Ming-3.0-tts vs Cartesia Sonic 3.6: Um lê seu número de fatura corretamente, o outro responde em 90 ms

Coloque Ming-3.0-tts e Cartesia Sonic 3.6 na mesma linha da arena de fala do Artificial Analysis e o placar diz que Cartesia vence: 1.290 Elo contra 1.188 no Provider Voice, uma diferença de 102 pontos, com os intervalos de confiança sem qualquer proximidade de se tocar. Coloque-os no quadro de pronúncia e o resultado vira tão drasticamente que parece um erro de dados: 93,2% contra 74,5%. Os mesmos dois sistemas, medidos pelo mesmo laboratório, no mesmo mês, divergindo em dezoito pontos percentuais sobre qual deles consegue ler inglês em voz alta. Ambos os números estão corretos, e o motivo pelo qual ambos podem estar corretos é a comparação inteira. As falhas de IA documentadas e os incidentes de agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e indicador de contestação.

Ming-3.0-tts é um modelo de pesos abertos licenciado sob MIT do Ant Group — um checkpoint denso de 0.5B que você executa na sua própria GPU, com um irmão de mistura de especialistas de 7.9B chamado Ming-3.0-tts-tiny. Cartesia Sonic 3.6 é um endpoint proprietário em tempo real lançado em 17 de agosto de 2026, cobrado por caractere, comercializado com base em latência do primeiro áudio inferior a 90 milissegundos e cobertura de 44 idiomas. Um é um modelo. O outro é um serviço feito para atender uma ligação telefônica. Qual dos dois você quer depende de uma pergunta que não tem nada a ver com Elo: seu texto é majoritariamente prosa, ou majoritariamente coisas que precisam ser ditas exatamente?

Os dois números que importam — e por que eles divergem

Comece pelos quadros de preferências, porque são esses que as pessoas citam.

• Elo de Voz do Provedor — Ming-3.0-tts 1.188 (intervalo 1.174–1.202) vs. Sonic 3.6 1.290 (1.276–1.304). Sonic está em 4º de 97 modelos; Ming está em 18º.

• Elo de Voz Controlado — Ming-3.0-tts 1,068 (1,052–1,084) vs. Sonic 3.6 1,151 (1,138–1,164). Sonic está em 5º; Ming está em 12º. A diferença diminui em 19 pontos quando ambos os sistemas clonam as mesmas oito vozes.

• Robustez de pronúncia, inglês — Ming-3.0-tts 93,2% (91,5–94,9) vs. Sonic 3.6 74,5% (71,4–77,5). Ming está em 1º entre 31 sistemas avaliados; Sonic está em 19º.

Esses não são resultados contraditórios; eles estão medindo coisas diferentes. As tabelas Elo perguntam aos ouvintes humanos qual clipe eles preferem, e a preferência recompensa as coisas que tornam a fala sintética agradável — prosódia natural, emoção convincente, uma voz que não parece estar lendo um manual. O Sonic 3.6 é muito bom nisso. Ele é o sistema classificado em quarto lugar na arena desde agosto e merece a posição.

O painel de pronúncia faz uma pergunta mais restrita e mais severa: o sistema pronunciou corretamente este trecho específico? Revisores humanos marcaram palavras e frases destacadas em textos em inglês — nomes de marcas, termos técnicos, caminhos de arquivo, endereços de e-mail, números, datas, unidades — e avaliaram cada uma. Nesse teste, o Sonic fica na metade inferior dos 31 sistemas pontuados, e o Ming fica no topo de todos eles.

As subpontuações tornam a forma da falha mais clara do que o agregado:

• Termos independentes — Ming-3.0-tts 88,5% vs Sonic 3.6 72,6%

• Adequado ao contexto — Ming 91,0% vs Sonic 78,2%

• Preservação de Sequências Exatas — Ming 90,6% (1º de 31) vs Sonic 60,8%

• Expansão de abreviações — Ming 96,5% (1º de 31) vs Sonic 49,1%

O Expanding Shorthand é o que merece atenção. Ele abrange números, datas, unidades e notação — "6'2"", "Chapter XVII", "1 tsp". O Sonic 3.6 acerta aproximadamente metade desses trechos segundo esse critério. É um número alarmante para uma API de voz de produção, e é o tipo de coisa que uma demo nunca revela, porque as demos são escritas em uma prosa escolhida pelo fornecedor. Coloque uma confirmação de pedido, uma dosagem ou uma medida diante dele, e o ranking de preferência deixa de prever qualquer coisa útil.

O caso de latência e throughput, em que a Cartesia não chega perto

A principal promessa da Cartesia é o primeiro áudio em menos de 90 milissegundos, que é o número que importa para um agente conversacional: quem liga ouve uma voz antes de decidir que você é uma máquina. O Ming-3.0-tts não publica nenhum dado de latência. O que o harness independente tem é throughput, e ele não é nada gentil com o modelo aberto.

• Caracteres por segundo de geração — Sonic 3.6 146,9 vs Ming-3.0-tts 44,3. Cartesia é 3,3 vezes mais rápida em condições de hardware idênticas.

• Tempo mediano de geração para uma solicitação pontuada — Sonic 3.6 9,20 s vs Ming 2,56 s. Leia isto com atenção; reflete diferenças no comprimento das solicitações, não uma vantagem de velocidade para Ming.

O resumo honesto é que o Sonic 3.6 foi feito para streaming e o Ming-3.0-tts foi feito para processamento em lote. A 44,3 caracteres por segundo — aproximadamente sete palavras —, o modelo auto-hospedado de fato é mais rápido que a fala real, então uma narração longa termina antes do tempo necessário para ouvi-la. O que ele não tem é uma proposta de streaming, um tempo até o primeiro áudio publicado ou gerenciamento de sessões. A Cartesia vende exatamente essas três coisas.

Se você está construindo um agente telefônico, uma ferramenta de tradução ao vivo ou qualquer coisa em que uma pessoa esteja esperando pela primeira sílaba, essa é o fim da comparação e você deve parar de ler. O restante deste texto é para o outro caso: texto preparado com antecedência, ou texto cuja exatidão importa mais do que o imediatismo.

O que cada lado realmente oferece a você

O Ming-3.0-tts, do grupo inclusionAI do Ant Group, é distribuído como um checkpoint de 2,96 GB contendo o backbone, uma cabeça de patch de transformer de difusão, um tokenizador de áudio, um codificador de locutor e um tokenizador de texto, sob a licença MIT, com uso comercial permitido. Ele gera áudio de 44,1 kHz, oferece suporte a sete idiomas, além de sichuanês e cantonês, e disponibiliza clonagem de voz, design de voz descrito por texto, 14 tags paralinguísticas inline e controle de emoção e de velocidade/tom/volume. A Ant o testou em um H800-80GB e em um H20-96G com PyTorch 2.6 e CUDA 12.4, e fornece um Dockerfile.

O Sonic 3.6, da Cartesia, é uma API. Ele lida com 44 idiomas a partir de um único modelo, clona uma voz a partir de dez segundos de áudio de referência, oferece entrega sensível à emoção e sinais não verbais inseríveis, e aceita dicionários de pronúncia personalizados — o que é a resposta do próprio fornecedor exatamente para o problema que o painel de pronúncia mede, e vale notar que um cliente que o configura não está sendo avaliado no caminho padrão que a arena testa. A Cartesia também constrói o restante da pilha de voz: conversão de fala em texto, agentes de voz a US$ 0,06 por minuto, números de telefonia e limites de simultaneidade que escalam conforme o nível do plano.

• Licença — pesos MIT que você mantém vs uma API comercial sem pesos

• Cobertura de idiomas — 7 mais 2 dialetos vs 44

• Implantação — sua GPU vs o endpoint deles

• Taxa de amostragem de saída — 44,1 kHz vs não publicada na página do produto

• Clonagem de voz — áudio de referência, texto de referência e um modo de tarefa explícito vs 10 segundos de áudio, instantâneo

• Base de preços — horas de GPU vs. créditos a um crédito por caractere

Vale a pena converter o preço dos créditos, porque "um crédito por caractere" não é um número com o qual a maioria das equipes consegue planejar o orçamento. A própria tabela de planos da Cartesia diz que um minuto de áudio consome 750–800 créditos, o que coloca a taxa efetiva perto de US$ 0,038 por minuto no plano Pro de US$ 5, US$ 0,029 no plano Startup de US$ 49 e US$ 0,028 no plano Scale de US$ 299. A arena normaliza isso para US$ 49 por milhão de caracteres, que é o valor comparável com o zero da Ming. A Ming não é gratuita; é uma conta de horas de GPU que seu time financeiro verá como infraestrutura, e não como um item de custo por palavra.

A comparação de três meses que ninguém coloca na avaliação

Existe uma versão dessa decisão que sobrevive aos dois modelos, e é ela que importa para um sistema de produção: o que acontece quando o modelo que você escolheu é substituído.

A Cartesia lançou o Sonic 3, 3.5 e 3.6 em menos de um ano, a um custo constante de US$ 49 por milhão de caracteres. A Ant lançou o Ming-omni-tts em fevereiro, uma variante de 16,8B em junho e, agora, o Ming-3.0-tts — com um relatório técnico ainda não assinalado em seu roadmap e um caminho de aceleração vLLM-Omni marcado como concluído, mas não documentado no repositório. Ambos os fornecedores avançam rapidamente. Nenhum dos dois vai parar.

Para um modelo hospedado, isso é uma atualização rotineira de versão. Para um checkpoint auto-hospedado, é uma migração: novos pesos, novas dependências, uma nova rodada de avaliação com seu próprio texto. A licença MIT protege seu direito de continuar executando o antigo, o que é uma vantagem real e o principal motivo pelo qual as equipes escolhem pesos abertos em primeiro lugar — mas não impede que você queira o novo.

É nesta junção que uma camada de roteamento faz algo concreto em vez de retórico. O OrcaRouter não hospeda Ming-3.0-tts nem Cartesia Sonic 3.6, e nada aqui deve sugerir o contrário — o Ming vem do repositório, o Sonic da própria API da Cartesia. O que o catálogo traz é um conjunto de modelos de fala hospedados, incluindo as prévias do G​emini T​TS do G​oogle, além do tts-1 e do gpt-4o-mini-tts da O​penAI, atrás da mesma chave que mais de 200 modelos de texto, pelo preço de tabela do provedor, sem markup adicionado, com failover automático entre provedores. Se o seu pipeline de voz tem um caminho de fallback — e qualquer pipeline que lida com tráfego real deveria ter — esse fallback pode ser um único endpoint em vez de um segundo contrato e um segundo SDK. Um corte de preço do fornecedor chega ao nosso lado no mesmo dia, porque não há markup no meio para desfazer.

Qual escolher, conforme a carga de trabalho

A decisão é breve se você responder honestamente sobre o texto.

Escolha o Sonic 3.6 se um humano estiver esperando o primeiro áudio, você precisar de mais do que um punhado de idiomas ou quiser que um fornecedor seja responsável pelo uptime. A diferença de preferência de 102 pontos é real e os ouvintes vão perceber. Configure o dicionário de pronúncia para os termos que seu produto realmente diz, porque o caminho padrão pontua 74,5% exatamente nisso.

Escolha o Ming-3.0-tts se seu áudio for gerado com antecedência — narração, leitura em voz alta de documentação, prompts de IVR, material de treinamento, rascunhos de audiolivro — e o texto contiver identificadores, unidades, códigos ou notação. Nas três categorias que abrangem esses trechos, ele é o primeiro ou está a até três pontos de distância, e nenhum sistema hospedado no ranking é melhor em preservar uma sequência exata.

Não escolha nenhum dos dois, mas, se você precisa que nomes próprios em inglês estejam corretos. Os 88,5% do Ming em Termos Isolados o colocam em 21º de 31, e é a única categoria em que o modelo está inequivocamente no meio da tabela. Um nome de marca pronunciado errado em uma demonstração de produto custa mais caro do que uma data lida de forma desajeitada.

Existe também um híbrido que nenhum dos fornecedores vai sugerir: usar um modelo hospedado em tempo real para a superfície interativa e um checkpoint auto-hospedado para o corpus em lote, e avaliá-los no mesmo texto reservado para avaliação. Os dois sistemas falham em pontos diferentes, e é isso que faz a divisão valer o custo operacional.

A questão em aberto

A página de produto da Cartesia diz que a empresa está classificada em primeiro lugar no Speech Arena. Isso era verdade quando a página foi escrita e não é mais — HeyGen Voice, Qwen-Audio-3.1-TTS-Plus, Eleven v4 Turbo e Eleven v4 estão todos acima do Sonic 3.6 hoje, e a posição do próprio Sonic é a quarta. As alegações de ranking dos fornecedores envelhecem em semanas. A pontuação de pronúncia de 74,5% é o fato mais duradouro nesta comparação, porque é medida por alguém que não tem produto para vender e é ruim o suficiente para que o próprio recurso de dicionário de pronúncia da Cartesia exista para contorná-la.

O que mudaria o veredito: um lançamento em streaming do Ming-3.0-tts com um tempo até o primeiro áudio publicado, ou um Sonic 3.7 que corrige a expansão de abreviações. Nenhum dos dois foi anunciado. Até lá, a divisão é clara — velocidade e cobertura de um lado, exatidão e controle do outro — e a resposta certa é parar de procurar um vencedor e começar a olhar para o seu próprio corpus.