Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS: у одного есть прайс-лист, у другого — репозиторий

Все хотят сравнить два результата бок о бок, но сегодня это невозможно сделать честно. Ming-3.0-tts-tiny — это речевой чекпоинт на основе смеси экспертов (MoE) с 7,9 млрд параметров от inclusionAI (Ant Group), выпущенный в виде весов под лицензией MIT, без хостируемого эндпоинта и без независимой оценки. Qwen-Audio-3.0-TTS — это хостируемый эндпоинт синтеза в Alibaba Cloud Model Studio, запущенный 20 июля 2026 года, продаваемый в тарифах Flash и Plus, вообще без весов и без опубликованной таблицы частоты ошибок. У одной стороны есть позиция в рейтинге и цена. У другой — пайплайн, который можно скачать, и вендорский набор бенчмарков. Полезная работа здесь не в том, чтобы выбрать победителя из этих двух артефактов, а в том, чтобы понять, какие числа можно ставить рядом друг с другом, а какие нельзя. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись имеет собственные источники, уровень серьезности, степень уверенности и флаг спорности.

Даты имеют значение, потому что ни один из продуктов не появился так, как можно было бы предположить по анонсу запуска. Репозиторий Ming-3.0-tts-tiny на Hugging Face был создан 22 сентября 2026 года, а сам чекпоинт загружен 24 сентября. Три с половиной недели это была папка с весами, которые нечем было запустить: код инференса, примеры в один клик и сборник рецептов по задачам появились на GitHub только 19 октября в 08:58 UTC — девятью коммитами за один день. Ant это не анонсировала: ни поста в блоге, ни видео с карточкой модели, ни технического отчёта. Qwen-Audio-3.0-TTS, напротив, получил настоящий запуск и до сих пор присутствует в прайс-листе A​libaba — а уровень Plus, важный для качества, остаётся верхней ступенью в линейке синтеза A​libaba даже после появления поколения 3.1 в сентябре.

Строка в таблице лидеров — это неверный чекпойнт, и в репозитории об этом не сказано.

Начните отсюда, потому что именно эту ошибку совершит первая волна сравнительных публикаций. Artificial Analysis ведёт две голосовые таблицы лидеров, и в обеих присутствует модель под названием Ming-3.0-tts. По состоянию на 19 октября у неё 1,188 Elo в таблице Provider Voice и 1,069 в таблице Controlled Voice.

Эта запись — модель 0.5B, а не эта. У Ming-3.0-tts-tiny вообще нет строки в Arena — ни в рейтинге, ни вне рейтинга, ни в предварительном списке. README на GitHub воспроизводит цифры 1 188 и 1 069 в разделе результатов, не уточняя, какой чекпойнт их дал, — и именно так число получает неверную метку через два репоста.

Итак, когда вы видите «Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266», на самом деле сравнивается плотная модель Ant с половиной миллиарда параметров с крупнейшим хостинговым тарифом Alibaba, а модель из заголовка этой статьи отсутствует в таблице. Разрыв в 78 пунктов реален для 0.5B. Он ничего не говорит о крошечной MoE — ни в ту, ни в другую сторону. Крошечная модель может быть лучше; никто не ставил её перед панелью предпочтений.

Отсутствие — это не низкий балл. Это модель без оценки, и именно это различие является главной причиной существования данного раздела.

Что на самом деле представляет собой каждая сторона

Уберите маркетинг — и эти два объекта будут различаться по роду прежде, чем по качеству.

• Форма — Ming-3.0-tts-tiny — это чекпоинт, который вы скачиваете: примерно 18 ГБ, 8 980 964 372 параметра в BF16 плюс 40 096 в F32, включая основу Ling V3, голову диффузионного трансформера, аудиотокенизатор, кодировщик диктора CAM++ и текстовый токенизатор. Qwen-Audio-3.0-TTS — это HTTP-эндпоинт, возвращающий аудио; ничего не нужно скачивать и не нужно проверять лицензию.

• Параметры — 7,9 млрд всего, из которых около 1,3 млрд активны на токен, разреженная смесь экспертов, в сравнении с размещённой моделью, для которой Alibaba не публикует число параметров.

• Лицензия — MIT как на веса, так и на код, с примечанием об использовании, в котором вас просят не выдавать себя за других людей без их согласия и помечать синтетическое аудио. Для хостингового варианта — коммерческие условия использования API.

• Языки — китайский, английский, немецкий, испанский, французский, корейский и японский, а также сычуаньский и кантонский при наличии опорного диалектного аудиоклипа. Qwen-Audio-3.0-TTS перечисляет 16 языков и 20 китайских диалектных регионов.

• Управление — zero-shot-клонирование, дизайн голоса по описанию, свободные инструкции по стилю, 14 встроенных паралингвистических тегов, явные настройки эмоций, скорости, высоты тона и громкости, а также задача многоголосого подкаста. Qwen-Audio-3.0-TTS предоставляет клонирование, а также около 86 встроенных тегов подачи и управление в стиле инструкций.

• Цена — на стороне Ming-3.0-tts-tiny тариф не указан; вы платите за время работы GPU. Qwen-Audio-3.0-TTS-Plus стоит ¥1,4 за 10 000 символов по пекинскому прайс-листу A​libaba, что Artificial Analysis нормализует до $19,31 за миллион символов.

• Независимая оценка — отсутствует для Ming-3.0-tts-tiny. 1 266 Эло в Provider Voice и 1 126 в Controlled Voice для Qwen-Audio-3.0-TTS-Plus, причём оба доверительных интервала не пересекаются со значениями 1 188 и 1 069 в строке Ming-3.0-tts.

Два вида доказательств, которые не преобразуются друг в друга

Арена измеряет предпочтения. Таблицы Ant измеряют ошибку и сходство. Ни арена, ни таблицы не преобразуются друг в друга, и следует противостоять искушению рассматривать разрыв в Elo как множитель качества.

То, что даёт Qwen-Audio-3.0-TTS, — это относительное суждение толпы о его встроенных голосах, подкреплённое количеством выборок и доверительными интервалами. То, что даёт Ant, — это измерение лабораторией собственной модели на фиксированном тестовом наборе, причём испытательный стенд, эталонные аудиофрагменты и код оценки выбраны одной и той же командой, создавшей модель. Оба подхода законны. Ни один из них не заменяет другой, и только один из них существует для модели, указанной в заголовке этой статьи.

Линейка Ant широка, и стоит узнать, что в неё входит, прежде чем её отвергать. На китайском наборе Seed-TTS крошечная модель показывает 0,820% ошибок в словах при сходстве с диктором 0,781 — лучший показатель сходства во всех опубликованных таблицах Ant, включая 0,758 у её собственного 0,5B-собрата. На английском — 1,666% при 0,728. Немецкий даёт 0,325% ошибок на уровне символов, испанский — 0,971%, и оба занимают первое место в сравнении восьми систем Ant. Японский — 3,427%, французский — 3,470%. В однособытийном паралингвистическом тесте NVBench она лидирует во всех шести категориях: 17,23 PCER на китайском и 32,95 на английском. Диалектные наборы дают 86,09% точности на WSC-Eval-TTS easy и 92,90 на WSYue base, эмоциональный набор — 74,00% в среднем на CV3, а голосовой дизайн — 75,37% на InstructTTSEval-ZH. Всё это — собственный стенд Ant: запуск — Ant, отчётность — Ant, воспроизведение — никто.

Честная формулировка такова: {{1}}Qwen-Audio-3.0-TTS{{/1}} оценивали посторонние, а {{2}}Ant{{/2}} был оценён своим автором. Это не упрёк ни одному из них; это констатация того, что представляют собой эти два числа.

Единственное прямое сравнение, которое Ant всё же публикует, — и оно против самой себя

В этом наборе тестов есть результат, который ведёт себя как настоящее сравнение, потому что конкурент — собственная модель Ant 0.5B, и разница достаточно велика, чтобы сохраниться при использовании другого тестового стенда.

На корейском Ming-3.0-tts-tiny показывает частоту символьных ошибок 6,000 %. Модель 0.5B — 1,728 %. Та же команда, тот же тестовый набор, тот же день отчётности — разница примерно в 3,5 раза, причём в том направлении, которого никто не ожидал от более крупной модели. В карточке модели это не объясняется, а в разделе ограничений корейский указан среди известных слабых мест без объяснения механизма.

Есть структурное объяснение, и его следует обозначать как гипотезу, а не как вывод: разреженные модели направляют каждый токен через подмножество экспертов, поэтому язык, получивший меньше обучающего сигнала внутри смеси, может деградировать быстрее, чем в плотной модели сопоставимого общего размера. Это правдоподобно. Это не измерено. Что можно обоснованно утверждать — это более узкий практический вывод: если в вашем продукте есть корейский, этот чекпойнт — не тот, который стоит выбирать, пока кто-нибудь не запустит его на реальном корейском тексте и не опубликует результат.

Qwen-Audio-3.0-TTS покрывает корейский язык в рамках своих 16 языков, а Alibaba не публикует частоту ошибок по отдельным языкам, с которой можно было бы сопоставить 6.000% Ant. Поэтому даже это слабое место нельзя превратить в сравнение. Его можно воспринимать только как предупреждение.

Миллион символов — двойная цена

Здесь два продукта перестают быть абстракциями.

Qwen-Audio-3.0-TTS тарифицируется по символам. При нормализованной цене арены $19,31 за миллион символов миллион символов готовой озвучки стоит $19,31, а сто миллионов — $1 931. Цифра линейна, предсказуема и доступна ещё до того, как вы напишете хоть строку кода. Пропускная способность на том же независимом стенде составляет 25,61 символа в секунду времени генерации, что при масштабе API является вопросом параллелизма, а не тарификации.

Ming-3.0-tts-tiny тарифицируется в GPU-часах, и в середине этих расчетов зияет дыра. У 0.5B-собрата измеренная скорость составила 42,1 символа в секунду; tiny-модель вообще не измеряли. Позаимствовать пропускную способность у собрата нельзя, потому что tiny-модель активирует примерно в два с половиной раза больше параметров на токен и занимает около 18 ГБ вместо 2,96 ГБ. Рекомендуемая Ant карта — H800, а зафиксированное окружение — Python 3.10.15, torch и torchaudio 2.7.1 с CUDA 11.8, transformers 4.46.3 — это единственное утверждение о производительности в релизе.

Так что проведите расчёт открыто, вместо того чтобы делать вид, что вопрос решён. При 20 символах в секунду миллион символов — это примерно 14 часов генерации; при 10 символах в секунду — около 28. Умножьте эти часы на вашу собственную стоимость GPU-часа, добавьте время загрузки модели, ожидание в очереди и повторные попытки и сравните с $19.31. При объёме менее нескольких миллионов символов в месяц тариф на хостинге обычно выигрывает по совокупной стоимости, если учитывать чьё-то время. Свыше этого на оборудовании, которым вы уже владеете и которое постоянно загружено, предельная стоимость часа для чекпойнта такая же, как и для первого часа, — это структурное преимущество, с которым не сравнится ни одна тарифная сетка.

Одно обстоятельство, которое сравнение цен не должно скрывать: эти две модели не являются одним и тем же продуктом ни при какой цене. Уровень Plus в Qwen-Audio-3.0-TTS — это готовый каталог голосов на 16 языках; Ming-3.0-tts-tiny — это конвейер, которым вы управляете сами и качество вывода которого вы оцениваете сами.

Вопрос об уровне, который Alibaba так и не решила

Тот, кто сегодня выбирает Qwen-Audio-3.0-TTS, выбирает внутри семейства, которое изменилось под ним. Линейка Qwen-Audio-3.1 была анонсирована 23 сентября 2026 года, и Artificial Analysis указывает Qwen-Audio-3.1-TTS-Plus с 1 300 Elo в Provider Voice и 1 186 в Controlled — выше, чем 3.0 Plus, в обеих таблицах, с датой 24 сентября, при той же цене $19.31 за миллион символов.

Но публичный прайс-лист Alibaba включает только SKU Flash для 3.1 TTS, поэтому вопрос о том, доступен ли сегодня уровень 3.1 Plus для вызова, следует адресовать собственной консоли поставщика, а не выводить из таблицы лидеров. В любом случае практический вывод один и тот же: уровень 3.0 Plus не устарел, но он уже не является самым новым из того, что Alibaba оценила, и покупателю следует уточнить, какой именно SKU он фактически заключает контракт, прежде чем сравнивать его цену с чем-либо.

Для Ming-3.0-tts-tiny вообще нет вопроса о тирах — есть один чекпоинт, нет дорожной карты с датами, и есть примечание о поддержке vLLM-Omni, появившееся в документации в тот же день, что и код.

Что репозитории не устанавливают

Четыре пробела стоит назвать, прежде чем кто-либо начнёт планировать с учётом этой модели.

• Нет независимой оценки — нет строки в арене, нет стороннего показателя частоты ошибок в словах, нет измеренной пропускной способности. Строка, которая выглядит как строка Ming-3.0-tts-tiny, принадлежит модели 0.5B.

Технического отчёта нет — в дорожной карте он отмечен как невыполненный, а карточку модели отредактировали 16 октября, удалив упоминание о нём.

• Нет хостингового эндпоинта — нет API от первой стороны и нет цены, поэтому единственный путь в продакшен — ваша собственная инфраструктура.

• Нет рецепта дообучения — репозиторий документирует задачи инференса, а не обучения. LoRA или полное дообучение этой контрольной точки не задокументированы, и это иная ситуация, чем у модели, которая поставляется со скриптами обучения.

На момент фиксации в репозитории Hugging Face было 20 загрузок и 3 лайка, а в репозитории GitHub — несколько звёзд и ни одного релиза. Это не доказывает ничего, кроме того, что релиз прошёл тихо, — и это единственное утверждение, в котором этот материал уверен.

Какова практическая ценность этого сравнения

Если вам нужен голос в продакшене уже в этом месяце, более чем на паре языков, а ответственность за безотказную работу нес кто-то другой, Qwen-Audio-3.0-TTS-Plus — это оправданный выбор: у него есть оценка, цена, документация и поддержка, а 1,266 Elo — это измеренный результат, а не заявление.

Если вам нужно владеть моделью — клонировать голоса, которые нельзя передавать третьим лицам, генерировать в объёме, при котором основную роль играет оплата за символ, поставлять по лицензии, разрешающей перераспространение, — Ming-3.0-tts-tiny — единственная из двух, которая может быть вашей. Взамен примите, что вы первыми проведёте её бенчмарк, что корейский — известная слабость, о которой публикует сам поставщик, и что пайплайну всего неделя.

OrcaRouter не маршрутизирует ни ту, ни другую модель, и ничто здесь не должно восприниматься как утверждение об обратном; доступ к речи осуществляется через собственный канал каждого поставщика, а к чекпоинту Ming-3.0-tts-tiny — через ваше собственное оборудование. Мы маршрутизируем текстовую половину того же конвейера — более 200 моделей за одним ключом, по прайс-листовой цене провайдера без добавленной наценки, так что изменение цены у текстового провайдера становится вашей ценой в тот же день. Для голосового продукта сценарий, SSML-подобные указания и агент, решающий, что сказать, — всё это текст, и именно та часть, где второй контракт с поставщиком ничего вам не даёт.

Числа, которое решило бы этот вопрос, пока не существует. Это не рейтинг Elo; это один прогон на H800 — запуск крошечного чекпойнта на тех же эталонных клипах, которые использовал Ant, с публикацией результатов вместе с харнессом. Пока кто-нибудь этого не сделает, честная позиция — та, которую занял этот материал: два заслуживающих доверия артефакта, один с оценкой, другой без, и сравнение, которое приходится проводить по принадлежности, структуре цены и языковому риску, а не по качеству.