Ming-3.0-tts vs Qwen-Audio-3.0-TTS: Pesos Abertos Contra uma Voz Cobrada por Caractere

Ming-3.0-tts e Qwen-Audio-3.0-TTS são os dois sistemas chineses de síntese de fala mais confiáveis lançados em 2026, e discordam sobre quase tudo, exceto a qualidade de sua saída. O Ming-3.0-tts é o modelo de pesos abertos sob licença MIT do Ant Group, publicado pela equipe inclusionAI em 20 de outubro de 2026 como parte da família de fala Ming-3.0. O Qwen-Audio-3.0-TTS é o sintetizador de fala fechado e somente via API da Alibaba, anunciado na WAIC em 20 de julho de 2026 nas camadas Plus e Flash, sem quaisquer pesos publicados. Um você baixa e executa; o outro você aluga por caractere. Essa diferença é a comparação, e a lacuna de qualidade é menor que a lacuna de modelo de negócios.

Há também um detalhe que a maioria das comparações entre esses dois modelos deixa passar, e ele muda a recomendação: o Qwen-Audio-3.0-TTS não é mais o modelo de fala da Qwen que você realmente compraria. A Alibaba o substituiu pelo Qwen-Audio-3.1-TTS em 23 de setembro de 2026 e reduziu os preços de síntese em cerca de 70% no dia anterior. Portanto, esta página compara o modelo citado no título com o Ming-3.0-tts, porque é isso que as pessoas estão buscando, e depois explica o que o Qwen mais recente muda na resposta.

O modelo no título já foi substituído.

O Qwen-Audio-3.0-TTS foi lançado na WAIC com uma alegação legítima: primeiro lugar no Provider Voice Arena da Artificial Analysis, à frente do Gemini 3.1 Flash TTS e de uma longa lista de sistemas comerciais. Foi disponibilizado em dois níveis — Plus para qualidade, Flash para interação em tempo real com latência de primeiro pacote de aproximadamente 300 ms — a preços de tabela de cerca de US$ 27,60 e US$ 15 por milhão de caracteres, respetivamente.

Nove semanas depois, o Qwen-Audio-3.1-TTS chegou à Apsara Conference. As mudanças que importam para esta comparação:

• Preço — síntese cerca de 70% mais barata, tempo real cerca de 85% mais barato, em vigor a partir de 22 de setembro de 2026 para as regiões de Pequim e Singapura. Isso coloca o 3.1 TTS Flash em aproximadamente ¥1,5 por milhão de tokens de entrada e ¥12 por milhão de tokens de saída, e coloca o equivalente ao Plus perto de US$ 8 por milhão de caracteres na unidade antiga.

• Controle — instruções em linguagem natural de forma livre para emoção, ritmo e estilo substituem as 86 tags de entrega inline da 3.0. Isso é uma mudança de usabilidade, não de qualidade, e é a que tem maior probabilidade de afetar se você conseguirá lançar.

• Clonagem — transferência de timbre entre idiomas em mandarim, cantonês, inglês e japonês, além de lidar diretamente com áudio de referência ruidoso ou com reverberação.

• Verificação — nenhuma pontuação independente de arena no momento da redação. As alegações de qualidade para a 3.1 são alegações do fornecedor.

Então, o enquadramento justo não é “Ming versus Qwen”, mas sim “Ming versus a geração atual do Qwen, cujo preço agora é aproximadamente um terço do que a 3.0 cobrava”. A vantagem de custo do Ming diminui na mesma proporção. A diferença de arquitetura, não.

Dois produtos diferentes, não duas versões de um mesmo.

• Modelo de entrega — O Ming-3.0-tts são pesos licenciados sob MIT no Hugging Face e no ModelScope, com o código de inferência em um repositório separado no GitHub. O Qwen-Audio-3.0-TTS não publica pesos; ele é servido por meio do Alibaba Cloud Model Studio.

• Tamanho — O checkpoint padrão do Ming tem 0,5B de parâmetros, denso, em uma estrutura base Qwen2.5-0.5B, cerca de 2,96 GB. Seu irmão Ming-3.0-tts-tiny é um MoE de 7,9B no total e 1,3B ativos em uma estrutura base Ling V3 da Ant. A Qwen não divulga contagens de parâmetros para nenhum dos dois níveis.

• Teto de qualidade de saída — O Ming atinge no máximo 44,1 kHz. O Qwen-Audio-3.0-TTS passou para 48 kHz e oferece suporte à síntese em uma única passagem de até três minutos.

• Cobertura linguística — Ming cobre chinês, inglês, alemão, espanhol, francês, coreano e japonês, além de sichuanês e cantonês. O Qwen cobre 16 idiomas e 20 regiões de dialetos chineses, tendo adicionado árabe, vietnamita, malaio e filipino com a versão 3.0.

• Vozes — O Ming oferece mais de 100 vozes em chinês e cinco em inglês. O catálogo do Qwen é uma seleção hospedada que você não gerencia.

• Superfície de controle — Ming oferece design de voz a partir de uma descrição textual, um "modo diretor" para instruções de interpretação em formato livre, 14 tags paralinguísticas inline e controles explícitos de emoção, velocidade, tom e volume. O Qwen 3.0 oferecia prompts de diretor em estilo livre além de tags granulares; a 3.1 substituiu as tags por instruções.

O padrão nessa lista é consistente: Ming oferece mais controle sobre um conjunto de linguagens mais restrito, e Qwen oferece cobertura mais ampla com menos visibilidade sobre o que está por baixo.

Qualidade: o que a arena diz e o que não diz

Ambos os modelos têm medições independentes, o que é raro o suficiente para valer a pena usar com cuidado. A armadilha é comparar entre placas diferentes.

No Provider Voice Arena — modelos falando com suas próprias vozes originais, que é a comparação equivalente —, o Qwen-Audio-3.0-TTS-Plus marcou 1.238 de Elo em agosto de 2026 e 1.259 em setembro, ficando em segundo lugar. O Ming-3.0-tts marcou 1.188 de Elo, em terceiro entre os modelos de pesos abertos e por volta do 18º lugar no geral. Nesse ranking, o Qwen está à frente por cerca de 50 a 70 de Elo, o que é uma diferença real, mas não enorme — aproximadamente a diferença entre dois níveis adjacentes de voz comercial.

A Ming tem dois resultados que o Qwen não consegue igualar no mesmo ranking. Ela empatou em primeiro lugar geral em Robustez de Pronúncia, com 93,2%, e ocupa o primeiro lugar entre os modelos de pesos abertos no Controlled Voice Arena, com 1.069 de Elo, um ranking construído a partir de oito vozes clonadas de sotaques dos EUA e do Reino Unido. O Qwen não aparece no ranking de vozes controladas porque não há um checkpoint local para executar esse teste.

Lidos em conjunto, esses números dizem algo específico. Ming dá o seu melhor quando reproduz uma voz que você fornece, e o seu pior quando recorre ao seu próprio e pequeno catálogo em inglês. Qwen é forte nas suas próprias vozes e afirma ter similaridade de locutor de última geração nos 16 idiomas — uma alegação do fornecedor, não independente. Se a sua carga de trabalho for "clone nosso fundador e leia a newsletter", o ponto mais forte do Ming é o que importa. Se for "nos dê 40 vozes em 12 idiomas", a cobertura do Qwen é o fato decisivo.

Um número informado pelo fornecedor merece destaque porque é incomum e prático: a vazão do Qwen-Audio-3.0-TTS foi reportada em cerca de 16 caracteres por segundo, contra aproximadamente 120 do Sonic 3.5 e 30 do Simba 3.2. Isso é lento. É o motivo pelo qual o nível Flash existe, e é o tipo de limitação que um ranking de qualidade nunca vai mostrar. O checkpoint 0.5B do Ming não tem um número público de vazão comparável, o que é uma lacuna por si só.

Custo, na unidade em que cada um cobra

Os dois modelos não compartilham uma unidade, então a comparação precisa ser convertida antes de fazer sentido. A cerca de 14 caracteres por segundo de fala, um milhão de caracteres equivale a aproximadamente 19 a 20 horas de áudio.

• Qwen-Audio-3.0-TTS-Plus — US$ 27,60 por milhão de caracteres, ou aproximadamente US$ 1,40 por hora de áudio pelo preço de tabela.

• Qwen-Audio-3.0-TTS-Flash — cerca de US$ 15 por milhão de caracteres, ou aproximadamente US$ 0,76 por hora de áudio.

• Qwen-Audio-3.1-TTS — após o corte de setembro, cerca de um terço do preço da 3.0, portanto algo em torno de US$ 0,40 a US$ 0,45 por hora de áudio para síntese equivalente.

• Ming-3.0-tts — sem preço por caractere. Pesos MIT e, em vez disso, uma conta de GPU. Um H800 alugado a cerca de US$ 2 por hora-GPU, executando um modelo de 0,5B muito acima do tempo real, produz várias horas de áudio por hora de relógio; em lote, a taxa efetiva fica abaixo do que qualquer um dos preços por uso medido acima consegue alcançar em volume sustentado.

O ponto de equilíbrio é o cerne de toda a questão. Para algumas horas de áudio por mês, a auto-hospedagem é um mau negócio: a GPU fica ociosa 99% do tempo, a pilha de dependências leva um dia de trabalho, e a API com cobrança por uso custa menos que a eletricidade. Para algumas centenas de horas por mês, a API com cobrança por uso é de longe a opção mais cara, e a diferença aumenta a cada hora adicional, porque o custo marginal da próxima geração é quase zero. Onde exatamente fica seu ponto de equilíbrio depende do preço e da utilização da GPU, mas ele é medido em centenas de horas por mês, não em milhares.

Há um segundo custo que não aparece em nenhuma das duas listas de preços: o custo de o modelo mudar debaixo de você. O Qwen-Audio-3.0-TTS foi o melhor modelo de fala que a Alibaba vendeu por cerca de nove semanas. Qualquer pessoa que criou um produto sobre sua gramática de controle de 86 tags passou setembro reescrevendo prompts para instruções em linguagem natural. Os pesos MIT do Ming não podem ser descontinuados, apenas aprimorados por você.

Controle, clonagem e a realidade da implantação

O design de voz do Ming é o recurso para o qual o Qwen não tem equivalente. Você descreve um locutor em texto — idade, timbre, ritmo, sotaque — e o modelo sintetiza uma voz que corresponda, sem um clipe de referência. Para prototipar um personagem ou uma voz de marca antes de ter uma gravação, esse é um fluxo de trabalho genuinamente diferente de escolher em um catálogo.

O contrapeso do Qwen é a robustez. Sua versão 3.1 lida especificamente com áudio de referência ruidoso e reverberante, que é o modo de falha que inviabiliza a clonagem em implantações reais: alguém grava uma amostra em um laptop numa sala de conferência e o clone soa como outra pessoa. O cartão de modelo do Ming é franco ao afirmar que a similaridade de locutor fica atrás da precisão de conteúdo, com o francês sendo a lacuna multilíngue mais clara.

A implantação é onde os dois divergem mais acentuadamente em esforço.

• Ming — clone o repositório do GitHub, instale CUDA 12.4 e PyTorch, opcionalmente compile o flash-attn, instale pynini para normalização de texto e execute infer.py ou a API Python ming_tts.MingTTS. O Hugging Face hospeda apenas checkpoints e afirma isso em um aviso. O modelo minúsculo precisa de seu próprio ambiente. Não há provedor de inferência hospedado no Hugging Face no momento da redação.

• Qwen — uma chave de API e um endpoint regional. Sem infraestrutura, sem pilha de dependências, sem planejamento de capacidade de GPU. Você também não tem a capacidade de fixar uma versão, inspecionar o modelo ou executar offline.

Para uma equipe que já tem infraestrutura de GPU e um motivo de conformidade para manter o áudio internamente, o Ming é a escolha óbvia e o esforço é um erro de arredondamento. Para uma equipe sem nenhum dos dois, o Qwen é mais barato neste trimestre e mais caro em escala, e o lock-in é real.

Onde um roteador se encaixa

Nenhum dos dois modelos está no OrcaRouter. Não hospedamos o Ming-3.0-tts e não revendemos o Qwen-Audio-3.0-TTS, e uma página de comparação é o lugar errado para fingir o contrário. O que fica do nosso lado do pipeline é tudo ao redor da voz: o modelo de linguagem que redige e reescreve o roteiro, além de modelos de fala hospedados como Gemini 3.1 Flash TTS Preview e GPT-4o mini TTS para os casos em que auto-hospedar o Ming é o trade-off errado.

Isso é o que mais importa para a decisão que esta página realmente aborda. Um pipeline de voz não é um único modelo; é um gerador de script, um normalizador, um sintetizador e um fallback. Colocar a metade de texto por trás de uma única chave de API — mais de 200 modelos, 0% de markup sobre o preço de tabela do provedor, failover automático quando um provedor degrada — significa que a única parte com a qual você se compromete é o próprio modelo de voz. Se você hospedar o Ming por conta própria e ele se mostrar mais fraco nos nomes de marca em inglês do que a arena sugeriu, trocar a camada de voz é a mudança de um componente, não uma migração de plataforma. Se você construir sobre a API hospedada do Qwen, a camada de roteamento é o que mantém o restante do pipeline ativo quando o endpoint está lento ou limitado por taxa, e o preço de repasse significa que o próximo corte de preço da Alibaba chega até você no dia em que for anunciado, e não conforme a conveniência de um revendedor.

Qual escolher

• Escolha Ming-3.0-tts se você tiver GPUs, precisar de uma voz clonada ou projetada em vez de um catálogo, quiser termos MIT que resistam à revisão jurídica e puder aceitar ferramentas de nível de pesquisa e um conjunto reduzido de vozes em inglês. É a única opção aqui que você pode possuir integralmente.

• Escolha o Qwen-Audio-3.0-TTS apenas se você estiver vinculado a ele por um motivo específico — um contrato existente com o Alibaba Cloud, um fluxo de trabalho construído sobre sua gramática de 86 tags. Caso contrário, você está escolhendo um modelo ultrapassado a um preço ultrapassado.

• Escolha o Qwen-Audio-3.1-TTS se você quer uma API de voz gerenciada e de ampla cobertura e se o corte de preço de setembro muda sua economia. Aceite que ele não é verificado em rankings independentes e que seu controle baseado em instruções é uma nova gramática que você vai aprender.

A diferença de qualidade entre as duas famílias é estreita o suficiente para não dever decidir a questão. No único ranking em que ambas competem diretamente, o Qwen lidera por cerca de 50 a 70 Elo. Nos rankings que medem clonagem, o Ming está no topo e o Qwen está ausente. O que de fato as separa é se a voz é um serviço que você aluga ou um artefato que você possui — e, depois de a Alibaba substituir seu próprio carro-chefe em nove semanas, essa distinção parece menos ideologia e mais risco de aquisição.