Ming-3.0-tts против Qwen-Audio-3.0-TTS: открытые веса против голоса с оплатой за символ

Ming-3.0-tts и Qwen-Audio-3.0-TTS — две самые авторитетные китайские системы синтеза речи, выпущенные в 2026 году, и они расходятся почти во всём, кроме качества своего результата. Ming-3.0-tts — открытая модель Ant Group с лицензией MIT, опубликованная командой inclusionAI 20 октября 2026 года в составе семейства синтеза речи Ming-3.0. Qwen-Audio-3.0-TTS — закрытый синтезатор речи Alibaba, доступный только через API, анонсированный на WAIC 20 июля 2026 года в уровнях Plus и Flash, причём веса не опубликованы вовсе. Одну вы скачиваете и запускаете; другую арендуете по символам. Эта разница и есть суть сравнения, и разрыв в качестве меньше, чем разрыв в бизнес-моделях.

Есть ещё один нюанс, который упускают большинство сравнений этих двух моделей, и он меняет рекомендацию: Qwen-Audio-3.0-TTS больше не является той речевой моделью Qwen, которую вы бы действительно купили. Alibaba заменила её на Qwen-Audio-3.1-TTS 23 сентября 2026 года, а днём ранее снизила цены на синтез примерно на 70%. Поэтому на этой странице модель, указанная в заголовке, сравнивается с Ming-3.0-tts, поскольку именно это люди ищут, а затем объясняется, как более новый Qwen меняет ответ.

Модель, указанная в заголовке, уже устарела.

Qwen-Audio-3.0-TTS был представлен на WAIC с обоснованным заявлением: первое место в Provider Voice Arena от Artificial Analysis, опередив Gemini 3.1 Flash TTS и длинный список коммерческих систем. Он выпущен в двух уровнях — Plus для качества и Flash для взаимодействия в реальном времени с задержкой первого пакета около 300 мс — по каталожным ценам примерно $27,60 и $15 за миллион символов соответственно.

Спустя девять недель Qwen-Audio-3.1-TTS появился на конференции Apsara. Изменения, важные для этого сравнения:

• Цена — стоимость синтеза снизилась примерно на 70%, в реальном времени — примерно на 85%, изменения вступают в силу с 22 сентября 2026 года для регионов Пекина и Сингапура. Таким образом, 3.1 TTS Flash стоит примерно ¥1,5 за миллион входных токенов и ¥12 за миллион выходных токенов, а Plus-эквивалент — около $8 за миллион символов в старой единице измерения.

• Управление — свободные инструкции на естественном языке для эмоций, темпа и стиля заменяют 86 встроенных тегов подачи из версии 3.0. Это изменение удобства использования, а не качества, и именно оно с наибольшей вероятностью повлияет на то, сможете ли вы выпустить продукт.

• Клонирование — межъязыковой перенос тембра между мандаринским, кантонским, английским и японским языками, а также прямая обработка зашумлённого или реверберирующего эталонного аудио.

• Проверка — на момент написания независимой оценки Arena нет. Заявления о качестве для 3.1 — это заявления производителя.

Итак, справедливая формулировка — не «Ming против Qwen», а «Ming против текущего поколения Qwen, цена которого сейчас примерно треть того, что брал 3.0». Преимущество Ming в стоимости соответственно сокращается. А различие в архитектуре — нет.

Два разных продукта, а не две версии одного.

• Способ поставки — Ming-3.0-tts представляет собой веса под лицензией MIT на Hugging Face и ModelScope, а код инференса находится в отдельном репозитории GitHub. Qwen-Audio-3.0-TTS не публикует веса; доступ к ней предоставляется через Alibaba Cloud Model Studio.

• Размер — чекпоинт Ming по умолчанию содержит 0,5 млрд параметров, является плотным и построен на основе Qwen2.5-0.5B, около 2,96 ГБ. Его родственная модель Ming-3.0-tts-tiny представляет собой MoE с общим числом параметров 7,9 млрд и 1,3 млрд активных на архитектуре Ant's Ling V3. Qwen не раскрывает количество параметров ни для одного из этих уровней.

• Потолок качества вывода — Ming ограничен 44,1 кГц. Qwen-Audio-3.0-TTS перешел на 48 кГц и поддерживает синтез до трех минут за один проход.

• Языковое покрытие — Ming поддерживает китайский, английский, немецкий, испанский, французский, корейский и японский, а также сычуаньский и кантонский диалекты. Qwen поддерживает 16 языков и 20 регионов распространения китайских диалектов; в версии 3.0 добавлены арабский, вьетнамский, малайский и филиппинский.

• Голоса — Ming поставляет более 100 китайских голосов и пять английских. Каталог Qwen — это предоставляемая сервисом подборка, которой вы не управляете.

• Панель управления — Ming предлагает голосовой дизайн по текстовому описанию, «режиссёрский режим» для свободных инструкций по подаче, 14 встроенных паралингвистических тегов и явные элементы управления эмоциями, скоростью, высотой тона и громкостью. Qwen 3.0 предлагал свободные режиссёрские промпты и детализированные теги; в версии 3.1 теги были заменены инструкциями.

Закономерность в этом списке единообразна: Ming даёт больше контроля над более узким набором языков, а Qwen — более широкий охват при меньшей прозрачности того, что находится внутри.

Качество: что говорит арена и о чём она умалчивает

У обеих моделей есть независимые измерения — это встречается достаточно редко, чтобы использовать их аккуратно. Ловушка заключается в сравнении между разными платами.

На Provider Voice Arena — где модели говорят своими штатными голосами, что обеспечивает сопоставимое сравнение — Qwen-Audio-3.0-TTS-Plus набрала 1 238 Elo в августе 2026 года и 1 259 к сентябрю, заняв второе место. Ming-3.0-tts набрала 1 188 Elo, став третьей среди открытых моделей и примерно 18-й в общем зачёте. В этом рейтинге Qwen опережает примерно на 50–70 Elo, что является реальным, но не огромным разрывом — примерно как разница между двумя соседними уровнями коммерческого голоса.

У Ming есть два результата, которые Qwen не может повторить на том же табло. Она разделила первое место в общем зачёте по устойчивости к произношению с показателем 93,2% и занимает первое место среди моделей с открытыми весами на Controlled Voice Arena с 1 069 Elo — табло, построенном на восьми клонированных голосах с американским и британским акцентами. Qwen отсутствует на табло контролируемых голосов, потому что нет локального чекпоинта, на котором можно было бы провести этот тест.

В совокупности эти цифры говорят о вполне конкретных вещах. Ming сильнее всего, когда воспроизводит голос, который вы ему задаёте, и слабее всего, когда опирается на собственный небольшой англоязычный каталог. Qwen силён в своих собственных голосах и заявляет о передовом сходстве с диктором во всех 16 языках — это заявление производителя, а не независимая оценка. Если ваш сценарий — «клонируйте нашего основателя и озвучьте рассылку», то сильнейшая сторона Ming — именно та, что имеет значение. Если же это «дайте нам 40 голосов на 12 языках», решающим фактором становится покрытие Qwen.

Одна цифра, сообщённая поставщиком, заслуживает упоминания, потому что она необычна и практична: пропускная способность Qwen-Audio-3.0-TTS была заявлена на уровне около 16 символов в секунду против примерно 120 у Sonic 3.5 и 30 у Simba 3.2. Это медленно. Именно поэтому существует уровень Flash, и это как раз тот вид ограничения, который рейтинг качества вам никогда не покажет. У чекпоинта Ming 0.5B нет сопоставимой публичной цифры пропускной способности, что само по себе является пробелом.

Стоимость, в той единице, в которой каждый взимает плату

Эти две модели не используют одну и ту же единицу измерения, поэтому сравнение нужно привести к общей единице, прежде чем оно обретёт смысл. При примерно 14 символах в секунду речи миллион символов — это около 19–20 часов аудио.

• Qwen-Audio-3.0-TTS-Plus — 27,60 долл. США за миллион символов или примерно 1,40 долл. США за час аудио по прейскурантной цене.

• Qwen-Audio-3.0-TTS-Flash — около $15 за миллион символов или примерно $0,76 за час аудио.

• Qwen-Audio-3.1-TTS — после сентябрьского снижения цен это примерно треть стоимости 3.0, то есть где-то от $0,40 до $0,45 за аудиочас при эквивалентном синтезе.

• Ming-3.0-tts — без цены за символ. Веса под лицензией MIT, а вместо этого — счёт за GPU. Арендованный H800 примерно за $2 за GPU-час, запускающий модель на 0,5B значительно быстрее реального времени, выдаёт несколько аудиочасов за час реального времени; при пакетной обработке эффективная ставка опускается ниже того уровня, которого может достичь любая из приведённых выше тарифицируемых цен при устойчивом объёме.

Вся суть — в точке перелома. При нескольких часах аудио в месяц self-hosting — плохая сделка: GPU простаивает 99% времени, на dependency stack уходит целый день работы, а API с оплатой по факту обходится дешевле электричества. При нескольких сотнях часов в месяц API с оплатой по факту становится заметно более дорогим вариантом, и разрыв растёт с каждым дополнительным часом, потому что предельная стоимость следующей генерации почти нулевая. Где именно находится ваша точка перелома, зависит от цен на GPU и загрузки, но она измеряется сотнями часов в месяц, а не тысячами.

Есть вторая цена, которой нет ни в одном из двух прайс-листов: цена того, что модель меняется у вас под ногами. Qwen-Audio-3.0-TTS была лучшей речевой моделью, которую Alibaba продавала около девяти недель. Все, кто построил продукт на её грамматике управления из 86 тегов, потратили сентябрь на переписывание промптов под инструкции на естественном языке. Веса Ming под лицензией MIT нельзя объявить устаревшими — их можете улучшать только вы.

Контроль, клонирование и реальность развёртывания

Дизайн голоса Ming — это функция, аналога которой у Qwen нет. Вы описываете говорящего текстом — возраст, тембр, темп, акцент — и модель синтезирует голос, соответствующий описанию, без референсного клипа. Для прототипирования персонажа или голоса бренда до того, как у вас появится запись, это действительно иной рабочий процесс по сравнению с выбором из каталога.

Противовес Qwen — надёжность. В релизе 3.1 особое внимание уделено шумному эталонному аудио с реверберацией — именно на этом сценарии клонирование ломается в реальной эксплуатации: кто-то записывает образец на ноутбуке в переговорной, и клон звучит как другой человек. Карточка модели Ming честно признаёт, что сходство с голосом диктора уступает точности передачи содержания, а самый заметный пробел в многоязычности — французский.

Именно развёртывание — та область, где эти два решения расходятся наиболее резко по трудозатратам.

• Ming — клонируйте репозиторий GitHub, установите CUDA 12.4 и PyTorch, при необходимости соберите flash-attn, установите pynini для нормализации текста и запустите infer.py или Python API ming_tts.MingTTS. Hugging Face размещает только чекпоинты и сообщает об этом в выноске. Крошечной модели требуется отдельная среда. На момент написания на Hugging Face нет размещённого провайдера инференса.

• Qwen — API-ключ и региональная конечная точка. Никакой инфраструктуры, никакого стека зависимостей, никакого планирования мощностей GPU. Вы также не можете зафиксировать версию, изучить модель или работать офлайн.

Для команды, у которой уже есть парк GPU и причина с точки зрения соответствия требованиям держать аудио внутри компании, Ming — очевидный выбор, а трудозатраты — погрешность округления. Для команды, у которой нет ни того, ни другого, Qwen дешевле в этом квартале и дороже при масштабировании, а зависимость от поставщика вполне реальна.

Место маршрутизатора

Ни одна из этих моделей не размещена на OrcaRouter. Мы не хостим Ming-3.0-tts и не перепродаём Qwen-Audio-3.0-TTS, а страница сравнения — неподходящее место, чтобы делать вид, будто это не так. На нашей стороне конвейера находится всё, что окружает голос: языковая модель, которая пишет и переписывает сценарий, а также размещённые у нас речевые модели, такие как Gemini 3.1 Flash TTS Preview и GPT-4o mini TTS для случаев, когда самостоятельно размещать Ming — неправильный компромисс.

Это важнее всего для решения, которому на самом деле посвящена эта страница. Голосовой конвейер — это не одна модель; это генератор сценариев, нормализатор, синтезатор и резервный механизм. Если поместить текстовую половину за один ключ API — более 200 моделей, 0% наценки к прайсовой цене провайдера, автоматическое переключение при сбое, когда провайдер деградирует, — это означает, что единственная часть, к которой вы привязываетесь, — сама голосовая модель. Если вы самостоятельно хостите Ming и окажется, что она хуже справляется с вашими английскими названиями брендов, чем предполагала арена, замена голосового слоя — это изменение одного компонента, а не переплатформирование. Если вы строите на размещённом API Qwen, слой маршрутизации — это то, что поддерживает работоспособность остальной части конвейера, когда конечная точка работает медленно или ограничена по частоте запросов, а сквозная ценовая модель означает, что очередное снижение цен Alibaba дойдёт до вас в день его вступления в силу, а не тогда, когда это будет удобно реселлеру.

Какой выбрать?

• Выберите Ming-3.0-tts, если у вас есть GPU, нужен клонированный или спроектированный голос, а не каталог, вы хотите условия MIT, которые выдержат юридическую проверку, и можете принять инструменты исследовательского уровня и ограниченный набор английских голосов. Это единственный вариант здесь, которым вы можете полностью владеть.

• Выбирайте Qwen-Audio-3.0-TTS только если вы привязаны к нему по конкретной причине — действующий контракт с Alibaba Cloud, рабочий процесс, построенный на его грамматике из 86 тегов. В противном случае вы выбираете устаревшую модель по устаревшей цене.

• Выбирайте Qwen-Audio-3.1-TTS, если вам нужен управляемый голосовой API с широким покрытием и если сентябрьское снижение цен меняет вашу экономику. Примите как данность, что он не проверен независимыми рейтингами и что управление на основе инструкций — это новый синтаксис, который вам предстоит освоить.

Разрыв в качестве между двумя семействами достаточно узок, чтобы не решать вопрос. В одном рейтинге, где оба напрямую конкурируют, Qwen лидирует примерно на 50–70 Elo. В рейтингах, измеряющих клонирование, Ming находится на вершине, а Qwen отсутствует. Что на самом деле их разделяет — это то, является ли голос услугой, которую вы арендуете, или артефактом, которым вы владеете, — и после того как Alibaba заменила свой собственный флагман за девять недель, это различие выглядит уже не столько идеологией, сколько риском закупок.