Ming-3.0-tts-tiny vs Breeze-TTS-2: MIT-vikter mot en icke-kommersiell licens

Två talmodeller med öppna vikter lanserades inom en månad från varandra och de konkurrerar inte på samma axel. Ming-3.0-tts-tiny, från Ant Groups inclusionAI, är en checkpoint av typen mixture-of-experts på 7,9B som aktiverar cirka 1,3B parametrar per token, släpps under MIT och täcker nio språk inklusive två kinesiska dialekter. Breeze-TTS-2, från BreezeBlue, är en tät 3B-modell som endast täcker engelska och kinesiska, publicerar sin kod under Apache 2.0 och släpper sina vikter under en forsknings- och icke-kommersiell licens med ett undantag för betalhosting. Den centrala frågan – vilken som låter bättre – visar sig vara den minst avgörande, eftersom arena-posten som ser ut som Mings poäng tillhör en helt annan checkpoint, och licensskillnaden är den som avgör om du överhuvudtaget kan släppa den. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Ingen av leverantörerna tillkännagav någon allmän tillgänglighet i vanlig bemärkelse, och båda omständigheterna spelar roll här. Vikterna för Breeze-TTS-2 lades upp den 25 augusti 2026, med sviterna för röstdesign och latens som följde den 7 augusti. Ming-3.0-tts-tiny fanns på Hugging Face från den 24 september men blev körbart först den 19 oktober, när dess inferenskod och uppgiftskokbok kom till GitHub. Så detta är en jämförelse av två artefakter som du själv måste hosta, skriven innan någon av dem har ett pris för hostad drift att ange, och genomgående märkt i enlighet med detta.

Börja med licensen, eftersom den avslutar diskussionen för vissa team

De två licenserna är inte varianter av samma tillstånd. De utgör olika kategorier av tillstånd.

• Ming-3.0-tts-tiny — MIT, för både vikter och kod. Du kan använda den kommersiellt, ändra den, distribuera den vidare och leverera den i en sluten produkt. Ant bifogar en användningsnotis som ber dig att inte utge dig för att vara andra människor utan samtycke och att märka syntetiskt ljud; det är en begäran i dokumentationen, inte ett villkor för beviljandet.

• Breeze-TTS-2 — Apache 2.0 för källkoden, och en separat ”BreezeBlue Research and Non-Commercial License” för vikterna. Kommersiell användning av värdbaserade utdata kräver en betald BreezeBlue-prenumeration, och inte ens då ger prenumerationen kommersiella rättigheter till de öppna vikterna eller till utdata som du genererar genom att självhosta dem.

Läs den andra punkten noggrant, för den uppenbara tolkningen är fel. Att betala BreezeBlue gör inte vikterna till något du får köra kommersiellt; det licensierar en hostad väg. Self-hosting är icke-kommersiellt oavsett om du prenumererar. Om din plan är att "finjustera 3B-modellen, sätta den bakom vår egen endpoint och ta betalt för det", stänger licensen den dörren och MIT lämnar den öppen. För intern forskning, utvärdering eller en prototyp som aldrig kommer att dra in pengar kostar distinktionen ingenting.

Det finns en andra licensrelaterad skillnad som avgör fler driftsättningar än något av styckena ovan. Mings släpp levererar en hel pipeline – backbone, diffusionshuvud, ljudtokenizer, talarkodare och texttokenizer – som en enda uppsättning vikter. Breeze levererar sin kod och sina vikter med en inferensväg som har paketerats för flera körmiljöer samtidigt: ekosystemet för derivat kring Breeze-TTS-2 omfattar MLX-byggen i 4-bitars och 8-bitars plus en port i full precision, GGUF-kvantiseringar, int8- och int4-konverteringar, ett HQQ int4-bygge, ett ROCm/RDNA4 BF16-bygge från 18 oktober, ett GPTQ int4 ROCm-bygge från 19 oktober, ComfyUI-finjusteringar och en brasiliansk-portugisisk LoRA publicerad den 6 oktober. Ming-3.0-tts-tiny har inget av detta, eftersom den har haft en användbar inferensväg i mindre än ett dygn.

Skillnaden i fotavtryck är ungefär en storleksordning

Det är här "tiny" slutar betyda litet. Namnet beskriver aktiva parametrar per token, inte minnet du behöver.

• Ming-3.0-tts-tiny – 8 980 964 372 parametrar i BF16 plus 40 096 i F32 enligt Hugging Faces egen metadata, cirka 18 GB lagringsutrymme i repositoriet och en H800 rekommenderad i leverantörens miljöanteckningar. Du betalar minnet för en 7,9B-modell och får latensen för en 1,3B-modell, vilket är en bra avvägning för batchsyntes på hyrd hårdvara och en dålig för allt med ett 12 GB-kort i sig.

• Breeze-TTS-2 — en dense modell med 3B parametrar, cirka 7,7 GiB GPU-minne i eager-läge och cirka 14,4 GiB med --fast-all aktiverat. BreezeBlue rekommenderar 12 GB eller 24 GB beroende på vilken väg du väljer, och dokumenterar att dess Docker-standardinställningar riktar sig mot H100/Hopper sm90 medan ägare av A100 behöver ställa in FLASH_ATTN_CUDA_ARCHS=80.

• Mings samtidighetsmodell – en Python-ingångspunkt per uppgift med fasta standardvärden: guidance scale 2.0, temperatur noll, tio flödessteg, sigma 0.25, seed 1234. Stöd för vLLM-Omni finns på färdplanen men är inte avbockat, så det finns i dag ingen serveringsväg med hög genomströmning.

• Breezes samtidighetsmodell – ett HTTP-strömmande API med enkel samtidighet som returnerar mono 24 kHz signerad 16-bitars little-endian PCM, med en uppgiven tid till första ljud på under 40 millisekunder på en uppvärmd H100 och en realtidsfaktor på 0,32, vilket är ungefär 3,1 gånger snabbare än realtid.

Det där sista paret är den ärliga sammanfattningen av avvägningen. Breeze är konstruerad för streaminglatens med en förfrågan i taget; Ming är konstruerad för genomströmning per beräkningsenhet vid gles aktivering och har inte publicerat någon serveringsstack. Om din produkt är en live-röstagent är det inte likvärdiga utgångspunkter. Om din produkt är en nattlig batch med uppläsning betyder samtidighetsmodellen mycket mindre än licensen och minneskostnaden.

Språktäckningen är inte i närheten, och gapet går bara åt ett håll

Breeze-TTS-2 stöder engelska och kinesiska. Dess kort säger det utan förbehåll, och det dokumenterar även inline-vokalevenemang på båda språken – (laugh) och (sigh) på engelska, [笑] och [叹气] på kinesiska – samt kloning från ett referensklipp med dess exakta transkript och en kontroll för röstriktning.

Ming-3.0-tts-tiny täcker kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, samt sichuanesiska och kantonesiska när den får ett dialektalt referensklipp. Den lägger till stilkontroll i fri form, röstdesign utifrån en beskrivning i naturligt språk, över 100 inbyggda kinesiska röster och fem engelska, samt 14 inline-paralingvistiska taggar. Den gör även podcastgenerering med flera talare, något som Breeze inte försöker sig på.

Haken ligger i Ants egen flerspråkiga tabell, och det är det första man bör läsa innan man antar att nio slår två. På koreanska uppvisar Ming-3.0-tts-tiny en teckenfelaktighetsgrad på 6,000 %, en sjätteplats bland de åtta system som Ant benchmarkade, mot 1,728 % för Ants egen 0,5B-syskonmodell. På franska ligger den tvåa i felkvot, men dess talarlikhet på 0,733 placerar den inte bland de tre bästa, en begränsning som kortet självt anger. Tyska (0,325 %) och spanska (0,971 %) är bäst i den tabellen. Så den ärliga läsningen är: fem av Mings sju språk är trovärdiga, koreanska är det ännu inte, och dialektstödet är unikt men overifierat utanför Ants testram. Breeze gör däremot inga anspråk på något som det inte täcker – två språk, och varje resultat i dess kort handlar om dessa två.

Arenasiffrorna, och varför de inte är en direkt jämförelse

Breeze-TTS-2 har en oberoende poäng. Ming-3.0-tts-tiny har det inte, och posten som ser ut som en sådan tillhör en annan modell.

• Breeze-TTS-2 på Artificial Analysis, avläst från de live-tavlorna den 19 oktober 2026 — 1 220 Elo på Provider Voice, där varje modell använder sin egen inbyggda röstuppsättning, och 1 019 på Controlled Voice, där varje modell klonar samma åtta referensröster.

• Ming-raden på samma resultattavlor – 1 188 Provider och 1 069 Controlled – är kopplad till Ming-3.0-tts-0.5B, den täta syskonmodellen med ett backbone på en halv miljard, inte till den lilla checkpointen. Ants GitHub-README återger dessa siffror i sitt resultatavsnitt utan den distinktionen. Det är värt att vara tydlig: det finns ingen oberoende Elo för Ming-3.0-tts-tiny, ingen uppmätt siffra för tecken per sekund och ingen ordfelsfrekvens från tredje part.

• Projektsidans egen resultattavla anger Breeze till 1 222 Provider och 1 018 Controlled, en skillnad på två punkter från den aktuella resultattavlan i vardera riktningen. Det är så en resultattavla ser ut när den fortfarande samlar in röster; citera de aktuella siffrorna och notera avrundningen om du jämför dokument.

• På den kontrollerade resultattavlan är ordningen bland system med öppna vikter Ming-3.0-tts-0.5B på 1,069, Fish Audio Drama 3 Preview på 1,059 och Breeze-TTS-2 på 1,019. På leverantörsresultattavlan leder Breeze den gruppen på 1,220, med Ming-3.0-tts-0.5B på 1,188. Så den lilla Ming-modellen vinner när rösten hålls konstant och förlorar när varje system tar med sin egen rollbesättning – vilket säger en del om BreezeBlues röstinspelningar och väldigt lite om arkitekturen.

Inget av det överförs till den lilla checkpointen i någon riktning. En läsare skulle rimligen kunna dra slutsatsen att en 7,9B mixture-of-experts-modell med bättre kinesisk talarlikhetspoäng än sitt 0,5B-syskon skulle få högre poäng på den kontrollerade resultattavlan. Den slutsatsen är otestad, den är inte en siffra, och den här artikeln kommer inte att framställa den som en.

Vad var och en faktiskt är till för

Om man bortser från specifikationslistorna löser de två modellerna olika problem.

Breeze-TTS-2 är en release där driftsättning står i första rummet. Två språk, ett tätt 3B-fotavtryck som får plats på ett 12 GB-kort i eager-läge, ett streaming-API med en dokumenterad latensväg, en container som riktar sig mot datacenter-Hopper men kan byggas om för A100, och ett ekosystem av kvantiserade och runtime-specifika portningar som dök upp inom åtta veckor efter vikterna. Dess nedladdningsantal – 14 636 den senaste månaden, med 747 gilla-markeringar och 17 Spaces – visar hur det ser ut när en modell är lätt att köra. Begränsningen är licensen: vikter för forskning och icke-kommersiellt bruk, med en betald hostad väg som inte ger dig rättigheter till kommersiell egen drift.

Ming-3.0-tts-tiny är en lansering som sätter kapaciteten först. Nio språk, dialektkontroll, röstdesign, ett paralingvistiskt system med 14 taggar, poddgenerering med flera talare och bästa poäng för klonad röst inom sin egen familj på 0,781 i kinesisk talarlikhet. Dess begränsning är allt runt kapaciteten: en nedladdning på 18 GB, gles aktivering som kräver riktigt GPU-minne, en serving-strategi som bara är en kryssruta på färdplanen, ingen oberoende benchmark och inget tillkännagivande. Tjugo nedladdningar och tre gilla-markeringar på Hugging Face, fem stjärnor på GitHub och tolv dokumentationscommits på en enda eftermiddag visar att leverantören fortfarande skriver manualen.

Om du behöver lansera en tvåspråkig röstfunktion det här kvartalet på hårdvara du redan äger, är Breeze-TTS-2 med en kommersiell överenskommelse den kortare vägen, och det är licensen snarare än matematiken som du bör förhandla om. Om du behöver tyska, spanska, japanska, kantonesiska eller ett poddformat kan Breeze inte hjälpa dig, och Ming är det enda alternativet med öppna vikter som har en publicerad tabell – förutsatt att du kan hantera minneskraven och acceptera att koreanska inte är klart.

OrcaRouter routar inte någon av dessa modeller, och den här artikeln ska inte läsas som om den antyder något annat. Det som finns i katalogen är textdelen av den pipeline som dessa röster kopplas in i: mer än 200 modeller bakom en enda nyckel, till leverantörens listpris utan påslag, så en prisändring från leverantör är live hos oss samma dag i stället för vid en uppdateringscykel. När du jämför två självhostade checkpoints och ingen av dem har ett hostat pris, är den enda återkommande kostnaden du faktiskt kan styra modellen som skriver skriptet, och det är den delen som är värd att routa i stället för att hyra en GPU till.

Domen som håller när bevisen prövas är snävare än Elo-gapet antyder. Vid en jämförbar kommersiell driftsättning avgör MIT-licensen saken innan man ens har läst ett enda benchmark. För latenskänsligt tvåspråkigt arbete avgör Breezes ingenjörskonst saken innan licensen gör det. Och i frågan som de flesta läsare kom för – låter den större modellen bättre – är det ärliga svaret att ingen har mätt det, att arena-raden som alla kommer att citera är fel checkpoint, och att den första som kör båda på samma referensljud kommer att ta fram den enda siffra som är värd att citera.