Ming-3.0-tts-tiny против Breeze-TTS-2: веса MIT против некоммерческой лицензии

Две открытые модели синтеза речи вышли с разницей в месяц, и они соревнуются не на одной оси. Ming-3.0-tts-tiny от inclusionAI (Ant Group) — это MoE-чекпоинт на 7,9 млрд параметров, который активирует около 1,3 млрд параметров на токен, распространяется под MIT и покрывает девять языков, включая два китайских диалекта. Breeze-TTS-2 от BreezeBlue — это плотная модель на 3 млрд параметров, которая покрывает только английский и китайский, публикует свой код под Apache 2.0 и выпускает веса под исследовательской и некоммерческой лицензией с исключением для платного хостинга. Главный вопрос — какая звучит лучше — оказывается наименее решающим, потому что запись на арене, которая выглядит как результат Ming, принадлежит совсем другому чекпоинту, и именно разница в лицензиях решает, сможете ли вы вообще выпускать продукт. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в the OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Ни один из вендоров не объявлял о событии общего доступа (general availability) в привычном смысле, и оба эти факта здесь важны. Веса Breeze-TTS-2 появились 25 августа 2026 года, а наборы для голосового дизайна и тестирования задержки последовали 7 августа. Ming-3.0-tts-tiny присутствовал на Hugging Face с 24 сентября, но стал запускаемым только 19 октября, когда его код инференса и кукбук задач появились на GitHub. Таким образом, это сравнение двух артефактов, которые вам придётся размещать самостоятельно; оно написано до того, как у любого из них появилась цена за хостинг, которую можно привести, и соответствующим образом помечено по всему тексту.

Начните с лицензии, потому что для некоторых команд она прекращает спор.

Две эти лицензии не являются разновидностями одного и того же разрешения. Это разные категории разрешения.

• Ming-3.0-tts-tiny — MIT, в равной мере для весов и кода. Вы можете использовать его в коммерческих целях, изменять, распространять и поставлять в составе закрытого продукта. Ant прилагает примечание об использовании с просьбой не выдавать себя за других людей без согласия и маркировать синтетическое аудио; это просьба, изложенная в документации, а не условие предоставления прав.

• Breeze-TTS-2 — Apache 2.0 для исходного кода и отдельная «BreezeBlue Research and Non-Commercial License» для весов. Коммерческое использование выходных данных, полученных через хостинговый сервис, требует платной подписки BreezeBlue; но даже в этом случае подписка не распространяет коммерческие права на открытые веса или на выходные данные, которые вы генерируете, самостоятельно размещая эти веса.

Прочитайте второй пункт внимательно, потому что очевидное толкование — неправильное. Оплата BreezeBlue не превращает веса в нечто, что вы можете использовать коммерчески; она лицензирует хостинговый путь. Самостоятельный хостинг считается некоммерческим независимо от того, есть ли у вас подписка. Если ваш план — «дообучить модель 3B, разместить её за нашим собственным эндпоинтом и брать за это деньги», лицензия закрывает эту дверь, а MIT оставляет её открытой. Для внутренних исследований, оценки или прототипа, который никогда не будет приносить деньги, это различие ничего не стоит.

Есть вторая связанная с лицензированием разница, которая влияет на большее число развёртываний, чем любой из двух абзацев выше. Релиз Ming поставляет целый конвейер — магистральную модель, диффузионную голову, аудиотокенизатор, кодировщик диктора и текстовый токенизатор — как один набор весов. Breeze поставляет свой код и веса с путём вывода, упакованным сразу для нескольких сред выполнения: экосистема производных вокруг Breeze-TTS-2 включает сборки MLX в 4-битном и 8-битном форматах плюс порт полной точности, квантования GGUF, преобразования int8 и int4, сборку HQQ int4, сборку ROCm/RDNA4 BF16 от 18 октября, сборку GPTQ int4 ROCm от 19 октября, файнтюны ComfyUI и LoRA для бразильского варианта португальского, опубликованную 6 октября. У Ming-3.0-tts-tiny ничего этого нет, потому что рабочий путь вывода у него появился менее суток назад.

Разница в занимаемом объёме составляет примерно один порядок.

Здесь «tiny» перестаёт означать «маленький». Название описывает активные параметры на токен, а не объём памяти, который вам нужен.

• Ming-3.0-tts-tiny — 8 980 964 372 параметра в BF16 плюс 40 096 в F32 согласно собственным метаданным Hugging Face, около 18 ГБ хранилища репозитория и рекомендуемая H800 в примечаниях вендора по окружению. Вы платите памятью модели на 7,9 млрд параметров, а получаете задержку модели на 1,3 млрд — это хороший компромисс для пакетного синтеза на арендованном оборудовании и плохой для всего, где внутри карта на 12 ГБ.

• Breeze-TTS-2 — плотная модель с 3 млрд параметров, около 7,7 ГиБ видеопамяти в режиме eager и около 14,4 ГиБ при включённом --fast-all. BreezeBlue рекомендует 12 ГБ или 24 ГБ в зависимости от выбранного пути и отмечает в документации, что его Docker-образы по умолчанию ориентированы на H100/Hopper sm90, тогда как владельцам A100 необходимо задать FLASH_ATTN_CUDA_ARCHS=80.

• Модель параллелизма Ming — точка входа Python на каждую задачу с фиксированными значениями по умолчанию: guidance scale 2.0, нулевая температура, десять шагов потока, sigma 0.25, seed 1234. Поддержка vLLM-Omni есть в дорожной карте и не отмечена как выполненная, поэтому сегодня нет пути обслуживания с высокой пропускной способностью.

• Модель конкурентности Breeze — HTTP-стриминговый API с одной одновременной сессией, возвращающий монофонический PCM 24 кГц, 16-битный со знаком, little-endian, с заявленным временем до первого аудио менее 40 миллисекунд на прогретом H100 и коэффициентом реального времени 0,32, что примерно в 3,1 раза быстрее реального времени.

Эта последняя пара — честная суть компромисса. Breeze спроектирован под потоковую задержку при обработке одного запроса за раз; Ming спроектирован под пропускную способность на единицу вычислений при разреженной активации и не опубликовал стек обслуживания. Если ваш продукт — живой голосовой агент, это не эквивалентные отправные точки. Если ваш продукт — ночной пакет озвучивания, модель конкурентности значит гораздо меньше, чем лицензия и счёт за память.

Языковой охват далеко не сопоставим, и разрыв носит односторонний характер.

Breeze-TTS-2 поддерживает английский и китайский языки. В его карточке это указано прямо, без оговорок, и там же задокументированы встроенные вокальные события для обоих языков — (laugh) и (sigh) в английском, [笑] и [叹气] в китайском — а также клонирование по референсному клипу с точной транскрипцией и управление голосовой подачей.

Ming-3.0-tts-tiny поддерживает китайский, английский, немецкий, испанский, французский, корейский и японский языки, а также сычуаньский и кантонский при наличии эталонного аудиофрагмента с диалектом. Он добавляет свободное управление стилем, создание голоса по описанию на естественном языке, более 100 встроенных китайских голосов и пять английских, а также 14 встроенных паралингвистических тегов. Он также умеет генерировать подкасты с несколькими говорящими, чего Breeze не пытается делать.

Подвох — в собственной многоязычной таблице Ant, и это первое, что стоит прочитать, прежде чем предполагать, что девять лучше двух. По корейскому Ming-3.0-tts-tiny показывает 6,000% ошибок на уровне символов — шестое место среди восьми систем, протестированных Ant, — против 1,728% у собственной 0.5B-модели Ant. По французскому она вторая по частоте ошибок, но её показатель сходства с голосом диктора 0,733 не входит в первую тройку — ограничение, о котором сама карточка и сообщает. Немецкий (0,325%) и испанский (0,971%) — первые места в этой таблице. Итак, честный вывод: пять из семи языков Ming заслуживают доверия, корейский пока нет, а поддержка диалектов уникальна, но не проверена за пределами тестового стенда Ant. Breeze, напротив, не заявляет ничего, чего не покрывает, — два языка, и каждый результат в её карточке относится к этим двум.

Цифры арены — и почему они не являются прямым сравнением

У Breeze-TTS-2 есть отдельная оценка. У Ming-3.0-tts-tiny её нет, а запись, которая выглядит как таковая, принадлежит другой модели.

• {{1}}Breeze-TTS-2{{/1}} на платформе {{2}}Artificial Analysis{{/2}}: по данным актуальных таблиц на 19 октября 2026 года — 1 220 Elo в Provider Voice, где каждая модель использует собственный набор голосов, и 1 019 в Controlled Voice, где каждая модель клонирует одни и те же восемь эталонных голосов.

• Строка Ming на тех же лидербордах — 1 188 в Provider и 1 069 в Controlled — связана с Ming-3.0-tts-0.5B, плотным собратом с полумиллиардным бэкбоном, а не с крошечным чекпойнтом. README Ant на GitHub воспроизводит эти цифры в разделе результатов без такого разграничения. Стоит сказать прямо: для Ming-3.0-tts-tiny нет независимого Elo, нет измеренной скорости в символах в секунду и нет сторонней частоты ошибок в словах.

• Собственный лидерборд страницы проекта указывает для Breeze 1,222 в Provider и 1,018 в Controlled — расхождение в два пункта с актуальной таблицей в каждую сторону. Именно так выглядит таблица, когда голоса всё ещё накапливаются; ссылайтесь на актуальные цифры и отмечайте округление, если сравниваете документы.

• В контролируемой таблице порядок систем с открытыми весами таков: Ming-3.0-tts-0.5B — 1 069, Fish Audio Drama 3 Preview — 1 059, Breeze-TTS-2 — 1 019. В таблице провайдеров Breeze возглавляет эту группу с 1 220, а Ming-3.0-tts-0.5B — 1 188. Таким образом, маленькая модель Ming выигрывает, когда голос фиксирован, и проигрывает, когда каждая система приносит свой состав голосов, — что кое-что говорит о записях голоса BreezeBlue и очень мало об архитектуре.

Ничто из этого не переносится на крошечный чекпойнт ни в одном из направлений. Читатель мог бы обоснованно предположить, что модель Mixture-of-Experts на 7,9 млрд параметров с более высоким показателем сходства с китайскими говорящими, чем у её 0,5-миллиардного собрата, покажет более высокий результат на контролируемом стенде. Это предположение не проверено, это не число, и в этом материале оно не будет представлено как число.

Для чего каждый из них на самом деле нужен

Отбросьте списки характеристик — и окажется, что эти две модели решают разные задачи.

Breeze-TTS-2 — это релиз, ориентированный в первую очередь на развёртывание. Два языка, плотная модель на 3 млрд параметров, которая помещается на карту с 12 ГБ в режиме eager, потоковый API с документированной схемой задержек, контейнер, ориентированный на дата-центровые Hopper, но который можно пересобрать для A100, и экосистема квантованных и специфичных для сред исполнения портов, появившихся в течение восьми недель после публикации весов. Его число загрузок — 14 636 за последний месяц при 747 лайках и 17 Spaces — вот как выглядит внедрение, когда модель легко запустить. Его ограничение — лицензия: исследовательские и некоммерческие веса, а платный хостинговый путь не даёт прав на коммерческий self-hosting.

Ming-3.0-tts-tiny — это релиз, ориентированный в первую очередь на возможности. Девять языков, управление диалектами, голосовой дизайн, паралингвистическая система из 14 тегов, генерация подкастов с несколькими спикерами и лучший в своём семействе показатель клонированного голоса — 0,781 схожести с китайским диктором. Ограничение — всё, что окружает эти возможности: загрузка на 18 ГБ, разреженная активация, требующая реальной памяти GPU, история с сервингом, которая пока лишь галочка в дорожной карте, отсутствие независимого бенчмарка и отсутствие анонса. Двадцать загрузок и три лайка на Hugging Face, пять звёзд на GitHub и двенадцать коммитов в документацию всего за полдня говорят о том, что поставщик всё ещё пишет руководство.

Если вам нужно выпустить двуязычную голосовую функцию в этом квартале на уже имеющемся у вас оборудовании, Breeze-TTS-2 с коммерческим соглашением — более короткий путь, и предметом переговоров должна быть лицензия, а не математика. Если вам нужны немецкий, испанский, японский, кантонский или формат подкаста, Breeze не поможет, и Ming — единственный вариант с открытыми весами и опубликованной таблицей — при условии, что вы можете осилить требования к памяти и принять, что корейский пока не готов.

OrcaRouter не маршрутизирует ни одну из этих моделей, и эту статью не следует читать как намёк на обратное. В каталоге находится текстовая половина пайплайна, к которой подключаются эти голоса: более 200 моделей за одним ключом, по прайс-листовой цене провайдера без какой-либо наценки, поэтому изменение цены у поставщика вступает в силу у нас в тот же день, а не в рамках цикла обновления. Когда вы сравниваете два самостоятельно размещённых чекпоинта и ни у одного из них нет хостингового тарифа, единственный регулярный счёт, которым вы действительно можете управлять, — это модель, которая пишет сценарий, и именно эту часть стоит маршрутизировать, а не арендовать ради неё GPU.

Вердикт, который выдерживает проверку доказательствами, оказывается более узким, чем предполагает разрыв в Elo. При сопоставимом коммерческом развёртывании лицензия MIT решает вопрос ещё до того, как будет прочитан хотя бы один бенчмарк. В чувствительной к задержке двуязычной работе инженерные решения Breeze решают вопрос раньше, чем лицензия. А по вопросу, ради которого пришло большинство читателей — звучит ли большая модель лучше — честный ответ таков: никто это не измерял; строка в арене, на которую все будут ссылаться, относится не к тому чекпойнту; и первый, кто прогонит обе модели на одном и том же эталонном аудио, получит единственное число, достойное цитирования.