GPT-Live-1 против Ming-3.0-TTS: лицензия MIT встречается с тарифицируемой минутой

Ming-3.0-TTS прибыл 20 октября 2026 года с лицензией, о которой мечтают большинство голосовых команд: MIT, веса на Hugging Face и ModelScope, код инференса на GitHub, нулевая стоимость за символ, а также сычуаньский и кантонский в списке языков. GPT-Live-1 стоит $0,05 за минуту, не включает весов и говорит на языках, для которых OpenAI его настраивала. Сравнивать их — на самом деле не вопрос качества. Это вопрос о том, на каком языке на самом деле говорят ваши клиенты и готовы ли вы запускать GPU, чтобы их обслуживать.

Оба реальны, оба актуальны, и каждый хорош в том, чего не может другой. Вот честное разделение.

Семейство Ming — это две модели, а не одна.

Команда inclusionAI компании Ant Group открыла исходный код Ming-3.0-TTS в виде пары, использующей единый фреймворк генерации, — языковой модели, подающей данные в патч-голову диффузионного трансформера, и аудиотокенизатора.

• Ming-3.0-TTS-0.5B — плотная модель с примерно 500 млн параметров на базе Qwen2.5-0.5B, размер загрузки — 2.96GB, работает на H800-80GB или H20-96G.

Ming-3.0-TTS-Tiny — это модель на основе смеси экспертов, построенная на архитектуре Ling V3 от Ant, с общим числом параметров 7,9 млрд, из которых активны 1,3 млрд, и именно она добавляет режим подкаста с несколькими говорящими.

0.5B — интересный вариант для тех, кто просчитывал стоимость голосового продукта. TTS-модель с полумиллиардом параметров, умещающаяся в три гигабайта, — это не привязка к дата-центру; это одна GPU, которая, возможно, уже у вас есть. Tiny — это ставка на качество, и в собственных заметках Ant говорится, что его вывод для подкастов уступает более ранней Ming-Omni-TTS, — откровенное ограничение, и его стоит принимать как есть.

Набор функций: клонирование голоса в режиме zero-shot, дизайн голоса по текстовому описанию, более 100 встроенных китайских голосов и 5 английских, 14 встроенных паралингвистических тегов для смеха, вздохов и дыхания, управление стилем на естественном языке и вывод с частотой 44,1 кГц. Языки: китайский, английский, немецкий, испанский, французский, корейский и японский, а также сычуаньский и кантонский диалекты.

Что вместо этого предлагает GPT-Live-1

Модель OpenAI — это разговорный движок, а не синтезатор с интерфейсом сценариев. В API с 10 сентября 2026 года: принимает аудио и текст, возвращает аудио и текст, слушает, пока говорит, и передаёт рассуждения текстовой модели, когда вопрос требует этого. Одна конечная точка: v1/live/sessions. $0.05 за минуту, оплата посекундно. Отсечка знаний — июль 2025, документированного контекстного окна нет, доступа на бесплатном тарифе нет.

Документированной поддержки диалектов нет, клонирования голоса нет, оплаты по символам нет, и нет способа передать ему сценарий на 4 000 символов и получить обратно файл. Что у него есть — так это работающий механизм смены реплик — то, на что каждый каскадный голосовой агент тратит полгода настройки и всё равно ошибается на плохой телефонной линии.

Вопрос языка — в первую очередь.

Если ваши пользователи говорят на путунхуа, кантонском или сычуаньском, это сравнение можно завершить досрочно. {{1}}Ming-3.0-TTS{{/1}} создавалась для этих языков, публикует показатель частоты ошибок в словах по каждому языку и предлагает голоса, звучащие как родные, а не адаптированные. В документации {{2}}GPT-Live-1{{/2}} диалекты вообще не описаны, а доступные для наблюдения развёртывания — {{3}}ChatGPT Voice{{/3}} и теперь голосовой режим {{4}}Perplexity{{/4}} — это продукты, ориентированные в первую очередь на английский.

Если ваши пользователи говорят только на английском, преимущество Ming сводится к его лицензии и цене, а преимущество GPT-Live-1 становится целым разговорным слоем. Это и есть настоящая развилка, и она не имеет никакого отношения к Elo.

Единственное место, где языковой охват Ming действительно стратегически важен, — это продукт, который должен обслуживать несколько рынков одновременно: немецкий, испанский, корейский и японский в одном релизе. Ant сообщает, что его лучшие показатели ошибок на уровне слов для немецкого и испанского достигаются в варианте Tiny, при этом отмечает, что сходство с говорящим слабее в новых языках и в основном не входит в первую тройку. Вывод: широкий охват, неравномерная точность, и вам стоит проверять каждый рынок отдельно, а не доверять списку.

Утверждение о $0, проверенное аудитом

Ming бесплатен в том смысле, что лицензия ничего не стоит. Он не бесплатен в том смысле, что его обслуживание ничего не стоит, и каждая статья о «TTS с нулевой стоимостью» незаметно пропускает этот шаг.

Artificial Analysis вообще не указывает цену для Ming-3.0-TTS — в поле стоит N/A, потому что у inclusionAI нет размещённого коммерческого API, для которого можно было бы установить цену. Ваши затраты — это время GPU, и честная формула такова: (почасовая ставка GPU ÷ число символов, синтезируемых за час) × 1 000 000. Подставьте второе значение сами. Никто не публикует показатель пропускной способности для модели 0.5B, поэтому любая цифра на миллион символов, которую вы встретите в интернете — включая точку безубыточности $6.58, фигурирующую в сравнениях, — опирается на предположение о скорости, которое авторы модели не публиковали.

Что можно сказать, не выдумывая цифры: при аренде за $2 за GPU-час нужно синтезировать примерно полмиллиона символов в час, чтобы стоимость опустилась ниже $4 за миллион, — а такой темп требует, чтобы модель работала в несколько раз быстрее реального времени; модель 0.5B, вероятно, на это способна, а 7.9B MoE — вероятно, нет. Измерьте это, прежде чем строить на этом бизнес-кейс.

По сравнению с GPT-Live-1 арифметика проще именно потому, что тарификация линейна: один час разговора стоит $3.00, а вычисления на бэкенде оплачиваются отдельно. Никакого риска недоиспользования, никаких GPU, за которыми нужно присматривать, и никаких допущений, которые приходится защищать на совещании по бюджету.

Почему оба показывают 93,2%?

Любопытный момент, который собьёт с толку любого, кто сравнивает таблицы характеристик: Ming-3.0-TTS сообщает о 93,2% устойчивости произношения по измерению Artificial Analysis, заявляя о первом месте в целом. Drama 3 от Fish Audio сообщает те же 93,2% и также заявляет о первом месте. Две лаборатории, две архитектуры, одна и та же цифра с точностью до одного знака после запятой.

Воспринимайте это как свидетельство потолка, а не как решающий фактор. Оставшаяся доля сосредоточена в случаях, которые ломают любую модель TTS: буквенно-цифровые строки, необычные имена собственные, числа, читаемые в контексте, и омографы. Какая модель победит у вас, зависит от того, содержит ли ваш контент номера деталей или поэзию, и ответить на это может только ваш собственный набор для оценки.

На подмостках — с оговорками.

На снимке Provider Voice Arena от 29 октября 2026 года Ming-3.0-TTS занимает 1187 Elo — третье место среди моделей с открытыми весами, уступая Drama 3 с 1240 и Breeze TTS 2 с 1228, а рейтинг, который собственный репозиторий Ant указывает как третье место среди открытых весов на этом табло. На табло Controlled Voice, где каждая модель клонирует одни и те же восемь голосов, собственный репозиторий Ant заявляет о первом месте среди открытых весов с 1069 Elo и тринадцатом месте в общем зачёте.

GPT-Live-1 не фигурирует в этих рейтингах, поскольку не является моделью преобразования текста в речь в их понимании. Его оценки находятся в другом месте: 83,2 в Speech-to-Speech Index — второе место из 21, и 1037–1041 в Speech Agent Arena при успешности выполнения задач от 87,4% до 90,9%. Разные инструменты, разные шкалы, вычитать нельзя.

Где каждый из них проигрывает

Ming проигрывает в разговоре, и точка. Оно не слышит, не может перебить, не может решить замолчать. Любое развёртывание, где на другом конце линии нужен человек, вне области применения, каким бы хорошим ни был голос.

Ming также проигрывает в операционной простоте для небольших команд. GPU — это штука, которая падает в три часа ночи, требует подходящих драйверов и незаметно теряет производительность, когда карту использует ещё один клиент. Лицензия MIT не включает дежурного инженера.

GPT-Live-1 проигрывает по структуре затрат на текстоёмкой работе и по контролю над голосом бренда. Фиксированные голоса модели означают, что вы не можете выпустить ни голос основателя, ни лицензированного персонажа. А поминутный счётчик бьёт именно по той нагрузке, в которой TTS сильнее всего: длинный, сценарный, повторяющийся вывод, где слушать ничего не нужно.

Аспект маршрутизации, который действительно применим

Ни один из них не доступен на OrcaRouter, и об этом стоит сказать прямо: Ming-3.0-TTS — это открытые веса для самостоятельного развёртывания без размещённой конечной точки для маршрутизации, а GPT-Live-1 предоставляет единственную конечную точку сеанса, которую мы не обслуживаем. Но мы маршрутизируем модель рассуждений, лежащую в основе китайскоязычного голосового агента, — модели Qwen3.8 Max, GLM-5.3, Kimi K3 и Gemini доступны через один ключ с автоматическим переключением при сбое, по прайс-листовым ценам провайдеров, передаваемым с наценкой 0%.

Для двуязычного развёртывания это важнее, чем кажется. Выбор TTS обычно делают один раз — исходя из языкового покрытия; модель рассуждений за ним меняется по мере изменения цен и появления новых чекпоинтов для китайского языка. Возможность маршрутизировать это звено — самый дешёвый способ обеспечить устойчивость стека к будущим изменениям.

Что взять за основу

Стройте на Ming-3.0-TTS, если продукт говорит на китайском или обслуживает несколько азиатских и европейских рынков, если вы контролируете GPU и если вывод является сценарным, а не разговорным. Лицензия MIT — настоящий стратегический актив: её нельзя отозвать, изменить цену или ограничить по скорости, а вариант 0.5B делает барьер для пробы примерно равным одному дню.

Стройте на GPT-Live-1, если продукт — это разговор на английском, а планка качества — «ощущается ли это как человек на телефоне». Вы будете платить $0.05 в минуту вечно и не будете владеть ничем, а получите ту единственную возможность, которую область открытых весов ещё не выпустила на таком уровне качества: модель, которая слушает, пока говорит.

Не опирайтесь ни на один из них только потому, что так сказал лидерборд. Ming's 1187 и Live's 83.2 — это два разных инструмента, нацеленных на две разные задачи, и единственное сравнение, которое выдерживает проверку реальным развертыванием, — это то, которое вы проведёте на собственном аудио.