Ming-3.0-tts-tiny vs Breeze-TTS-2: pesos sob licença MIT contra uma licença não comercial

Dois modelos de fala de pesos abertos chegaram com um mês de diferença um do outro e não estão competindo no mesmo eixo. Ming-3.0-tts-tiny, do inclusionAI do Ant Group, é um checkpoint de mistura de especialistas de 7,9B que ativa cerca de 1,3B parâmetros por token, é distribuído sob MIT e cobre nove idiomas, incluindo dois dialetos chineses. Breeze-TTS-2, da BreezeBlue, é um modelo denso de 3B que cobre apenas inglês e chinês, publica seu código sob Apache 2.0 e libera seus pesos sob uma licença de pesquisa e não comercial com uma exceção para hospedagem paga. A pergunta principal — qual soa melhor — acaba sendo a menos decisiva, porque a entrada na arena que parece ser a pontuação do Ming pertence a um checkpoint totalmente diferente, e a diferença de licença é a que decide se você pode lançar o produto ou não. As falhas de IA e incidentes de agentes documentados por trás de lançamentos como este estão reunidos em the OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, grau de severidade, confiança e sinalização de disputa.

Nenhum dos fornecedores anunciou um evento de disponibilidade geral no sentido habitual, e ambos os fatos importam aqui. Os pesos do Breeze-TTS-2 foram publicados em 25 de agosto de 2026, com os conjuntos de design de voz e de latência vindo em seguida, em 7 de agosto. O Ming-3.0-tts-tiny existia no Hugging Face desde 24 de setembro, mas só se tornou executável em 19 de outubro, quando seu código de inferência e seu cookbook de tarefas chegaram ao GitHub. Portanto, esta é uma comparação de dois artefatos que você precisa hospedar por conta própria, escrita antes de qualquer um deles ter um preço de hospedagem a informar, e rotulada como tal em todo o texto.

Comece pela licença, porque ela encerra a discussão para algumas equipes.

As duas licenças não são variações da mesma permissão. São categorias diferentes de permissão.

• Ming-3.0-tts-tiny — MIT, tanto para os pesos quanto para o código. Você pode usá-lo comercialmente, modificá-lo, redistribuí-lo e distribuí-lo em um produto fechado. A Ant anexa uma nota de uso pedindo que você não se passe por pessoas sem consentimento e que rotule áudios sintéticos; isso é uma solicitação na documentação, não uma condição da concessão.

• Breeze-TTS-2 — Apache 2.0 para o código-fonte, e uma “BreezeBlue Research and Non-Commercial License” separada para os pesos. O uso comercial de resultados de serviços hospedados exige uma assinatura paga do BreezeBlue e, mesmo assim, a assinatura não estende direitos comerciais aos pesos abertos nem aos resultados que você gera ao hospedá-los por conta própria.

Leia com atenção o segundo item da lista, porque a interpretação óbvia é a errada. Pagar à BreezeBlue não converte os pesos em algo que você possa executar comercialmente; o que a licença concede é um caminho hospedado. A auto-hospedagem é não comercial, independentemente de você assinar ou não. Se o seu plano é "fazer fine-tuning do modelo 3B, colocá-lo atrás do nosso próprio endpoint e cobrar por isso", a licença fecha essa porta e a MIT a deixa aberta. Para pesquisa interna, avaliação ou um protótipo que nunca vai gerar receita, a distinção não custa nada.

Há uma segunda diferença relacionada com a licença que determina mais implementações do que qualquer um dos parágrafos acima. A versão do Ming inclui todo um pipeline — backbone, cabeça de difusão, tokenizador de áudio, codificador de locutor e tokenizador de texto — como um único conjunto de pesos. A Breeze disponibiliza o seu código e pesos com um caminho de inferência que foi empacotado para vários runtimes ao mesmo tempo: o ecossistema de derivados em torno do Breeze-TTS-2 inclui builds MLX em 4 bits e 8 bits, além de uma porta de precisão total, quantizações GGUF, conversões int8 e int4, uma build HQQ int4, uma build ROCm/RDNA4 BF16 de 18 de outubro, uma build GPTQ int4 ROCm de 19 de outubro, fine-tunes para ComfyUI e um LoRA de português brasileiro publicado em 6 de outubro. O Ming-3.0-tts-tiny não tem nada disso, porque tem um caminho de inferência utilizável há menos de um dia.

A diferença de pegada é de aproximadamente uma ordem de grandeza.

É aqui que “tiny” deixa de significar pequeno. O nome descreve parâmetros ativos por token, não a memória de que você precisa.

• Ming-3.0-tts-tiny — 8.980.964.372 parâmetros em BF16 mais 40.096 em F32, segundo os próprios metadados do Hugging Face, cerca de 18 GB de armazenamento de repositório e um H800 recomendado nas notas de ambiente do fornecedor. Você paga pela memória de um modelo de 7,9B e recebe a latência de um de 1,3B, o que é uma boa troca para síntese em lote em hardware alugado e uma má opção para qualquer coisa que tenha uma placa de 12 GB.

• Breeze-TTS-2 — 3B parâmetros densos, cerca de 7,7 GiB de memória de GPU no modo eager e cerca de 14,4 GiB com --fast-all ativado. A BreezeBlue recomenda 12 GB ou 24 GB dependendo do caminho escolhido, e documenta que os padrões do Docker têm como alvo H100/Hopper sm90, enquanto usuários de A100 precisam definir FLASH_ATTN_CUDA_ARCHS=80.

• Modelo de concorrência do Ming — um ponto de entrada Python por tarefa com padrões fixos: escala de orientação 2,0, temperatura zero, dez etapas de fluxo, sigma 0,25, semente 1234. O suporte ao vLLM-Omni está no roteiro e não foi verificado, portanto, hoje não há um caminho de serving de alto throughput.

• O modelo de concorrência do Breeze — uma API de streaming HTTP de concorrência única que retorna PCM mono de 24 kHz, 16 bits com sinal, little-endian, com um tempo até o primeiro áudio declarado inferior a 40 milissegundos em uma H100 aquecida e um fator de tempo real de 0,32, o que é aproximadamente 3,1 vezes mais rápido que o tempo real.

Esse último par é o resumo honesto do trade-off. O Breeze foi projetado para latência de streaming em uma solicitação por vez; o Ming foi projetado para vazão por unidade de computação em ativação esparsa e não publicou uma stack de serving. Se seu produto é um agente de voz ao vivo, esses não são pontos de partida equivalentes. Se seu produto é um lote noturno de narração, o modelo de concorrência importa muito menos do que a licença e a conta de memória.

A cobertura de idiomas não está próxima, e a lacuna corre em uma única direção.

Breeze-TTS-2 é compatível com inglês e chinês. O card diz isso sem hesitação e também documenta eventos vocais inline nos dois idiomas — (laugh) e (sigh) em inglês, [笑] e [叹气] em chinês — além de clonagem a partir de um clipe de referência com sua transcrição exata e um controle de direção de voz.

O Ming-3.0-tts-tiny abrange chinês, inglês, alemão, espanhol, francês, coreano e japonês, além de sichuanês e cantonês quando recebe um clipe de referência do dialeto. Ele acrescenta controle de estilo livre, design de voz a partir de uma descrição em linguagem natural, mais de 100 vozes chinesas integradas e cinco em inglês, e 14 marcadores paralinguísticos em linha. Também gera podcasts com vários falantes, algo que o Breeze não tenta fazer.

O ponto crítico está na própria tabela multilíngue da Ant, e é a primeira coisa a ler antes de presumir que nove supera dois. Em coreano, o Ming-3.0-tts-tiny registra taxa de erro de caractere de 6,000%, sexto entre os oito sistemas avaliados pela Ant, contra 1,728% do irmão de 0,5B da própria Ant. Em francês, fica em segundo lugar na taxa de erro, mas sua similaridade de locutor de 0,733 não entra no top três, uma limitação que o próprio card declara. Alemão (0,325%) e espanhol (0,971%) são primeiros naquela tabela. Então a leitura honesta é: cinco das sete línguas do Ming são críveis, o coreano ainda não, e o suporte a dialetos é único, mas não verificado fora do harness da Ant. A Breeze, em contrapartida, não reivindica nada que não cubra — duas línguas, e todos os resultados em seu card dizem respeito a essas duas.

Os números da arena, e por que eles não são uma comparação direta

O Breeze-TTS-2 tem uma pontuação independente. O Ming-3.0-tts-tiny não tem, e a entrada que parece ter uma pertence a um modelo diferente.

• Breeze-TTS-2 no Artificial Analysis, lido nos painéis ao vivo em 19 de outubro de 2026 — 1.220 Elo em Provider Voice, em que cada modelo usa seu próprio elenco de vozes nativas, e 1.019 em Controlled Voice, em que todo modelo clona as mesmas oito vozes de referência.

• A linha Ming nos mesmos placares — 1.188 Provider e 1.069 Controlled — está vinculada ao Ming-3.0-tts-0.5B, o irmão denso de backbone de meio bilhão, e não ao checkpoint minúsculo. O README do GitHub da Ant reproduz esses números em sua seção de resultados sem essa distinção. Vale ser explícito: não há Elo independente para o Ming-3.0-tts-tiny, nem número medido de caracteres por segundo, nem taxa de erro de palavras de terceiros.

O próprio ranking da página do projeto cita Breeze com 1.222 em Provider e 1.018 em Controlled, uma diferença de dois pontos em relação ao placar ao vivo em cada sentido. É assim que um placar se parece quando ainda está acumulando votos; cite os números ao vivo e observe o arredondamento se estiver comparando documentos.

• No painel controlado, a ordenação dos sistemas de pesos abertos é Ming-3.0-tts-0.5B com 1.069, Fish Audio Drama 3 Preview com 1.059, Breeze-TTS-2 com 1.019. No painel de provedores, Breeze lidera esse grupo com 1.220, com Ming-3.0-tts-0.5B com 1.188. Assim, o pequeno modelo Ming vence quando a voz é mantida constante e perde quando cada sistema traz seu próprio elenco — o que diz algo sobre as gravações de voz da BreezeBlue e muito pouco sobre a arquitetura.

Nada disso se transfere para o pequeno checkpoint em nenhuma das direções. Um leitor poderia razoavelmente inferir que um modelo de mistura de especialistas de 7,9B com uma pontuação de similaridade de falante chinês melhor do que seu irmão de 0,5B teria uma pontuação mais alta no painel controlado. Essa inferência não foi testada, não é um número, e este texto não a apresentará como tal.

Para que cada um realmente serve

Deixe de lado as listas de especificações e os dois modelos estão resolvendo problemas diferentes.

Breeze-TTS-2 é um lançamento com prioridade na implantação. Dois idiomas, uma pegada densa de 3B que cabe em uma placa de 12 GB em modo eager, uma API de streaming com um caminho de latência documentado, um contêiner voltado para Hopper de datacenter, mas que pode ser reconstruído para A100, e um ecossistema de portes quantizados e específicos de runtime que surgiram em até oito semanas após os pesos. Seu número de downloads — 14.636 no último mês, com 747 curtidas e 17 Spaces — é o que a adoção parece quando um modelo é fácil de executar. Sua restrição é a licença: pesos para pesquisa e não comerciais, com um caminho hospedado pago que não concede direitos de auto-hospedagem comercial.

O Ming-3.0-tts-tiny é um lançamento que prioriza capacidade. Nove idiomas, controle de dialeto, design de voz, um sistema paralinguístico com 14 tags, geração de podcasts com vários falantes e a melhor pontuação de voz clonada da própria família, com similaridade de falante chinês de 0,781. Sua limitação é tudo o que cerca a capacidade: um download de 18 GB, ativação esparsa que exige memória de GPU de verdade, uma estratégia de serving que é apenas um item de roadmap, nenhum benchmark independente e nenhum anúncio. Vinte downloads e três curtidas no Hugging Face, cinco estrelas no GitHub e doze commits de documentação em uma única tarde mostram que o fornecedor ainda está escrevendo o manual.

Se você precisa lançar um recurso de voz bilíngue neste trimestre em hardware que já possui, o Breeze-TTS-2 com um acordo comercial é o caminho mais curto, e a licença é o que deve ser negociado, não os cálculos. Se você precisa de alemão, espanhol, japonês, cantonês ou um formato de podcast, o Breeze não pode ajudar e o Ming é a única opção de pesos abertos com uma tabela publicada — desde que você consiga absorver a memória e aceitar que o coreano não está pronto.

O OrcaRouter não roteia nenhum desses dois modelos, e este texto não deve ser lido como se sugerisse o contrário. O que está no catálogo é a metade textual do pipeline ao qual essas vozes se conectam: mais de 200 modelos atrás de uma única chave, pelo preço de tabela do provedor sem acréscimo, então uma mudança de preço do fornecedor fica ativa do nosso lado no mesmo dia em vez de em um ciclo de atualização. Quando você está comparando dois checkpoints auto-hospedados e nenhum deles tem uma tarifa de hospedagem, a única conta recorrente que você pode realmente controlar é o modelo que escreve o script, e é essa a parte que vale a pena rotear em vez de alugar uma GPU para isso.

O veredito que resiste às evidências é mais estreito do que a diferença de Elo sugere. Numa implantação comercial em condições equivalentes, a licença MIT decide antes mesmo de se ler um único benchmark. Em trabalho bilingue sensível à latência, a engenharia do Breeze decide antes da licença. E quanto à pergunta que trouxe a maioria dos leitores — o modelo maior soa melhor? —, a resposta honesta é que ninguém mediu isso, que a linha da arena que todos vão citar é o checkpoint errado, e que a primeira pessoa a executar ambos no mesmo áudio de referência produzirá o único número que vale a pena citar.