Ming-3.0-tts-tiny vs Qwen-Audio-3.0-TTS: Den ena har ett priskort, den andra har ett arkiv

Jämförelsen alla vill ha är två poängsättningar sida vid sida, och den kan inte göras ärligt i dag. Ming-3.0-tts-tiny är en tal-checkpoint på 7,9 miljarder parametrar av typen mixture-of-experts från Ant Groups inclusionAI, släppt som vikter under MIT utan hostad endpoint och utan oberoende utvärdering. Qwen-Audio-3.0-TTS är en hostad syntes-endpoint på Alibaba Cloud Model Studio, lanserad den 20 juli 2026, såld i en Flash-nivå och en Plus-nivå, utan vikter någonstans och utan publicerad felfrekvenstabell. Ena sidan har en placering på en leaderboard och ett pris. Den andra har en nedladdningsbar pipeline och en leverantörsbenchmark-svit. Det användbara arbetet här är inte att välja en vinnare bland dessa två artefakter; det är att reda ut vilka siffror som kan ställas bredvid varandra, och vilka som inte kan det. De dokumenterade AI-misslyckandena och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstritt.

Datumen spelar roll, eftersom ingen av produkterna dök upp så som ett lanseringsinlägg skulle antyda. Ming-3.0-tts-tiny:s Hugging Face-repository skapades den 22 september 2026 och själva checkpointen laddades upp den 24 september. I tre och en halv vecka var den en mapp med vikter utan något sätt att köra dem: inferenskoden, exemplen med ett klick och uppgiftskokboken kom bara till GitHub den 19 oktober kl. 08:58 UTC, i nio commits under en enda eftermiddag. Ant har inte tillkännagivit det, det finns inget blogginlägg, ingen modellkortsvideo och ingen teknisk rapport. Qwen-Audio-3.0-TTS hade däremot en riktig lansering och finns fortfarande kvar på Alibabas prislista – och den nivå som spelar roll för kvaliteten, Plus, är fortfarande högst upp på Alibabas syntesstege även efter att 3.1-generationen kom i september.

Raden i resultattavlan är fel checkpoint, och repositoryt säger inte det.

Börja här, för det här är misstaget som den första vågen av jämförelseinlägg kommer att göra. Artificial Analysis har två taltavlor, och båda har en modell som heter Ming-3.0-tts. Den 19 oktober ligger den på 1 188 Elo på Provider Voice-tavlan och 1 069 på Controlled Voice-tavlan.

Den posten är 0.5Bmodellen, inte den här. Ming-3.0-tts-tiny har ingen arena-rad alls – inte rankad, inte orankad, inte en förhandsvisningspost. GitHub README återger siffrorna 1 188 och 1 069 i sitt resultatavsnitt utan att skilja på vilken checkpoint som producerade dem, vilket är precis så ett nummer får fel etikett två omdelningar senare.

När du ser "Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266" är det som faktiskt jämförs Ants dense-modell med en halv miljard parametrar mot Alibabas största hostade nivå, medan modellen i den här artikelns titel saknas på resultattavlan. Gapet på 78 poäng är verkligt för 0.5B. Det säger ingenting om den lilla MoE-modellen, åt något håll. Den lilla modellen kan vara bättre; ingen har ställt den inför en preferenspanel.

Frånvaro är inte en låg poäng. Det är en modell som inte poängsätts, och skillnaden är hela anledningen till att det här avsnittet finns.

Vad varje sida faktiskt är

Ta bort marknadsföringen, så skiljer sig de två objekten till sin art innan de skiljer sig i kvalitet.

• Form — Ming-3.0-tts-tiny är en checkpoint som du laddar ner: cirka 18 GB, 8 980 964 372 parametrar i BF16 plus 40 096 i F32, med Ling V3-ryggraden, ett diffusions-transformerhuvud, en ljudtokeniserare, en CAM++-talarkodare och texttokeniseraren. Qwen-Audio-3.0-TTS är en HTTP-slutpunkt som returnerar ljud; det finns inget att ladda ner och ingen licens att granska.

• Parametrar – 7,9B totalt med cirka 1,3B aktiva per token, en gles mixture-of-experts, jämfört med en hostad modell för vilken A​libaba inte publicerar något parameterantal.

• Licens — MIT för både vikter och kod, med en användningsnotis som ber dig att inte imitera människor utan samtycke och att märka syntetiskt ljud. För den värdbaserade delen gäller kommersiella API-villkor.

• Språk — kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, samt sichuanesiska och kantonesiska när ett referensklipp på en dialekt tillhandahålls. Qwen-Audio-3.0-TTS listar 16 språk och 20 kinesiska dialektregioner.

• Kontrollgränssnitt – zero-shot-kloning, röstdesign utifrån en beskrivning, fritt formulerade stilinstruktioner, 14 inbäddade paralingvistiska taggar, explicita inställningar för känsla, hastighet, tonhöjd och volym samt en podcastuppgift med flera talare. Qwen-Audio-3.0-TTS erbjuder kloning plus ungefär 86 inbäddade framföringstaggar och styrning i instruktionsstil.

• Pris — ingen listad taxa på Ming-3.0-tts-tiny-sidan; du betalar för GPU-tid. Qwen-Audio-3.0-TTS-Plus kostar ¥1,4 per 10 000 tecken på Alibabas Beijing-lista, vilket Artificial Analysis normaliserar till $19,31 per miljon tecken.

Oberoende poäng — ingen för Ming-3.0-tts-tiny. 1 266 Elo på Provider Voice och 1 126 på Controlled Voice för Qwen-Audio-3.0-TTS-Plus, båda med konfidensintervall som inte vidrör Ming-3.0-tts-radens 1 188 och 1 069.

Två typer av bevis som inte kan omvandlas till varandra

Arenan mäter preferens. Ants tabeller mäter fel och likhet. Inget av dem omvandlas till det andra, och frestelsen att behandla en Elo-skillnad som en kvalitetsmultiplikator bör motstås.

Det som Qwen-Audio-3.0-TTS ger dig är en publikens relativa bedömning av dess röster för modersmålstalare, med stickprovsstorlekar och konfidensintervall bakom. Det som Ant ger dig är ett laboratories mätning av sin egen modell mot en fast testuppsättning, där testramverket, referensklippen och bedömningskoden alla har valts av samma team som byggde modellen. Båda är legitima. Inget av dem ersätter det andra, och bara ett av dem finns för modellen i den här artikelns rubrik.

Ants svit är bred, och det är värt att veta vad den innehåller innan man avfärdar den. På det kinesiska Seed-TTS-setet uppnår den lilla modellen 0,820 % ord Fel vid 0,781 talarlikhet – den bästa likhetssiffran någonstans i Ants publicerade tabeller, inklusive dess eget 0,5B-syskon på 0,758. Engelska når 1,666 % vid 0,728. Tyska landar på 0,325 % teckenfel och spanska på 0,971 %, båda först i Ants jämförelse av åtta system. Japanska är 3,427 %, franska 3,470 %. I NVBench:s paralingvistiska single-event-test leder den i alla sex kategorier, med 17,23 PCER på kinesiska och 32,95 på engelska. Dialektsviterna ligger på 86,09 % noggrannhet för WSC-Eval-TTS easy och 92,90 för WSYue base, känslouppsättningen på 74,00 % i genomsnitt för CV3 och röstdesign på 75,37 % för InstructTTSEval-ZH. Allt är Ants eget testramverk, kört av Ant, rapporterat av Ant och reproducerat av ingen.

Den ärliga sammanfattningen är att Qwen-Audio-3.0-TTS har bedömts av främlingar och Ant har bedömts av sin upphovsman. Det är ingen kritik mot någon av dem; det är ett konstaterande om vad de två siffrorna är.

Den enda direkta jämförelse som Ant publicerar, och den är mot sig själv

Mitt i den testsviten finns ett resultat som fungerar som en riktig jämförelse, eftersom konkurrenten är Ants egen 0.5B-modell och skillnaden är tillräckligt stor för att hålla även i ett annat testramverk.

På koreanska uppvisar Ming-3.0-tts-tiny en teckenfelfrekvens på 6,000 %. 0,5B-modellen uppvisar 1,728 %. Samma team, samma testuppsättning, samma rapporteringsdag — en faktor på ungefär tre och en halv, i den riktning som ingen förväntade sig från den större modellen. Modellkortet förklarar det inte, och avsnittet om begränsningar listar koreanska bland de kända svagheterna utan att erbjuda någon mekanism.

En strukturell förklaring finns tillgänglig och bör betecknas som en hypotes snarare än ett fynd: glesa modeller dirigerar varje token genom en delmängd experter, så ett språk som fick mindre träningssignal i blandningen kan försämras snabbare än det skulle göra i en tät modell av jämförbar total storlek. Det är rimligt. Det är inte uppmätt. Det som är försvarbart är den operativa slutsatsen, som är snävare: om koreanska ingår i din produkt är den här checkpointen inte den man ska ta till förrän någon kör den på riktig koreansk text och publicerar resultatet.

Qwen-Audio-3.0-TTS täcker koreanska bland sina 16 språk, och Alibaba publicerar ingen felkvot per språk att ställa mot Ants 6,000 %. Så inte ens den svaga punkten kan omvandlas till en jämförelse. Det kan bara läsas som en varning.

En miljon tecken, dubbelt så dyrt

Det är här de två produkterna slutar vara abstraktioner.

Qwen-Audio-3.0-TTS debiterar per tecken. Med arenans normaliserade pris på 19,31 USD per miljon tecken kostar en miljon tecken färdig berättarröst 19,31 USD, och hundra miljoner kostar 1 931 USD. Siffran är linjär, förutsägbar och tillgänglig innan du skriver någon kod. Genomströmningen i samma oberoende testrigg är 25,61 tecken per sekund av genereringstid, vilket är en samtidighetsfråga snarare än en faktureringsfråga på API:ets skala.

Ming-3.0-tts-tiny kostar i GPU-timmar, och beräkningen har en lucka mitt i. Syskonmodellen på 0,5B uppmättes till 42,1 tecken per sekund; tiny-modellen mättes inte alls. Du kan inte låna syskonets genomströmning, eftersom tiny-modellen aktiverar ungefär två och en halv gånger så många parametrar per token och upptar cirka 18 GB i stället för 2,96 GB. Ants rekommenderade kort är ett H800, och den fastlåsta miljön – Python 3.10.15, torch och torchaudio 2.7.1 med CUDA 11.8, transformers 4.46.3 – är det enda prestandapåståendet i släppet.

Gör beräkningen öppet i stället för att låtsas att saken är avgjord. Vid 20 tecken per sekund tar en miljon tecken cirka 14 timmar att generera; vid 10 tecken per sekund cirka 28. Multiplicera de timmarna med din egen GPU-timkostnad, lägg till modellens laddningstid, kötid och omförsök, och jämför med $19.31. Under några miljoner tecken i månaden brukar den hostade taxan vanligtvis vinna på total kostnad när någons tid räknas in. Över det, på hårdvara du redan äger och håller upptagen, är checkpointens marginella kostnad per timme densamma som den första – vilket är den strukturella fördelen som inget priskort kan matcha.

En sak som prisjämförelsen inte bör dölja: de två modellerna är inte samma produkt till något pris. Qwen-Audio-3.0-TTS Plus-nivå är en färdig röstkatalog med 16 språk; Ming-3.0-tts-tiny är en pipeline som du själv kör och vars utdatakvalitet du själv mäter.

Nivåfrågan som A​libaba inte har löst

Den som i dag väljer Qwen-Audio-3.0-TTS väljer inom en familj som har förändrats under dess fötter. Qwen-Audio-3.1-serien annonserades den 23 september 2026, och Artificial Analysis listar en Qwen-Audio-3.1-TTS-Plus på 1 300 Elo i Provider Voice och 1 186 i Controlled – högre än 3.0 Plus på båda listorna, daterad 24 september, till samma $19.31 per miljon tecken.

Men Alibabas offentliga prislista listar endast en Flash-SKU för 3.1 TTS, så huruvida 3.1 Plus-nivån går att anropa i dag är en fråga för leverantörens egen konsol snarare än något man kan sluta sig till från en resultattavla. Hur som helst är den praktiska tolkningen densamma: 3.0 Plus-nivån är inte föråldrad, men den är inte längre det nyaste som Alibaba har poängsatt, och en köpare bör bekräfta vilken SKU de faktiskt tecknar avtal om innan de jämför dess pris med något.

För Ming-3.0-tts-tiny finns det ingen tier-fråga alls – det finns en checkpoint, ingen färdplan med datum, och en notis om vLLM-Omni-stöd som dök upp i dokumentationen samma dag som koden.

Vad repositorierna inte fastställer

Fyra luckor förtjänar att nämnas innan någon planerar utifrån den här modellen.

• Ingen oberoende poäng — ingen arena-rad, ingen ordningsfelkvot från tredje part, ingen uppmätt genomströmning. Raden som ser ut att vara Ming-3.0-tts-tiny:s tillhör 0.5B.

• Ingen teknisk rapport – färdplanen listar den som ej ikryssad, och modellkortet redigerades den 16 oktober för att ta bort en hänvisning till en sådan.

• Ingen hostad slutpunkt – det finns inget förstaparts-API och inget pris, så den enda vägen till produktion är din egen infrastruktur.

• Inget recept för finjustering – repot dokumenterar inferensuppgifter, inte träning. LoRA eller fullständig finjustering av denna checkpoint är odokumenterad, vilket är en annan situation än för en modell som levereras med träningsskript.

Vid tidpunkten för insamlingen visade Hugging Face-repositoriet 20 nedladdningar och 3 gillamarkeringar, och GitHub-repositoriet ett fåtal stjärnor och inga releaser. Det är inte bevis för någonting annat än att släppet var lågmält, vilket är det enda påståendet som den här texten är säker på.

Vad denna jämförelse är värd i praktiken

Om du behöver en röst i produktion den här månaden, på fler än ett par språk, med någon annan som ansvarar för drifttiden, är Qwen-Audio-3.0-TTS-Plus det försvarbara valet: den är poängsatt, prissatt, dokumenterad och har support, och Elo-värdet 1 266 är uppmätt snarare än påstått.

Om du behöver äga modellen – klona röster som du inte kan skicka till en tredje part, generera i en volym där debitering per tecken dominerar, leverera under en licens som tillåter vidaredistribution – är Ming-3.0-tts-tiny den enda av de två som kan bli din. Acceptera i utbyte att du blir den första att benchmarka den, att koreanska är en känd svaghet som leverantören själv publicerar, och att pipelinen är en vecka gammal.

OrcaRouter dirigerar inte någon av modellerna, och inget här bör läsas som att det påstås motsatsen; tal nås via varje leverantörs egen kanal, och checkpointen Ming-3.0-tts-tiny via din egen hårdvara. Det vi dirigerar är textdelen av samma pipeline — fler än 200 modeller bakom en enda nyckel, till leverantörens listpris utan påslag, så en prisändring hos en textleverantör blir ditt pris samma dag. För en röstprodukt är manuset, den SSML-liknande styrningen och agenten som bestämmer vad som ska sägas alltihop text, och det är den delen där ett andra leverantörsavtal inte ger dig någonting.

Det tal som skulle avgöra saken finns ännu inte. Det är inte en Elo-poäng; det är en eftermiddag på en H800 som kör den lilla checkpointen mot samma referensklipp som Ant använde, med resultaten publicerade tillsammans med testramverket. Tills någon gör det är den ärliga hållningen den som den här artikeln har intagit: två trovärdiga artefakter, en poängsatt och en inte, och en jämförelse som måste göras utifrån ägande, prisbild och språkrisk i stället för utifrån kvalitet.