escolha nenhum dos dois se você precisar de um contrato de suporte. O Ming não tem anúncio, nem opção hospedada, nem compromisso de suporte declarado; o Q​wen tem os três, mas o nível 3.0 não é mais o que se deve comprar. O resumo honesto é que esta não é uma disputa justa e nunca foi feita para ser — um é um lançamento de pesquisa com uma licença e o outro é um produto de nuvem com uma tabela de preços — e a pergunta útil é qual dessas duas coisas seu projeto realmente precisa.