Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS: Um Tem uma Tabela de Preços, o Outro Tem um Repositório

A comparação que todo mundo quer é dois scores lado a lado, e ela não pode ser feita com honestidade hoje. Ming-3.0-tts-tiny é um checkpoint de fala de mistura de especialistas com 7,9 bilhões de parâmetros do inclusionAI, do Ant Group, lançado como pesos sob MIT, sem endpoint hospedado e sem avaliação independente. Qwen-Audio-3.0-TTS é um endpoint de síntese hospedado no Alibaba Cloud Model Studio, lançado em 20 de julho de 2026, vendido em um nível Flash e um nível Plus, sem pesos em lugar nenhum e sem tabela de taxa de erro publicada. Um lado tem uma posição no leaderboard e um preço. O outro tem um pipeline baixável e uma suíte de benchmarks do fornecedor. O trabalho útil aqui não é escolher um vencedor entre esses dois artefatos; é descobrir quais números podem ser colocados lado a lado, e quais não podem. As falhas de IA documentadas e os incidentes de agentes por trás de lançamentos como este estão reunidos em the OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.

As datas importam, porque nenhum dos dois produtos chegou do jeito que um post de lançamento sugeriria. {{1}}O repositório do Ming-3.0-tts-tiny no Hugging Face foi criado em 22 de setembro de 2026, e o próprio checkpoint foi enviado em 24 de setembro.{{/1}} Por três semanas e meia, foi uma pasta de pesos sem nenhuma forma de executá-los: o código de inferência, os exemplos com um clique e o cookbook de tarefas só chegaram ao GitHub em 19 de outubro às 08:58 UTC, em nove commits ao longo de uma única tarde. A Ant não o anunciou, não há post no blog, vídeo de model card nem relatório técnico. {{2}}Em contrapartida, o Qwen-Audio-3.0-TTS teve um lançamento de verdade e continua na tabela de preços da Aibaba — e o nível que importa para a qualidade, o Plus, continua no topo da escada de síntese da Aibaba mesmo depois de a geração 3.1 ter chegado em setembro.{{/2}}

A linha da tabela de classificação é o checkpoint errado, e o repositório não informa isso.

Comece por aqui, porque este é o erro que a primeira leva de posts de comparação vai cometer. O Artificial Analysis mantém dois rankings de fala, e ambos incluem um modelo chamado Ming-3.0-tts. Em 19 de outubro, ele está com 1.188 Elo no ranking Provider Voice e 1.069 no ranking Controlled Voice.

Essa entrada é a do modelo 0,5B, não esta. Ming-3.0-tts-tiny não tem nenhuma linha na arena — nem ranqueada, nem não ranqueada, nem uma entrada de prévia. O README do GitHub reproduz os números 1.188 e 1.069 em sua seção de resultados sem distinguir qual checkpoint os produziu, que é exatamente como um número ganha o rótulo errado duas repostagens depois.

Então, quando você vê "Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266", o que está sendo comparado é o modelo denso de meio bilhão de parâmetros da Ant com o maior tier hospedado da Alibaba, com o modelo do título deste artigo ausente do ranking. A diferença de 78 pontos é real para o 0.5B. Ela não diz nada sobre o pequeno MoE, em nenhuma direção. O modelo pequeno pode ser melhor; ninguém o colocou diante de um painel de preferência.

A ausência não é uma pontuação baixa. É um modelo sem pontuação, e essa distinção é justamente o motivo de esta seção existir.

O que cada lado realmente é

Tire o marketing, e os dois objetos diferem em natureza antes de diferirem em qualidade.

• Forma — Ming-3.0-tts-tiny é um checkpoint que você baixa: aproximadamente 18 GB, 8.980.964.372 parâmetros em BF16 mais 40.096 em F32, contendo o backbone Ling V3, uma cabeça de transformer de difusão, um tokenizador de áudio, um codificador de locutor CAM++ e o tokenizador de texto. Qwen-Audio-3.0-TTS é um endpoint HTTP que retorna áudio; não há nada para baixar e nenhuma licença para auditar.

• Parâmetros — 7,9B no total, com cerca de 1,3B ativos por token, uma mistura esparsa de especialistas, em comparação com um modelo hospedado para o qual a A​libaba não divulga o número de parâmetros.

• Licença — MIT tanto para os pesos quanto para o código, com uma nota de uso pedindo que você não se passe por outras pessoas sem consentimento e que identifique áudios sintéticos. No lado hospedado, termos de API comercial.

• Idiomas — chinês, inglês, alemão, espanhol, francês, coreano e japonês, além de sichuanês e cantonês quando for fornecido um clipe de referência de dialeto. O Qwen-Audio-3.0-TTS lista 16 idiomas e 20 regiões dialetais chinesas.

• Superfície de controle — clonagem zero-shot, design de voz a partir de uma descrição, instruções de estilo em formato livre, 14 tags paralinguísticas inline, configurações explícitas de emoção, velocidade, tom e volume, e uma tarefa de podcast com vários falantes. O Qwen-Audio-3.0-TTS oferece clonagem, além de aproximadamente 86 tags de entrega inline e controle no estilo de instrução.

• Preço — nenhuma tarifa listada do lado do Ming-3.0-tts-tiny; você paga pelo tempo de GPU. O Qwen-Audio-3.0-TTS-Plus custa ¥1,4 por 10.000 caracteres na tabela de Pequim da Alibaba, que a Artificial Analysis normaliza para US$ 19,31 por milhão de caracteres.

• Pontuação independente — nenhuma para Ming-3.0-tts-tiny. 1.266 de Elo em Voz do Provedor e 1.126 em Voz Controlada para Qwen-Audio-3.0-TTS-Plus, ambos com intervalos de confiança que não tocam os 1.188 e 1.069 da linha Ming-3.0-tts.

Dois tipos de evidência que não se convertem entre si

A arena mede preferência. As tabelas do Ant medem erro e similaridade. Nenhuma das duas se transforma na outra, e é preciso resistir à tentação de tratar uma diferença de Elo como um multiplicador de qualidade.

O que o Qwen-Audio-3.0-TTS oferece é o julgamento relativo de uma multidão sobre suas vozes nativas, com contagens de amostras e intervalos por trás disso. O que o Ant oferece é a medição de um laboratório do seu próprio modelo contra um conjunto de testes fixo, com o arcabouço de avaliação, os clipes de referência e o código de pontuação todos escolhidos pela mesma equipe que criou o modelo. Ambos são legítimos. Nenhum substitui o outro, e apenas um deles existe para o modelo no título deste artigo.

A suíte da Ant é ampla, e vale a pena saber o que há nela antes de descartá-la. No conjunto chinês Seed-TTS, o modelo minúsculo registra 0,820% de erro de palavra com 0,781 de similaridade de locutor — o melhor valor de similaridade em todas as tabelas publicadas da Ant, incluindo o 0,758 do seu próprio irmão de 0,5B. O inglês alcança 1,666% com 0,728. O alemão fica em 0,325% de erro de caractere e o espanhol em 0,971%, ambos em primeiro lugar na comparação de oito sistemas da Ant. O japonês fica em 3,427%, o francês em 3,470%. No teste paralinguístico de evento único do NVBench, lidera todas as seis categorias, com 17,23 de PCER em chinês e 32,95 em inglês. As suítes de dialeto chegam a 86,09% de acurácia no WSC-Eval-TTS easy e 92,90 no WSYue base; o conjunto de emoções, a 74,00% de média no CV3; e o design de voz, a 75,37% no InstructTTSEval-ZH. Tudo isso é o harness da própria Ant, executado pela Ant, relatado pela Ant e não reproduzido por ninguém.

O resumo honesto é que o Qwen-Audio-3.0-TTS foi avaliado por estranhos e o Ant foi avaliado pelo próprio autor. Isso não é uma crítica a nenhum dos dois; é uma constatação sobre o que os dois números são.

A única comparação direta que a Ant publica — e é contra ela mesma.

No meio desse conjunto, há um resultado que se comporta como uma comparação real, porque o concorrente é o próprio modelo 0.5B da Ant e a diferença é grande o suficiente para sobreviver a um harness diferente.

Em coreano, o Ming-3.0-tts-tiny registra uma taxa de erro de caractere de 6,000%. O modelo de 0,5B registra 1,728%. Mesma equipe, mesmo conjunto de teste, mesmo dia de divulgação — um fator de aproximadamente três e meio, na direção que ninguém esperava do modelo maior. O cartão do modelo não explica isso, e a seção de limitações lista o coreano entre os pontos fracos conhecidos sem oferecer um mecanismo.

Há uma explicação estrutural disponível, e ela deve ser rotulada como hipótese, não como descoberta: modelos esparsos encaminham cada token por um subconjunto de especialistas, de modo que um idioma que recebeu menos sinal de treinamento dentro da mistura pode se degradar mais rápido do que se degradaria em um modelo denso de tamanho total comparável. Isso é plausível. Não foi medido. O que é defensável é a conclusão operacional, que é mais estreita: se o coreano faz parte do seu produto, este checkpoint não é o indicado para se usar até que alguém o execute em texto coreano real e publique o resultado.

O Qwen-Audio-3.0-TTS cobre o coreano entre as suas 16 línguas, e a A​libaba não publica nenhuma taxa de erro por idioma para contrapor aos 6,000% da Ant. Assim, nem mesmo o ponto fraco pode ser convertido numa comparação. Só pode ser lido como um aviso.

Um milhão de caracteres, cobrado em dobro

É aqui que os dois produtos deixam de ser abstrações.

O Qwen-Audio-3.0-TTS cobra por caractere. No preço normalizado da arena de US$ 19,31 por milhão de caracteres, um milhão de caracteres de narração finalizada custa US$ 19,31, e cem milhões custam US$ 1.931. O número é linear, previsível e disponível antes de você escrever qualquer código. A taxa de transferência no mesmo harness independente é de 25,61 caracteres por segundo de tempo de geração, o que é uma questão de concorrência, não de cobrança, na escala da API.

O Ming-3.0-tts-tiny é cobrado em horas de GPU, e a aritmética tem um buraco no meio dela. O irmão de 0,5B foi medido em 42,1 caracteres por segundo; o modelo tiny não foi medido de forma alguma. Você não pode usar a vazão do modelo irmão, porque o modelo tiny ativa aproximadamente duas vezes e meia mais parâmetros por token e ocupa cerca de 18 GB em vez de 2,96 GB. A placa recomendada pela Ant é uma H800, e o ambiente fixado — Python 3.10.15, torch e torchaudio 2.7.1 com CUDA 11.8, transformers 4.46.3 — é a única alegação de desempenho no lançamento.

Então faça as contas abertamente, em vez de fingir que a questão está resolvida. A 20 caracteres por segundo, um milhão de caracteres corresponde a cerca de 14 horas de geração; a 10 caracteres por segundo, a cerca de 28. Multiplique essas horas pelo seu próprio custo por hora de GPU, some o tempo de carregamento do modelo, as filas e as novas tentativas, e compare com US$ 19,31. Abaixo de alguns milhões de caracteres por mês, a tarifa do serviço hospedado costuma levar vantagem no custo total quando o tempo de alguém entra no cálculo. Acima disso, em hardware que você já possui e mantém ocupado, o custo marginal por hora do checkpoint é o mesmo da primeira hora — o que é a vantagem estrutural que nenhuma tabela de preços consegue igualar.

Uma coisa que a comparação de preços não deve esconder: os dois modelos não são o mesmo produto a preço algum. O nível Plus do Qwen-Audio-3.0-TTS é um catálogo de vozes pronto com 16 idiomas; o Ming-3.0-tts-tiny é um pipeline que você opera, cuja qualidade de saída você mesmo mede.

A questão de nível que a A​libaba não resolveu

Qualquer pessoa que escolha o Qwen-Audio-3.0-TTS hoje está escolhendo dentro de uma família que mudou debaixo dela. A linha Qwen-Audio-3.1 foi anunciada em 23 de setembro de 2026, e a Artificial Analysis lista um Qwen-Audio-3.1-TTS-Plus com 1.300 Elo em Provider Voice e 1.186 em Controlled — acima do 3.0 Plus nos dois rankings, com data de 24 de setembro, pelo mesmo US$ 19,31 por milhão de caracteres.

Mas a tabela pública de preços da Alibaba lista apenas um SKU Flash para TTS 3.1, então saber se o nível 3.1 Plus pode ser chamado hoje é uma questão para o próprio console do fornecedor, e não algo a inferir de um ranking. De qualquer forma, a leitura prática é a mesma: o nível 3.0 Plus não está obsoleto, mas já não é a novidade mais recente que a Alibaba pontuou, e o comprador deve confirmar qual SKU está de fato contratando antes de comparar seu preço com qualquer outra coisa.

Para o Ming-3.0-tts-tiny não há sequer uma questão de níveis — existe um único checkpoint, nenhum roadmap com datas, e uma nota de suporte ao vLLM-Omni que surgiu na documentação no mesmo dia em que o código apareceu.

O que os repositórios não estabelecem

Vale a pena nomear quatro lacunas antes que alguém faça planos em torno deste modelo.

• Sem pontuação independente — nenhuma linha na arena, nenhuma taxa de erro de palavras de terceiros, nenhuma taxa de transferência medida. A linha que parece ser a da Ming-3.0-tts-tiny pertence ao 0.5B.

• Sem relatório técnico — o roadmap o lista como desmarcado, e o cartão do modelo foi editado em 16 de outubro para remover a referência a um.

• Sem endpoint hospedado — não há API própria nem preço, então o único caminho para produção é a sua própria infraestrutura.

• Nenhuma receita de fine-tuning — o repositório documenta tarefas de inferência, não treinamento. LoRA ou fine-tuning completo neste checkpoint não está documentado, o que é uma situação diferente de um modelo que acompanha scripts de treinamento.

No momento da captura, o repositório do Hugging Face mostrava 20 downloads e 3 curtidas, e o repositório do GitHub, algumas estrelas e nenhum lançamento. Isso não é evidência de nada, exceto que o lançamento foi discreto, que é a única afirmação sobre a qual este texto tem certeza.

O que esta comparação vale na prática

Se você precisa de uma voz em produção este mês, em mais de alguns idiomas, com outra pessoa arcando com o uptime, o Qwen-Audio-3.0-TTS-Plus é a escolha defensável: tem pontuação, preço, documentação e suporte, e os 1.266 de Elo são medidos, não apenas afirmados.

Se você precisa ser dono do modelo — clonar vozes que não pode enviar a terceiros, gerar em um volume em que a cobrança por caractere domina, lançar sob uma licença que permita redistribuição — o Ming-3.0-tts-tiny é o único dos dois que pode ser seu. Aceite em troca que você será o primeiro a avaliá-lo com benchmarks, que o coreano é uma fraqueza conhecida que o próprio fornecedor publica, e que o pipeline tem apenas uma semana de vida.

O OrcaRouter não roteia nenhum dos dois modelos, e nada aqui deve ser interpretado como uma alegação em contrário; a fala é alcançada pelo canal próprio de cada fornecedor, e o checkpoint Ming-3.0-tts-tiny pelo seu próprio hardware. O que nós roteamos é a metade textual do mesmo pipeline — mais de 200 modelos por trás de uma única chave, pelo preço de tabela do provedor, sem acréscimo de margem, então uma mudança de preço de um provedor de texto é o seu preço no mesmo dia. Para um produto de voz, o roteiro, a direção no estilo SSML e o agente que decide o que dizer são todos texto, e é nessa parte que um segundo contrato com fornecedor não lhe traz vantagem alguma.

O número que resolveria isso ainda não existe. Não é uma pontuação Elo; é uma tarde em um H800 executando o pequeno checkpoint contra os mesmos clipes de referência que a Ant usou, com os resultados publicados junto com o harness. Até que alguém faça isso, a posição honesta é a que este texto assumiu: dois artefatos críveis, um avaliado e outro não, e uma comparação que precisa ser feita com base em propriedade, formato de preço e risco linguístico, e não em qualidade.