Ming-3.0-tts vs Cartesia Sonic 3.6: Den ena läser ditt fakturanummer korrekt, den andra svarar på 90 ms

Sätter man Ming-3.0-tts och Cartesia Sonic 3.6 på samma rad i Artificial Analysis speech arena säger resultattavlan att Cartesia vinner: 1 290 Elo mot 1 188 för Provider Voice, en skillnad på 102 poäng, med konfidensintervall som inte är i närheten av att mötas. Sätter man dem på uttalstavlan vänder resultatet så kraftigt att det ser ut som ett datafel: 93,2 % mot 74,5 %. Samma två system, mätta av samma labb, i samma månad, är oense med arton procentenheter om vilket av dem som kan läsa engelska högt. Båda siffrorna är korrekta, och anledningen till att båda kan vara korrekta är själva jämförelsen. De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Ming-3.0-tts är Ant Groups MIT-licensierade modell med öppna vikter – en dense checkpoint på 0,5B som du kör på din egen GPU, med en syskonmodell av mixture-of-experts-typ på 7,9B som heter Ming-3.0-tts-tiny. Cartesia Sonic 3.6 är en proprietär realtidsendpoint som släpptes den 17 augusti 2026, prissatt per tecken, marknadsförd med latens till första ljud under 90 millisekunder och täckning för 44 språk. Den ena är en modell. Den andra är en tjänst byggd för att svara på ett telefonsamtal. Vilken du vill ha beror på en fråga som inte har något med Elo att göra: är din text mestadels prosa, eller mestadels saker som måste sägas exakt?

De två siffrorna som spelar roll, och varför de inte stämmer överens

Börja med preferenspanelerna, eftersom det är dem folk citerar.

• Provider Voice Elo — Ming-3.0-tts 1 188 (intervall 1 174–1 202) mot Sonic 3.6 1 290 (1 276–1 304). Sonic är 4:a av 97 modeller; Ming är 18:e.

• Kontrollerat Voice Elo – Ming-3.0-tts 1 068 (1 052–1 084) mot Sonic 3.6 1 151 (1 138–1 164). Sonic ligger på 5:e plats; Ming ligger på 12:e plats. Gapet minskar med 19 poäng när båda systemen klonar samma åtta röster.

• Uttalsrobusthet, engelska — Ming-3.0-tts 93,2 % (91,5–94,9) vs Sonic 3.6 74,5 % (71,4–77,5). Ming är 1:a av 31 uppmätta system; Sonic är 19:e.

Det är inte motstridiga resultat; de mäter olika saker. Elo-tavlorna frågar mänskliga lyssnare vilket klipp de föredrar, och preferens belönar det som gör syntetiskt tal behagligt – naturlig prosodi, övertygande känsla, en röst som inte låter som om den läser en manual. Sonic 3.6 är mycket bra på det. Det har varit det fjärde rankade systemet i arenan sedan augusti och det förtjänar placeringen.

Uttalsnämnden ställer en snävare och hårdare fråga: uttalade systemet just det här specifika textavsnittet korrekt? Mänskliga granskare annoterade de markerade orden och fraserna i engelsk text – varumärkesnamn, tekniska termer, filsökvägar, e-postadresser, siffror, datum, enheter – och bedömde var och en. I det testet hamnar Sonic i den nedre halvan av de 31 system som har poängsatts, och Ming hamnar högst av dem alla.

Delpoängen gör formen på misslyckandet tydligare än totalen gör:

• Fristående termer — Ming-3.0-tts 88.5 % mot Sonic 3.6 72.6 %

• Kontextuellt lämplig — Ming 91,0 % vs Sonic 78,2 %

• Bevarande av exakta sekvenser – Ming 90,6 % (1:a av 31) mot Sonic 60,8 %

• Expanderande stenografi — Ming 96,5 % (1:a av 31) vs Sonic 49,1 %

Expanding Shorthand är den man bör titta närmare på. Den täcker siffror, datum, enheter och notation – "6'2"", "kapitel XVII", "1 tsk". Sonic 3.6 får enligt detta mått ungefär hälften av dessa spann rätt. Det är en häpnadsväckande siffra för ett röst-API i produktion, och det är sådant som en demo aldrig visar eftersom demos skrivs i prosa som leverantören har valt. Sätt en orderbekräftelse, en dosering eller ett mått framför det, och preferensrangordningen slutar förutsäga något användbart.

Fallet med latens och genomströmning, där Cartesia inte är i närheten

Cartesias huvudsakliga påstående är första ljudet på under 90 millisekunder, vilket är siffran som spelar roll för en samtalsagent: den som ringer hör en röst innan de avgör att du är en maskin. Ming-3.0-tts publicerar ingen latenssiffra alls. Det oberoende testramverket har däremot genomströmning, och den är inte nådig mot den öppna modellen.

• Tecken per sekund vid generering — Sonic 3.6 146,9 mot Ming-3.0-tts 44,3. Cartesia är 3,3 gånger snabbare under identiska hårdvaruförhållanden.

• Median genereringstid för en poängsatt förfrågan – Sonic 3.6 9,20 s jämfört med Ming 2,56 s. Läs den här noggrant; den återspeglar olika förfrågningslängder, inte en hastighetsfördel för Ming.

Den ärliga sammanfattningen är att {{1}}Sonic 3.6{{/1}} är byggd för strömning och {{2}}Ming-3.0-tts{{/2}} är byggd för batchkörning. Vid 44,3 tecken per sekund – ungefär sju ord – överträffar den {{3}}självhostade modellen{{/3}} faktiskt verkligt tal, så en lång uppläsning blir klar före den tid det tar att lyssna på den. Det som saknas är en streamingstory, en publicerad tid till första ljud, eller sessionshantering. {{4}}Cartesia{{/4}} säljer exakt dessa tre saker.

Om du bygger en telefonagent, ett realtidsöversättningsverktyg eller något där en människa väntar på den första stavelsen, är det slutet på jämförelsen och du bör sluta läsa. Resten av den här texten är för det andra fallet: text som är förberedd i förväg, eller text vars korrekthet spelar större roll än hur omedelbar den är.

Vad varje sida faktiskt ger dig

Ming-3.0-tts, från Ant Groups inclusionAI-grupp, distribueras som en checkpoint på 2,96 GB som innehåller backbone, ett diffusion-transformer-patch-head, en ljudtokenizer, en talarinkodare och en texttokenizer, under MIT-licensen med kommersiell användning tillåten. Den ger ljud i 44,1 kHz, stöder sju språk plus sichuanesiska och kantonesiska och erbjuder röstkloning, textbeskriven röstdesign, 14 inline-paralingvistiska taggar samt kontroll av känsla och hastighet/tonhöjd/volym. Ant testade den på en H800-80GB och en H20-96G med PyTorch 2.6 och CUDA 12.4, och levererar en Dockerfile.

Sonic 3.6 från Cartesia är ett API. Det hanterar 44 språk från en enda modell, klonar en röst från tio sekunders referensljud, stöder emotionsmedveten framställning och infogbara icke-verbala signaler samt accepterar anpassade uttalsordböcker – vilket är leverantörens eget svar på precis det problem som uttalspanelen mäter, och det är värt att notera att en kund som konfigurerar den inte bedöms på den standardväg som arenan testar. Cartesia bygger också resten av röststacken: tal-till-text, röstagenter för 0,06 USD per minut, telefonnummer och samtidighetsgränser som skalas med abonnemangsnivå.

• Licens — MIT-vikter som du behåller vs ett kommersiellt API utan vikter

• Språktäckning — 7 plus 2 dialekter vs 44

• Driftsättning — din GPU kontra deras slutpunkt

• Utgångssamplingsfrekvens – 44,1 kHz vs. ej publicerad på produktsidan

• Röstkloning – referensljud, referenstext och ett explicit uppgiftsläge vs 10 sekunders ljud, omedelbart

• Prissättningsgrund — GPU-timmar kontra krediter vid en kredit per tecken

Kreditprissättningen är värd att räkna om, eftersom "en kredit per tecken" inte är ett tal som de flesta team kan budgetera mot. Cartesias egen plattabell säger att en minut ljud tar 750–800 krediter, vilket ger en effektiv taxa nära 0,038 USD per minut på Pro-planen för 5 USD, 0,029 USD på Startup-planen för 49 USD och 0,028 USD på Scale-planen för 299 USD. Arenan normaliserar det till 49 USD per miljon tecken, vilket är den jämförbara siffran mot Mings noll. Ming är inte gratis; det är en GPU-timmarskostnad som din ekonomiavdelning kommer att se som infrastruktur snarare än som en kostnadspost per ord.

Tremånadersjämförelsen som ingen tar med i recensionen

Det finns en version av det här beslutet som överlever båda modellerna, och det är den som spelar roll för ett produktionssystem: vad som händer när modellen du valde ersätts.

Cartesia har släppt Sonic 3, 3.5 och 3.6 inom ett år, till ett konstant pris på 49 dollar per miljon tecken. Ant har släppt Ming-omni-tts i februari, en variant på 16,8B i juni och nu Ming-3.0-tts – med en teknisk rapport som fortfarande är oavbockad på deras roadmap och en accelerationsväg för vLLM-Omni som är markerad som klar men odokumenterad i kodförrådet. Båda leverantörerna rör sig snabbt. Ingen av dem kommer att stanna.

För en hostad modell är det en rutinmässig versionsuppdatering. För en självhostad checkpoint är det en migrering: nya vikter, nya beroenden, en ny omgång utvärdering på din egen text. MIT-licensen skyddar din rätt att fortsätta köra den gamla, vilket är en verklig fördel och det främsta skälet till att team väljer öppna vikter från början – men den skyddar dig inte från att vilja ha den nya.

Det här är skarven där ett routningslager gör något konkret snarare än retoriskt. OrcaRouter hostar inte Ming-3.0-tts eller Cartesia Sonic 3.6, och inget här bör antyda något annat – Ming kommer från repot, Sonic från Cartesias eget API. Det katalogen faktiskt tillhandahåller är en uppsättning hostade talmodeller, inklusive G​oogles G​emini T​TS-förhandsversioner och O​penAIs tts-1 och gpt-4o-mini-tts, bakom samma nyckel som fler än 200 textmodeller, till leverantörens listpris utan påslag, med automatisk failover mellan leverantörer. Om din röstpipeline har en reservväg – och alla pipelines som hanterar trafik i realtid bör ha det – kan den reservvägen vara en enda slutpunkt i stället för ett andra avtal och ett andra SDK. En leverantörs prissänkning når oss samma dag, eftersom det inte finns något påslag däremellan att rulla tillbaka.

Vilken ska man välja, utifrån arbetsbelastning

Beslutet är kort om du svarar ärligt om texten.

Välj Sonic 3.6 om en människa väntar på det första ljudet, du behöver mer än en handfull språk, eller du vill att en leverantör ska ansvara för drifttiden. Preferensgapet på 102 punkter är verkligt och lyssnarna kommer att höra det. Konfigurera uttalsordboken för de termer som din produkt faktiskt säger, eftersom standardvägen får 74,5 % på just det.

Välj Ming-3.0-tts om ditt ljud genereras i förväg – berättarröst, uppläsning av dokumentation, IVR-meddelanden, utbildningsmaterial, ljudboksutkast – och texten innehåller identifierare, enheter, koder eller notation. I de tre kategorier som täcker dessa avsnitt ligger den antingen först eller inom tre poäng från förstaplatsen, och inget hostat system på resultattavlan är bättre på att bevara en exakt sekvens.

Välj ingen av dem, men om du behöver få engelska egennamn rätt. Mings 88,5 % på Standalone Terms är 21:a av 31, och det är den enda kategorin där modellen otvetydigt ligger i mitten av tabellen. Ett varumärkesnamn som uttalas fel i en produktdemo kostar mer än ett datum som läses klumpigt.

Det finns också en hybrid som ingen av leverantörerna kommer att föreslå: använd en hostad realtidsmodell för den interaktiva ytan och en självhostad checkpoint för batchkorpusen, och utvärdera dem på samma avsatta text. De två systemen misslyckas på olika ställen, vilket är det som gör uppdelningen värd den operativa kostnaden.

Den öppna frågan

Cartesias produktsida säger att företaget {{1}}rankas etta på Speech Arena{{/1}}. Det var sant när sidan skrevs och är det inte längre – HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo och Eleven v4 ligger alla före Sonic 3.6 i dag, och Sonics egen placering är fjärde. Påståenden på leverantörers topplistor blir inaktuella på några veckor. Uttalspoängen på 74,5 % är det mer hållbara faktumet i den här jämförelsen, eftersom den {{2}}mäts av någon som inte har någon produkt att sälja{{/2}} och den är tillräckligt dålig för att Cartesias egen funktion för uttalsordbok finns för att kringgå den.

Vad som skulle ändra domen: en streaminglansering av Ming-3.0-tts med publicerad tid till första ljud, eller en Sonic 3.7 som åtgärdar expansionen av förkortningar. Ingen av dem är annonserad. Fram till dess är uppdelningen tydlig – hastighet och täckning på ena sidan, exakthet och ägarskap på den andra – och det rätta svaret är att sluta leta efter en vinnare och börja titta på din egen korpus.