Ming-3.0-tts-0.5B против Qwen-Audio-3.0-TTS: свободные веса против 78 очков Elo

Поставьте Ming-3.0-tts-0.5B рядом с Qwen-Audio-3.0-TTS — и первое, что вы заметите, это то, что это не объекты одного типа. Ming — это чекпоинт на 2.96 GB, который вы скачиваете, лицензируете на условиях MIT и запускаете на собственной GPU. Qwen-Audio-3.0-TTS в том уровне качества, который A​libaba указывает как Qwen-Audio-3.0-TTS-Plus, — это хостируемый эндпоинт в A​libaba Cloud Model Studio, вообще без весов. На независимой речевой арене Artificial Analysis хостируемая модель набирает 1,266 Elo, а скачиваемая — 1,188: разрыв в 78 пунктов, и два доверительных интервала не пересекаются. Этот разрыв реален. Насколько он важен, зависит от того, покупаете ли вы голос или покупаете актив. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьёзности, оценку уверенности и отметку об оспаривании.

Короткий ответ — до доказательств

Если голос выходит в составе продукта в этом квартале и кто-то другой должен быть на связи, когда что-то сломается, Qwen-Audio-3.0-TTS-Plus — лучший выбор, и это не просто небольшое преимущество. Если вы создаёте контент, ориентированный в первую очередь на китайский язык, нуждаетесь в дизайне голоса или управлении диалектом либо не можете согласиться на тарификацию по символам, Ming-3.0-tts-0.5B — единственный из двух, который может стать вашим. Ни один из этих ответов не выдерживает встречи с бюджетной таблицей без изменений, и именно об этом пойдёт речь в остальной части этого материала.

Что на самом деле представляет собой каждая модель

Ming-3.0-tts-0.5B — релиз Ant Group с открытыми весами от inclusionAI, построенный на базе Qwen2.5-0.5B с головой diffusion-transformer и отдельным аудиотокенизатором. Он тихо вышел в два этапа — веса на Hugging Face в сентябре 2026 года, код инференса на GitHub 19 октября, — и Ant не анонсировала его. В комплект входят энкодер диктора и текстовый токенизатор, он выводит аудио с частотой 44,1 кГц и поддерживает клонирование, дизайн голоса по текстовому описанию, 14 встроенных паралингвистических тегов, управление эмоциями и атрибутами, семь языков и два китайских диалекта.

Qwen-Audio-3.0-TTS — это облачная линейка синтеза A​libaba, запущенная 20 июля 2026 года в двух уровнях: Flash для задач в реальном времени и Plus для максимального качества. Именно уровень Plus имеет измеренную позицию на арене, и именно к нему относятся все приведённые ниже цифры. Он охватывает 16 языков и 20 регионов китайских диалектов, поддерживает клонирование голоса и около 86 встроенных тегов подачи, а доступ к нему возможен только через API A​libaba. Здесь нет весов, нет локального развёртывания и нет лицензии, которую можно было бы проверить.

Одна странность с датами, о которой стоит упомянуть, потому что вы увидите обе даты: Alibaba выпустила линейку в июле, но в строке арены для модели Plus указана дата выпуска 15 сентября 2026 года. Мы трактуем это как дату, когда появилась оценённая версия или листинг, а не как вторую модель. Если вы указываете дату выпуска в документе, 20 июля — это запуск, а 15 сентября — это бухгалтерия арены.

Числа, которые их разделяют

• Arena Elo, голос провайдера — Ming-3.0-tts-0.5B 1 188 (интервал 1 173–1 203) против Qwen-Audio-3.0-TTS-Plus 1 266 (1 252–1 280). Интервалы не пересекаются.

• Arena Elo, контролируемый голос — Ming 1 069 (1 053–1 085) против Qwen-Plus 1 126 (1 113–1 139). Всё ещё явный разрыв — 57 баллов — на клонированных голосах, остающихся неизменными для всех моделей.

• Цена — у Ming она отсутствует; вы платите за вычисления. Qwen-Plus указан по цене $19,31 за миллион символов в столбце нормализованной цены арены.

• {{1}}Пропускная способность{{/1}} — Ming {{2}}42,1 символа в секунду времени генерации{{/2}} против Qwen-Plus 25,6, измерено на том же независимом стенде.

• Веса — чекпоинт под лицензией MIT против отсутствия такового.

• Языки — семь плюс сычуаньский и кантонский против 16 плюс 20 диалектных регионов Китая.

• Панель управления — инструкция в свободной форме, дизайн голоса, 14 паралингвистических тегов, явное указание эмоций/скорости/высоты тона/громкости против примерно 86 встроенных тегов и управления подачей в стиле инструкций.

Именно результат по пропускной способности удивляет людей. Плотная модель с полумиллиардом параметров и пакетом на 2,96 ГБ опережает хостинговый тариф Plus от Alibaba примерно на 65% по символам в секунду в независимом измерении. Это не упрёк Qwen — хостинговые эндпоинты рассчитаны на параллельные запросы, а показатель пропускной способности арены измеряется при одном запросе за раз — но это означает, что в этом сравнении небольшая модель не является медленной.

Откуда берутся 78 баллов

Elo предпочтений не говорит вам, что именно не так. А прослушивание двух систем на одном и том же тексте — говорит, и эта закономерность согласуется с тем, что признаёт собственная карточка модели Ant.

Ant на удивление простым языком публикует свои слабые стороны: сходство голоса говорящего уступает точности содержания, сходство для французского — самый очевидный разрыв между языками, предложения с несколькими паралингвистическими событиями всё ещё нестабильны, а открытый голосовой дизайн пока не соответствует сильнейшей из оценённых систем. На арене это проявляется в клонированном голосе, который конкурентоспособен — первый среди моделей с открытыми весами в контролируемом рейтинге, — и в наборе нативных голосов, который таковым не является. Позиция Ming в рейтинге провайдерских голосов, 19-я из 98, снижается из-за более чем 100 встроенных китайских и пяти английских голосов, а не из-за клонирования.

Преимущество Qwen имеет противоположную форму. Его собственные голоса — это и есть продукт; тариф Plus был создан так, чтобы звучать законченным «из коробки», и это подтверждается измерениями как у провайдера, так и в контролируемых условиях. У него также есть языковая широта, которая бывает у компании, управляющей облаком: 16 языков и 20 регионов китайских диалектов против семи и двух у Ming.

Если говорить о точности, а не о предпочтениях, сравнение оказывается менее убедительным, чем предполагает разрыв в Elo. У Qwen-Audio-3.0-TTS нет опубликованной A​libaba таблицы ошибок на уровне слов, которую мы могли бы проверить на общем тестовом наборе, а цифры Ming для Seed-TTS — 0,800% для китайского, 1,584% для английского — получены самой Ant на её стенде с рекомендованными Ant настройками. Ни одна из сторон не даёт сопоставимого показателя ошибок. В итоге у вас есть оценка предпочтений для обеих моделей и таблица от одного производителя для одной.

Две модели оплаты — и счётчик, который никто не печатает

Сравнение цен — это не 19,31 доллара против нуля. Это счётчик за символ против счётчика за GPU-час, и второй остаётся невидимым, пока его не запросит ваша финансовая команда.

Qwen выставляет счёт за каждый символ входного текста. При цене $19,31 за миллион символов миллион символов готовой озвучки стоит $19,31, а сумма масштабируется линейно и предсказуемо. Вы можете внести это в таблицу ещё до того, как напишете хотя бы строку кода.

Ming выставляет счёт в GPU-времени. Релиз протестирован на H800-80GB и H20-96G, требует PyTorch 2.6 с CUDA 12.4 и поставляется с Dockerfile, но без хостингового эндпоинта. При измеренной на арене скорости 42,1 символа в секунду генерация миллиона символов занимает около 6,6 часа на оборудовании такого класса — ещё до учёта загрузки модели, очереди и неудачных запросов. Будет ли это дешевле $19.31, полностью зависит от стоимости вашего GPU-часа и того, насколько полно вы его загружаете, — и именно этот расчёт решает исход этого противостояния для большинства команд.

Именно здесь слой маршрутизации оправдывает своё существование, не притворяясь, что размещает ту или иную модель. OrcaRouter не предоставляет Ming-3.0-tts-0.5B или Qwen-Audio-3.0-TTS, и ничто здесь не должно намекать на обратное; обе доступны через собственные каналы — Model Studio от Alibaba для Qwen и ваша собственная инфраструктура для Ming. Что мы действительно предоставляем — это текстовую часть того же конвейера по прайс-листовой цене провайдера с наценкой 0 % — так что изменение цены от текстового провайдера, которого мы маршрутизируем, становится вашей ценой в тот же день — с автоматическим переключением при сбое между провайдерами для модели, которая пишет сценарий, размечает эмоцию или управляет агентом. Речь — дорогая и медленная половина голосового продукта; половина, стоящая перед ней, не должна быть ещё и хрупкой.

Проблема преемника

В этом решении есть третья модель, которой нет в заголовке: Qwen-Audio-3.1-TTS-Plus, выпущенная 24 сентября 2026 года. Она набирает 1 300 Elo на той же арене — на 34 балла выше уровня 3.0 Plus — при той же цене $19.31 за миллион символов.

Перечитайте это ещё раз глазами покупателя. Alibaba выпустила более совершенную модель через пять недель после той, что представлена в этом сравнении, по неизменной цене и в том же семействе эндпоинтов. Тот, кто сегодня выбирает Qwen-Audio-3.0-TTS, выбирает модель, которую её собственный поставщик уже заменил более новой — без какой-либо скидки. Уровень 3.0 по-прежнему указан в списке и по-прежнему хорош — 1,266 Elo — это шестое место в таблице из 98 — но правильный хостинговый выбор в этом семействе теперь 3.1, а не 3.0.

У Ming нет такой проблемы, потому что у него нет преемника и нет ритма выпусков. Это настоящее преимущество для команды, которой нужен стабильный артефакт, и настоящий риск для той, которой нужен лучший голос, доступный через шесть месяцев. Выпуск без анонса и без обязательств по дорожной карте может незаметно заглохнуть в любом из направлений.

Кто должен выбирать

Выбирайте Qwen-Audio-3.1-TTS-Plus — а не 3.0 — если вам нужно наивысшее измеренное качество в этом семействе при известной цене за символ, требуется широкое языковое покрытие или вы хотите, чтобы за доступность отвечал кто-то другой. Смиритесь с оплатой по счётчику и с тем, что следующая ступень появится без предупреждения.

Выбирайте Ming-3.0-tts-0.5B, если голос должен работать внутри вашего собственного периметра, если ваш контент ориентирован прежде всего на китайский и требует сычуаньского или кантонского диалекта, если вы хотите создать голос по описанию, а не выбирать из готового набора, или если ваш объём достаточно велик, чтобы уже имеющийся у вас GPU оказался выгоднее оплаты за символ. Заложите бюджет на инженерные работы: окружение зафиксировано, нормализация текста требует библиотеки FST, для которой нет универсального wheel, а единственные опубликованные показатели пропускной способности получены с одного независимого тестового стенда.

Пока не выбирайте ни один из них, если вам нужен контракт на поддержку. У Ming нет ни анонса, ни хостингового варианта, ни заявленных обязательств по поддержке; у Qwen есть все три, но уровень 3.0 — уже не тот, который стоит покупать. Честный вывод: это не равный бой, и он никогда таким не задумывался — один представляет собой исследовательский релиз с лицензией, а другой — облачный продукт с тарифной сеткой — и полезный вопрос в том, что именно из этих двух действительно нужно вашему проекту.