Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS: Fria vikter mot 78 Elo-poäng

Sätt Ming-3.0-tts-0.5B bredvid Qwen-Audio-3.0-TTS och det första du lägger märke till är att de inte är samma slags objekt. Ming är en checkpoint på 2,96 GB som du laddar ner, som är licensierad under MIT och som du kör på din egen GPU. Qwen-Audio-3.0-TTS, i den kvalitetsnivå som A​libaba listar som Qwen-Audio-3.0-TTS-Plus, är en hostad endpoint på A​libaba Cloud Model Studio utan vikter någonstans. På den oberoende talarenan Artificial Analysis får den hostade modellen 1 266 Elo och den nedladdningsbara 1 188 – en skillnad på 78 poäng utan överlapp mellan de två konfidensintervallen. Den skillnaden är verklig. Vad den är värd beror på om du köper en röst eller köper en tillgång. De dokumenterade AI-felen och agentincidenterna bakom releaser som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Det korta svaret, innan bevisningen

Om rösten levereras i en produkt detta kvartal och någon annan ska stå i beredskap när den går sönder, är Qwen-Audio-3.0-TTS-Plus det bättre valet, och det är inte särskilt jämnt. Om du bygger innehåll med kinesiska i första hand, behöver röstdesign eller dialektstyrning, eller inte kan acceptera en debitering per tecken, är Ming-3.0-tts-0.5B det enda av de två som kan bli ditt. Inget av svaren överlever kontakt med ett budgetark oförändrat, och det är vad resten av den här artikeln handlar om.

Vad varje modell faktiskt är

Ming-3.0-tts-0.5B är Ant Groups utgivning med öppna vikter från inclusionAI, byggd på en Qwen2.5-0.5B-stomme med ett diffusionstransformatorhuvud och en separat ljudtokeniserare. Den släpptes tyst i två steg – vikterna på Hugging Face i september 2026, inferenskoden på GitHub den 19 oktober – och Ant har inte tillkännagivit den. Paketet innehåller en talarkodare och en texttokeniserare, ger 44,1 kHz-ljud och stöder kloning, röstdesign från en textbeskrivning, 14 inline-paralingvistiska taggar, kontroll av känsla och attribut, sju språk och två kinesiska dialekter.

Qwen-Audio-3.0-TTS är Alibabas värdbaserade synteslinje, lanserad den 20 juli 2026, i två nivåer: Flash för realtidsarbete och Plus för maximal kvalitet. Det är Plus-nivån som har en uppmätt position på arenan, och det är nivån som alla siffror nedan avser. Den omfattar 16 språk plus 20 kinesiska dialektregioner, stöder röstkloning och ungefär 86 inline-taggar för framförande, och är endast åtkomlig via Alibabas API. Det finns inga vikter, ingen lokal driftsättning och ingen licens att granska.

En märklighet kring datering som är värd att flagga, eftersom du kommer att se båda datumen: Alibaba lanserade serien i juli, men raden i arenan för Plus-modellen har ett releasedatum den 15 september 2026. Vi tolkar det som datumet då den poängsatta revideringen eller listningen publicerades, inte som en andra modell. Om du anger ett releasedatum i ett dokument är den 20 juli lanseringen och den 15 september är arenans bokföring.

Siffrorna som skiljer dem åt

• Arena Elo, leverantörsröst — Ming-3.0-tts-0.5B 1 188 (intervall 1 173–1 203) mot Qwen-Audio-3.0-TTS-Plus 1 266 (1 252–1 280). Intervallen överlappar inte.

Arena Elo, kontrollerad röst — Ming 1 069 (1 053–1 085) mot Qwen-Plus 1 126 (1 113–1 139). Fortfarande en tydlig lucka på 57 poäng, med klonade röster som hålls konstanta över alla modeller.

• Pris — Ming har inget; du betalar för beräkningskraft. Qwen-Plus listas till $19.31 per miljon tecken i arenans normaliserade priskolumn.

• Genomströmning — Ming 42,1 tecken per sekund av genereringstiden jämfört med Qwen-Plus 25,6, mätt med samma oberoende testramverk.

• Vikter — MIT-licensierad checkpoint kontra ingen.

• Språk — sju plus sichuanesiska och kantonesiska mot 16 plus 20 kinesiska dialektregioner.

• Styryta — fritextinstruktion, röstdesign, 14 paralingvistiska taggar, explicit känsla/hastighet/tonhöjd/volym kontra ungefär 86 inline-taggar och leveransstyrning i instruktionsstil.

Genomströmningsresultatet är det som förvånar folk. En tät modell med en halv miljard parametrar och ett paket på 2,96 GB överträffar A​libabas värdbaserade Plus-nivå med cirka 65 % i tecken per sekund i den oberoende mätningen. Det är inte en känga åt Q​wen — värdbaserade ändpunkter dimensioneras för samtidighet, och arenans genomströmningssiffra är en förfrågan i taget — men det betyder att den lilla modellen inte är den långsamma i den här jämförelsen.

Var kommer de 78 poängen ifrån

Preference Elo berättar inte vad som är fel. Att lyssna på de två systemen på samma text gör det, och mönstret stämmer överens med vad Ants egen modellkort medger.

Ant publicerar sina svagheter på ovanligt klarspråk: talarlikhet släpar efter innehållsnoggrannhet, likheten med franska är den tydligaste flerspråkiga luckan, paralingvistiska meningar med flera händelser är fortfarande instabila och öppen röstdesign når ännu inte upp till det starkaste utvärderade systemet. På arenan visar det sig som en klonad röst som är konkurrenskraftig – först bland modeller med öppna vikter på den kontrollerade resultattavlan – och en inhemsk röstuppsättning som inte är det. Mings placering för leverantörsröster, 19:e av 98, dras ned av de över 100 kinesiska och fem engelska inbyggda rösterna snarare än av kloningsvägen.

Qwens fördel har motsatt form. Dess inbyggda röster är produkten; Plus-nivån byggdes för att låta färdig direkt ur lådan, och det är så den mäter både i leverantörens miljö och i kontrollerade miljöer. Den har också den språkbredd som kommer från ett företag som driver ett moln: 16 språk och 20 kinesiska dialektregioner mot Mings sju och två.

Sett till noggrannhet snarare än preferens är jämförelsen svagare än Elo-gapet antyder. Qwen-Audio-3.0-TTS har ingen publicerad ordfelsfrekvenstabell från Alibaba som vi kunde verifiera mot en gemensam testmängd, och Mings Seed-TTS-siffror – 0,800 % för kinesiska, 1,584 % för engelska – är Ants egna, uppmätta i Ants testramverk med Ants rekommenderade inställningar. Ingen av sidorna ger dig en jämförbar felkvot. Det du har är ett preferensbetyg för båda och en leverantörstabell för en.

Två faktureringsmodeller, och mätaren som ingen skriver ut

Prisjämförelsen är inte $19.31 mot noll. Det är en mätare per tecken mot en mätare per GPU-timme, och den andra är osynlig tills din ekonomiavdelning ber om den.

Q​wen fakturerar per tecken i indatatext. Till $19.31 per miljon tecken kostar en miljon tecken färdig berättarröst $19.31, och mängden skalas linjärt och förutsägbart. Du kan lägga in det i ett kalkylblad innan du skriver en rad kod.

Ming debiterar i GPU-tid. Släppet har testats på en H800-80GB och en H20-96G, kräver PyTorch 2.6 med CUDA 12.4 och levereras med en Dockerfile men ingen hostad endpoint. Vid arenans uppmätta 42,1 tecken per sekund tar en miljon tecken cirka 6,6 timmars generering på den klassen av hårdvara, innan man räknar in modellinläsning, köande eller misslyckade förfrågningar. Om det är billigare än 19,31 dollar beror helt och hållet på vad din GPU-timme kostar och hur full du håller den – och det är den beräkningen som avgör den här matchen för de flesta team.

Det är också här som ett routningslager gör nytta utan att låtsas vara värd för någon av modellerna. OrcaRouter tillhandahåller varken Ming-3.0-tts-0.5B eller Qwen-Audio-3.0-TTS, och inget här bör antyda något annat; båda nås via sina egna kanaler, A​libaba's Model Studio för Q​wen och din egen infrastruktur för Ming. Det vi däremot tillhandahåller är textsidan av samma pipeline till leverantörens listpris med 0 % påslag — så en prisändring från en textleverantör som vi routar blir ditt pris samma dag — med automatisk failover mellan leverantörer för modellen som skriver manuset, taggar känslan eller driver agenten. Talet är den dyra, långsamma halvan av en röstprodukt; den del som kommer före den bör inte heller vara den ömtåliga.

Efterträdarproblemet

Det finns en tredje modell som hör hemma i detta beslut och som inte finns i rubriken: Qwen-Audio-3.1-TTS-Plus, släppt den 24 september 2026. Den får 1 300 Elo på samma arena – 34 poäng över 3.0 Plus-nivån – till samma pris på $19.31 per miljon tecken.

Läs det igen som köpare. Alibaba släppte en bättre modell fem veckor efter den i den här jämförelsen, till oförändrat pris, inom samma endpoint-familj. Den som väljer Qwen-Audio-3.0-TTS i dag väljer en modell som dess egen leverantör redan har ersatt med en nyare, utan rabatt. 3.0-nivån finns fortfarande listad och är fortfarande bra – 1 266 Elo ligger på sjätte plats på en lista med 98 – men det korrekta valet av hostad modell i den här familjen är nu 3.1, inte 3.0.

Ming har inte det problemet eftersom det varken har någon efterföljare eller någon utgivningstakt. Det är en genuin fördel för ett team som vill ha en stabil artefakt och en genuin risk för ett som vill ha den bästa rösten som finns tillgänglig om sex månader. En oannonserad utgåva utan åtagande i färdplanen kan tystna åt endera hållet.

Vem ska välja vilken

Välj Qwen-Audio-3.1-TTS-Plus – inte 3.0 – om du vill ha den högsta uppmätta kvaliteten i den här familjen till ett känt pris per tecken, behöver bred språktäckning eller vill att någon annan ska ansvara för drifttiden. Acceptera mätaren och acceptera att nästa nivå kommer att dyka upp utan förvarning.

Välj Ming-3.0-tts-0.5B om rösten måste köras inom din egen perimeter, om ditt innehåll i första hand är kinesiskt och behöver sichuanesiska eller kantonesiska, om du vill utforma en röst utifrån en beskrivning i stället för att välja från en uppsättning röster, eller om volymen är tillräckligt hög för att en GPU du redan äger ska slå en kostnad per tecken. Budgetera för ingenjörsarbetet: miljön är låst, textnormalisering kräver ett FST-bibliotek som inte har någon universell wheel, och de enda publicerade genomströmningssiffrorna kommer från en enda oberoende testrigg.

Välj ingen av dem, för närvarande, om du behöver ett supportavtal. Ming har inget tillkännagivande, inget hostat alternativ och inget uttalat supportåtagande; Qwen har alla tre, men 3.0-nivån är inte längre den man bör köpa. Den ärliga sammanfattningen är att detta inte är en rättvis kamp och aldrig var avsedd att vara det — den ena är en forskningsrelease med en licens och den andra är en molnprodukt med en prislista — och den användbara frågan är vilket av dessa två ditt projekt faktiskt behöver.