Ming-3.0-tts vs Cartesia Sonic 3.6: один правильно читает номер вашего счёта, другой отвечает за 90 мс

Поставьте Ming-3.0-tts и Cartesia Sonic 3.6 на одну строку речевой арены Artificial Analysis — и табло отдаёт победу Cartesia: 1 290 Elo против 1 188 по Provider Voice, разрыв в 102 балла, причём доверительные интервалы даже близко не пересекаются. Поставьте их на табло произношения — и результат переворачивается настолько сильно, что это похоже на ошибку в данных: 93,2% против 74,5%. Одни и те же две системы, измеренные одной и той же лабораторией, в одном и том же месяце, расходятся на восемнадцать процентных пунктов в вопросе о том, какая из них умеет читать английский вслух. Оба числа верны, и причина, по которой они оба могут быть верны, — это и есть суть всего сравнения. Задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг спорности.

Ming-3.0-tts — это открытая модель с открытыми весами от Ant Group под лицензией MIT: плотный чекпоинт на 0,5 млрд параметров, который вы запускаете на собственном GPU, а также её 7,9-миллиардный собрат на смеси экспертов под названием Ming-3.0-tts-tiny. Cartesia Sonic 3.6 — это проприетарный endpoint реального времени, выпущенный 17 августа 2026 года, с оплатой за символ, позиционируемый на основе задержки до первого аудио менее 90 миллисекунд и охвата 44 языков. Одно — модель. Другое — сервис, созданный отвечать на телефонный звонок. Какой из них вам нужен, зависит от вопроса, не имеющего отношения к Elo: ваш текст — это в основном проза или в основном то, что должно быть произнесено точно?

Две цифры, которые важны, и почему они расходятся

Начните с досок предпочтений, потому что именно их люди цитируют.

• Voice Elo провайдера — Ming-3.0-tts 1,188 (интервал 1,174–1,202) против Sonic 3.6 1,290 (1,276–1,304). Sonic занимает 4-е место из 97 моделей; Ming — 18-е.

• Контролируемый Voice Elo — Ming-3.0-tts: 1 068 (1 052–1 084) против Sonic 3.6: 1 151 (1 138–1 164). Sonic занимает 5-е место; Ming — 12-е. Разрыв сокращается на 19 пунктов, когда обе системы клонируют одни и те же восемь голосов.

• Устойчивость произношения, английский — Ming-3.0-tts 93,2% (91,5–94,9) против Sonic 3.6 74,5% (71,4–77,5). Ming занимает 1-е место среди 31 оценённой системы; Sonic — 19-е.

Это не противоречивые результаты; они измеряют разные вещи. Таблицы Elo спрашивают у слушателей-людей, какой клип им больше нравится, а предпочтение вознаграждает то, что делает синтетическую речь приятной — естественную просодию, убедительную эмоцию, голос, который не звучит так, будто читает инструкцию. Sonic 3.6 очень хорош в этом. С августа он занимает четвёртое место среди систем на арене и заслуженно удерживает эту позицию.

Комиссия по произношению задаёт более узкий и жёсткий вопрос: правильно ли система произнесла именно этот фрагмент? Рецензенты-люди размечали выделенные слова и фразы в английском тексте — названия брендов, технические термины, пути к файлам, адреса электронной почты, числа, даты, единицы измерения — и оценивали каждый из них. В этом тесте Sonic оказывается во второй половине из 31 системы, получившей оценку, а Ming занимает первое место среди всех них.

Частные оценки делают картину провала яснее, чем совокупный показатель:

• Отдельные термины — Ming-3.0-tts 88,5% против Sonic 3.6 72,6%

• Контекстуально уместно — Ming 91,0% против Sonic 78,2%

• Сохранение точных последовательностей — Ming 90,6% (1-е место из 31) против Sonic 60,8%

• Расшифровка стенографии — Ming 96,5% (1-е место из 31) против Sonic 49,1%

Expanding Shorthand — вот на что стоит смотреть внимательно. Он охватывает числа, даты, единицы измерения и нотацию — «6'2"», «Chapter XVII», «1 tsp». По этому критерию Sonic 3.6 правильно обрабатывает примерно половину таких фрагментов. Это ошеломляющая цифра для production voice API, и это как раз то, что демо никогда не показывает, потому что демо пишутся прозой, которую выбрал вендор. Покажите ему подтверждение заказа, дозировку или измерение — и рейтинг предпочтений перестаёт предсказывать что-либо полезное.

Случай с задержкой и пропускной способностью, где Cartesia не близка

Ключевое заявление Cartesia — первый звук менее чем за 90 миллисекунд, и это та цифра, которая важна для разговорного агента: звонящий слышит голос раньше, чем решает, что вы — машина. Ming-3.0-tts вообще не публикует данных о задержке. Что есть у независимого тестового стенда — это пропускная способность, и она не благосклонна к открытой модели.

• Символов в секунду при генерации — Sonic 3.6 146,9 против Ming-3.0-tts 44,3. Cartesia в 3,3 раза быстрее при идентичных аппаратных условиях.

• Медианное время генерации для оценённого запроса — Sonic 3.6: 9,20 с против Ming: 2,56 с. Читайте это внимательно; это отражает разную длину запросов, а не преимущество Ming в скорости.

Честное резюме таково: Sonic 3.6 создан для потоковой передачи, а Ming-3.0-tts — для пакетной обработки. При 44,3 символа в секунду — примерно семь слов — модель, размещённая на собственных серверах, действительно опережает реальную речь, так что длинное повествование завершается раньше, чем его успевают прослушать. Чего у неё нет, так это истории о потоковой работе, опубликованного времени до первого аудио и обработки сессий. Cartesia продаёт ровно эти три вещи.

Если вы создаёте телефонного агента, инструмент синхронного перевода или что-либо ещё, где человек ждёт первого слога, на этом сравнение заканчивается, и читать дальше не стоит. Остальная часть этой статьи — для другого случая: текста, подготовленного заранее, или текста, чья корректность важнее его мгновенности.

Что вам на самом деле даёт каждая сторона

Ming-3.0-tts от группы inclusionAI компании Ant Group распространяется в виде контрольной точки объёмом 2,96 ГБ, содержащей бэкбон, диффузионно-трансформерную патч-голову, аудиотокенизатор, энкодер диктора и текстовый токенизатор, под лицензией MIT с разрешённым коммерческим использованием. Он выдаёт аудио с частотой 44,1 кГц, поддерживает семь языков, а также сычуаньский и кантонский диалекты, и предоставляет клонирование голоса, дизайн голоса по текстовому описанию, 14 встроенных паралингвистических тегов, управление эмоциями и скоростью/высотой тона/громкостью. Ant протестировала его на H800-80GB и H20-96G с PyTorch 2.6 и CUDA 12.4 и поставляет Dockerfile.

Sonic 3.6 от Cartesia — это API. Он поддерживает 44 языка в одной модели, клонирует голос по десяти секундам эталонной аудиозаписи, поддерживает эмоционально окрашенную подачу и вставляемые невербальные сигналы, а также принимает пользовательские словари произношения — это собственный ответ поставщика ровно на ту проблему, которую измеряет панель оценки произношения, и стоит отметить, что клиент, который его настраивает, не оценивается по пути по умолчанию, который тестирует арена. Cartesia также создаёт остальную часть голосового стека: преобразование речи в текст, голосовых агентов за $0.06 в минуту, телефонные номера и лимиты параллельных соединений, масштабируемые в зависимости от уровня тарифа.

• Лицензия — веса по MIT, которые вы сохраняете, против коммерческого API без весов

• Языковой охват — 7 плюс 2 диалекта против 44

• Развёртывание — ваш GPU против их эндпоинта

• Выходная частота дискретизации — 44,1 кГц, тогда как на странице товара она не указана

• Клонирование голоса — эталонное аудио, эталонный текст и явный режим задачи против 10 секунд аудио, мгновенно

• Основа ценообразования — часы GPU или кредиты при одном кредите за символ

Стоит пересчитать тарифы на кредиты, потому что «один кредит за символ» — это не та цифра, под которую большинство команд может планировать бюджет. В собственной таблице тарифов Cartesia указано, что минута аудио требует 750–800 кредитов, что даёт эффективную ставку около $0,038 за минуту на плане Pro за $5, $0,029 на плане Startup за $49 и $0,028 на плане Scale за $299. На арене это нормализуется до $49 за миллион символов — сопоставимый показатель по сравнению с нулём у Ming. Ming не бесплатен; это счёт за GPU-часы, который ваша финансовая команда увидит как инфраструктурные расходы, а не как отдельную статью за слово.

Сравнение через три месяца, которое никто не включает в обзор

У этого решения есть вариант, который переживёт обе модели, и именно он важен для production-системы: что произойдёт, когда выбранная вами модель будет заменена.

Cartesia выпустила Sonic 3, 3.5 и 3.6 в течение года при неизменной цене $49 за миллион символов. Ant выпустила Ming-omni-tts в феврале, 16,8-миллиардную версию в июне, а теперь Ming-3.0-tts — при этом технический отчёт всё ещё не отмечен выполненным в её дорожной карте, а путь ускорения через vLLM-Omni отмечен как выполненный, но не задокументирован в репозитории. Оба поставщика движутся быстро. Ни один из них не собирается останавливаться.

Для хостируемой модели это рутинное обновление версии. Для чекпоинта, развёрнутого самостоятельно, это миграция: новые веса, новые зависимости, новый раунд оценки на ваших собственных текстах. Лицензия MIT защищает ваше право продолжать использовать старую версию — это реальное преимущество и главная причина, по которой команды изначально выбирают открытые веса, — но она не защищает вас от желания заполучить новую.

Вот тот стык, где слой маршрутизации делает что-то конкретное, а не риторическое. OrcaRouter не хостит Ming-3.0-tts или Cartesia Sonic 3.6, и ничто здесь не должно намекать на обратное — Ming поступает из репозитория, Sonic — из собственного API Cartesia. Что каталог действительно содержит, так это набор хостируемых речевых моделей, включая превью G​emini T​TS от G​oogle, а также tts-1 и gpt-4o-mini-tts от O​penAI, за тем же ключом, что и более 200 текстовых моделей, по прейскурантной цене провайдера без добавленной наценки, с автоматическим переключением при сбое между провайдерами. Если в вашем голосовом конвейере есть резервный путь — а он должен быть в любом конвейере, обрабатывающем живой трафик, — этот резервный путь может быть одной конечной точкой, а не вторым контрактом и вторым SDK. Снижение цен у поставщика отражается на нашей стороне в тот же день, потому что между ними нет наценки, которую нужно было бы отменять.

Что выбрать, в зависимости от нагрузки

Решение будет коротким, если вы честно ответите о тексте.

Выбирайте Sonic 3.6, если человек ждёт первого аудио, вам нужно больше, чем несколько языков, или вы хотите, чтобы вендор отвечал за аптайм. Разрыв в предпочтениях в 102 пункта реален, и слушатели это услышат. Настройте словарь произношения для терминов, которые ваш продукт действительно произносит, потому что путь по умолчанию набирает 74,5% именно на этом.

Выбирайте Ming-3.0-tts, если ваше аудио создаётся заранее — озвучивание, чтение документации вслух, подсказки IVR, учебные материалы, черновики аудиокниг — а текст содержит идентификаторы, единицы измерения, коды или обозначения. В трёх категориях, охватывающих эти фрагменты, он либо занимает первое место, либо отстаёт от него не более чем на три пункта, и ни одна облачная система в рейтинге не лучше сохраняет точную последовательность.

Не выбирайте ни один из них, впрочем, если вам нужно, чтобы английские имена собственные звучали правильно. Показатель Ming 88,5% в категории отдельных терминов — это 21-е место из 31, и это единственная категория, где модель однозначно находится в середине таблицы. Неправильно произнесённое в демонстрации продукта название бренда обходится дороже, чем неловко прочитанная дата.

Существует также гибридный подход, который не станет предлагать ни один из поставщиков: использовать облачную модель реального времени для интерактивного интерфейса и самостоятельно размещённый чекпойнт для пакетного корпуса, а оценивать их на одном и том же отложенном тексте. Эти две системы дают сбои в разных местах — именно это и оправдывает операционные издержки такого разделения.

Открытый вопрос

На странице продукта Cartesia сказано, что компания занимает первое место в Speech Arena. Это было верно на момент написания страницы и уже неверно — сегодня HeyGen Voice, Qwen-Audio-3.1-TTS-Plus, Eleven v4 Turbo и Eleven v4 стоят выше Sonic 3.6, а сам Sonic находится на четвёртом месте. Заявления вендоров о позициях в лидербордах устаревают за недели. Оценка произношения 74,5% — более устойчивый факт в этом сравнении, потому что её измеряет тот, кому не нужно продавать продукт, и она настолько плоха, что собственная функция Cartesia в виде словаря произношения существует, чтобы обходить её.

Что изменило бы вердикт: потоковый выпуск Ming-3.0-tts с опубликованным временем до первого аудио или Sonic 3.7, в котором исправлено раскрытие сокращений. Ни то, ни другое не анонсировано. До тех пор разделение остаётся чётким — скорость и покрытие с одной стороны, точность и владение с другой — и правильный ответ — перестать искать победителя и начать смотреть на собственный корпус.