GPT-Live-1 vs Ming-3.0-TTS: En MIT-licens möter en avgiftsbelagd minut

Ming-3.0-TTS anlände den 20 oktober 2026 med den licens som de flesta röstteam drömmer om: MIT, vikter på Hugging Face och ModelScope, inferenskod på GitHub, noll kostnad per tecken och sichuanesiska och kantonesiska i språklistan. GPT-Live-1 kostar 0,05 USD per minut, levererar inga vikter och talar de språk som OpenAI trimmade den för. Att jämföra dem är egentligen inte en fråga om kvalitet. Det är en fråga om vilket språk dina kunder faktiskt talar och om du är villig att köra en GPU för att betjäna dem.

Båda är verkliga, båda är aktuella, och båda är bra på saker som den andra inte kan. Här är den ärliga uppdelningen.

Ming-familjen består av två modeller, inte en.

Ant Groups inclusionAI-team släppte Ming-3.0-TTS med öppen källkod som ett par som delar ett genereringsramverk – en språkmodell som matar ett patchhuvud i en diffusionstransformer och en ljudtokeniserare.

• Ming-3.0-TTS-0.5B — tät modell med cirka 500 miljoner parametrar på en Qwen2.5-0.5B-stomme, en nedladdning på 2,96 GB, körs på en H800-80GB eller en H20-96G.

• Ming-3.0-TTS-Tiny – ett mixture-of-experts-bygge på Ants Ling V3-arkitektur, 7,9 miljarder parametrar totalt varav 1,3 miljarder aktiva, och den som tillför ett podcastläge med flera talare.

0.5B är den intressanta för alla som har prissatt en röstprodukt. En TTS-modell med en halv miljard parametrar som får plats i tre gigabyte är inte ett datacenteråtagande; det är en enda GPU som du kanske redan har. Tiny är kvalitetssatsningen, och Ants egna anteckningar säger att dess podcastutdata ligger under den tidigare Ming-Omni-TTS — en uppriktig begränsning, och en som är värd att tas för vad den är.

Funktionsuppsättning: zero-shot-röstkloning, röstdesign från en textbeskrivning, fler än 100 inbyggda kinesiska röster och 5 engelska, 14 inline-paralingvistiska taggar för skratt, suckar och andetag, naturlig språklig stilkontroll och 44,1 kHz-utdata. Språken är kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, samt sichuanesiska och kantonesiska dialekter.

Vad GPT-Live-1 erbjuder i stället

OpenAI:s modell är en konversationsmotor, inte en syntetiserare med skriptgränssnitt. Tillgänglig i API:t sedan 10 september 2026 tar den in ljud och text, returnerar ljud och text, lyssnar medan den talar och skickar resonemang till en textmodell när en fråga kräver det. En slutpunkt: v1/live/sessions. 0,05 USD per minut, debiteras per sekund. Kunskapsavgränsning juli 2025, inget dokumenterat kontextfönster och ingen åtkomst till gratisnivån.

Det finns inget dokumenterat dialektstöd, ingen röstkloning, ingen fakturering per tecken och inget sätt att ge den ett manus på 4 000 tecken och få tillbaka en fil. Det den däremot har är turtagning som fungerar – det som varje kaskadröstagent ägnar sex månader åt att finjustera och fortfarande gör fel på en dålig telefonlinje.

Språkfrågan kommer först.

Om dina användare talar mandarin, kantonesiska eller sichuanesiska är den här jämförelsen över tidigt. Ming-3.0-TTS byggdes för dessa språk, publicerar ord Felkvoter per språk och levererar röster som låter infödda snarare än anpassade. GPT-Live-1:s dokumentation beskriver inte dialekthantering alls, och de implementeringar vi kan observera – ChatGPT Voice och nu Perplexitys röstläge – är i första hand engelskspråkiga produkter.

Om dina användare bara talar engelska krymper Mings fördel till licensen och priset, och GPT-Live-1:s fördel blir hela konversationslagret. Det är det verkliga vägskälet, och det har ingenting med Elo att göra.

Det enda stället där Mings språkbredd är verkligt strategisk är en produkt som måste betjäna flera marknader samtidigt – tyska, spanska, koreanska och japanska i en och samma release. Ant rapporterar sina bästa ordfelsfrekvenser för tyska och spanska i Tiny-varianten, men noterar att talarlikheten är svagare i nyare språk och oftast ligger utanför topp tre. Med andra ord: bred täckning, ojämn trohet, och du bör provlyssna per marknad snarare än att lita på listan.

Påståendet om $0, granskat

Ming är gratis i den meningen att licensen inte kostar något. Det är inte gratis i den meningen att det kostar något att leverera den, och varje genomgång av "kostnadsfri TTS" hoppar tyst över det steget.

Artificial Analysis registrerar över huvud taget inget pris för Ming-3.0-TTS – fältet visar N/A, eftersom det inte finns något hostat kommersiellt API från inclusionAI att prissätta. Din kostnad är GPU-tid, och den ärliga formeln är: (GPU-timpris ÷ tecken som syntetiseras per timme) × 1 000 000. Fyll själv i den andra termen. Ingen publicerar ett genomströmningstal för 0.5B, så varje siffra per miljon som du läser online – inklusive break-even på $6.58 som cirkulerar i jämförelser – vilar på ett antagande om hastighet som modellens författare inte har publicerat.

Det som kan sägas utan att hitta på siffror: vid en hyra på 2 USD per GPU-timme behöver man syntetisera ungefär en halv miljon tecken per timme för att komma under 4 USD per miljon – en takt som kräver att modellen körs flera gånger snabbare än realtid, vilket en 0,5B-modell rimligen kan och en 7,9B MoE rimligen inte kan. Mät det innan du bygger ett affärscase på det.

Jämfört med GPT-Live-1 är kalkylen renare just för att mätaren är linjär: en timmes konversation kostar $3.00, och backend-resonemang faktureras separat. Ingen risk för utnyttjandegrad, ingen GPU att hålla ett öga på och inget antagande du måste försvara på ett budgetmöte.

Varför rapporterar båda 93,2 %?

En kuriositet som kommer att förbrylla alla som jämför datablad: Ming-3.0-TTS rapporterar 93,2 % uttalsrobusthet i mätningen från Artificial Analysis och hävdar att man är bäst totalt. Fish Audio Drama 3 rapporterar samma 93,2 % och hävdar också att man är bäst. Två labb, två arkitekturer, en identisk siffra in på decimalen.

Betrakta det som ett bevis på ett tak snarare än ett avgörande. Den återstående andelen är koncentrerad till de fall som får alla TTS-modeller att fallera: alfanumeriska strängar, ovanliga egennamn, siffror som läses i kontext och homografer. Vilken modell som vinner för dig beror på om ditt innehåll innehåller artikelnummer eller poesi, och bara din egen utvärderingsuppsättning kan svara på det.

På anslagstavlorna, med de bifogade förbehållen

På Provider Voice Arena, inspelad den 29 oktober 2026, ligger Ming-3.0-TTS på 1187 Elo, trea bland bidrag med öppna vikter efter Drama 3 på 1240 och Breeze TTS 2 på 1228, och den ranking som Ants eget repository rapporterar är trea bland öppna vikter på denna tavla. På Controlled Voice-tavlan, där varje modell klonar samma åtta röster, uppger Ants eget repository sig vara först bland öppna vikter med 1069 Elo och trettonde totalt.

GPT-Live-1 förekommer inte på de resultattavlorna, eftersom det inte är en text-till-tal-modell i deras mening. Dess poäng finns någon annanstans: 83,2 på Speech-to-Speech Index, tvåa av 21, och 1037–1041 på Speech Agent Arena med en uppgiftsframgång mellan 87,4 % och 90,9 %. Olika instrument, olika skalor – ingen subtraktion tillåten.

Där var och en förlorar

Ming förlorar på samtalsfronten, punkt slut. Den kan inte höra, inte avbryta, inte besluta sig för att sluta prata. Varje driftsättning som kräver en människa i andra änden av linjen ligger utanför omfånget, hur bra rösten än är.

Ming kommer också till korta när det gäller driftsenkelhet för små team. Ett GPU är något som går ner klockan 3 på natten, kräver drivrutiner som matchar och försämras i tysthet när en annan tenant delar kortet. MIT-licensen omfattar inte en jouringenjör.

GPT-Live-1 förlorar på kostnadsstruktur för texttungt arbete och på kontroll över varumärkesröst. Fasta modellröster gör att du inte kan leverera en grundares röst eller en licensierad karaktär. Och minutmätaren straffar precis den arbetsbelastning som TTS är bäst på: lång, skriptad, repetitiv utdata där inget behöver lyssna.

Den routingvinkel som faktiskt gäller

Ingen av dessa finns på OrcaRouter, och det är värt att säga rakt ut: Ming-3.0-TTS är självhostade öppna vikter utan någon hostad endpoint att routa, och GPT-Live-1 exponerar en enda sessionsendpoint som vi inte betjänar. Det vi däremot routar är resonemangsmodellen bakom en röstagent på kinesiska – Qwen3.8 Max, GLM-5.3, Kimi K3 och Gemini-modeller sitter bakom en nyckel med automatisk failover, till leverantörslistpriser som vidarebefordras med 0 % påslag.

För en tvåspråkig driftsättning betyder det mer än det låter. Valet av TTS görs vanligtvis en gång, utifrån språktäckning; resonemangsmodellen bakom byts ut när priserna rör sig och nya kinesiskspråkiga checkpoints landar. Att hålla den delen dirigerbar är det billigaste sättet att framtidssäkra stacken.

Vilken ska man bygga vidare på?

Bygg vidare på Ming-3.0-TTS om produkten talar kinesiska eller betjänar flera asiatiska och europeiska marknader, om du kontrollerar en GPU och om utdata är skriptad snarare än konversationell. MIT-licensen är en verklig strategisk tillgång: den kan inte återkallas, omprissättas eller hastighetsbegränsas, och 0,5B-varianten gör tröskeln för att prova den ungefär en eftermiddag.

Bygg vidare på GPT-Live-1 om produkten är en konversation på engelska och kravnivån är "känns det som en person i telefonen". Du kommer att betala 0,05 dollar i minuten för all framtid och inte äga något, och du får den enda förmåga som open-weights-fältet inte har levererat i den här kvaliteten: en modell som lyssnar medan den talar.

Bygg inte på någon av dem bara för att en resultattavla säger det. Mings 1187 och Lives 83,2 är två olika instrument riktade mot två olika jobb, och den enda jämförelse som överlever kontakten med en verklig driftsättning är den du kör på din egen ljudfil.