Ming-3.0-tts vs Qwen-Audio-3.0-TTS: Öppna vikter mot en röst du mäter per tecken

Ming-3.0-tts och Qwen-Audio-3.0-TTS är de två mest trovärdiga kinesiska text-till-tal-systemen som släpptes 2026, och de är oense om nästan allt utom kvaliteten på sina resultat. Ming-3.0-tts är Ant Groups MIT-licensierade modell med öppna vikter, publicerad av inclusionAI-teamet den 20 oktober 2026 som en del av Ming-3.0 talfamilj. Qwen-Audio-3.0-TTS är Alibabas stängda talsyntes som endast är tillgänglig via API, tillkännagiven på WAIC den 20 juli 2026 i nivåerna Plus och Flash utan att några vikter publicerades alls. Den ena laddar du ner och kör; den andra hyr du per tecken. Den skillnaden är jämförelsen, och kvalitetsgapet är mindre än affärsmodellgapet.

Det finns också en hake som de flesta jämförelser av dessa två modeller missar, och den förändrar rekommendationen: Qwen-Audio-3.0-TTS är inte längre den Qwen-talmodell du faktiskt skulle köpa. Alibaba ersatte den med Qwen-Audio-3.1-TTS den 23 september 2026 och sänkte syntespriserna med ungefär 70 % dagen innan. Så den här sidan jämför modellen som nämns i rubriken mot Ming-3.0-tts, eftersom det är vad folk söker efter, och berättar sedan vad den nyare Qwen-modellen ändrar i svaret.

Modellen i titeln har redan ersatts

Qwen-Audio-3.0-TTS lanserades på WAIC med ett genuint påstående: första plats i Artificial Analysis Provider Voice Arena, före Gemini 3.1 Flash TTS och en lång lista med kommersiella system. Det lanserades i två nivåer – Plus för kvalitet, Flash för realtidsinteraktion med en latens på cirka 300 ms för första paketet – till listpriser på omkring 27,60 dollar respektive 15 dollar per miljon tecken.

Nio veckor senare anlände Qwen-Audio-3.1-TTS till Apsara Conference. Ändringarna som spelar roll för den här jämförelsen:

• Pris — syntes cirka 70 % lägre, realtid cirka 85 % lägre, gäller från och med 22 september 2026 för regionerna Beijing och Singapore. Det innebär att 3.1 TTS Flash hamnar på ungefär ¥1,5 per miljon indatatoken och ¥12 per miljon utdatatoken, och att Plus-motsvarigheten hamnar nära $8 per miljon tecken i den äldre enheten.

• Kontroll – fritt formulerade instruktioner på naturligt språk för känsla, tempo och stil ersätter 3.0:s 86 inline-taggar för framförande. Det är en användbarhetsförändring, inte en kvalitetsförändring, och det är den som mest sannolikt påverkar om du kan släppa produkten.

• Kloning — språköverskridande klangfärgsöverföring mellan mandarin, kantonesiska, engelska och japanska, samt direkt hantering av brusigt eller efterklangsrikt referensljud.

• Verifiering — inget oberoende arenapoäng vid skrivandet. Kvalitetspåståendena för 3.1 är leverantörens egna påståenden.

Så den rimliga formuleringen är inte "Ming mot Qwen" utan "Ming mot Qwens nuvarande generation, vars pris nu är ungefär en tredjedel av vad 3.0 tog." Mings kostnadsfördel minskar i motsvarande grad. Arkitekturskillnaden gör det inte.

Två olika produkter, inte två versioner av en och samma

• Leveransmodell — Ming-3.0-tts är MIT-licensierade vikter på Hugging Face och ModelScope, med inferenskod i ett separat GitHub-repositorium. Qwen-Audio-3.0-TTS publicerar inga vikter; den tillhandahålls via Alibaba Cloud Model Studio.

• Storlek — Mings standardcheckpoint är 0,5B parametrar, tät, på en Qwen2.5-0.5B-bas, cirka 2,96 GB. Syskonmodellen Ming-3.0-tts-tiny är en MoE med totalt 7,9B och 1,3B aktiva på Ants Ling V3-bas. Qwen anger inte parameterantal för någon av nivåerna.

• Tak för utmatningskvalitet — Ming klarar högst 44,1 kHz. Qwen-Audio-3.0-TTS har flyttats till 48 kHz och stöder syntes i ett pass på upp till tre minuter.

• Språktäckning — Ming täcker kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, samt sichuanesiska och kantonesiska. Qwen täcker 16 språk och 20 kinesiska dialektregioner och har med 3.0 lagt till arabiska, vietnamesiska, malajiska och filippinska.

• Röster — Ming levereras med över 100 kinesiska röster och fem engelska. Qwens katalog är ett hostat urval som du inte hanterar.

• Control surface — Ming erbjuder röstdesign utifrån en textbeskrivning, ett "regissörsläge" för fritt formulerade leveransinstruktioner, 14 inline-paralingvistiska taggar samt explicita kontroller för känsla, hastighet, tonhöjd och volym. Qwen 3.0 erbjöd fristiliga regissörsprompter plus finmaskiga taggar; 3.1 ersatte taggarna med instruktioner.

Mönstret i den listan är konsekvent: Ming ger dig mer kontroll över ett snävare språkutbud, och Qwen ger dig bredare täckning med mindre insyn i vad som ligger bakom.

Kvalitet: vad arenan säger, och vad den inte säger

Båda modellerna har oberoende mätningar, vilket är tillräckligt ovanligt för att vara värt att använda noggrant. Fällan är att jämföra mellan olika kort.

På Provider Voice Arena – där modeller talar med sina egna standardröster, vilket är den likvärdiga jämförelsen – fick Qwen-Audio-3.0-TTS-Plus 1 238 Elo i augusti 2026 och 1 259 i september, med en andraplats. Ming-3.0-tts fick 1 188 Elo, var tredje bland öppna modeller och runt 18:e totalt. På den listan ligger Qwen före med ungefär 50 till 70 Elo, vilket är ett reellt men inte enormt gap – ungefär skillnaden mellan två intilliggande nivåer av kommersiell röst.

Ming har två resultat som Qwen inte kan matcha på samma resultattavla. Ming delade förstaplatsen totalt sett i Pronunciation Robustness med 93,2 %, och ligger först bland modeller med öppna vikter på Controlled Voice Arena med 1 069 Elo, en tavla byggd av åtta klonade röster med amerikanska och brittiska accenter. Qwen finns inte med på tavlan för kontrollerade röster, eftersom det inte finns någon lokal checkpoint att köra testet mot.

Lästa tillsammans säger de siffrorna något specifikt. Ming är som bäst när det återger en röst du ger det, och som svagast när det hämtar från sin egen lilla engelska katalog. Qwen är stark på sina egna röster och hävdar toppmodern talarlikhet på alla 16 språk – ett leverantörspåstående, inte ett oberoende sådant. Om din arbetsbelastning är "klona vår grundare och läs upp nyhetsbrevet" är Mings starkaste resultattavla den som spelar roll. Om den är "ge oss 40 röster på 12 språk" är Qwens täckning det avgörande faktumet.

Ett leverantörsrapporterat nummer förtjänar att uppmärksammas eftersom det är ovanligt och praktiskt: Qwen-Audio-3.0-TTS genomströmning rapporterades till cirka 16 tecken per sekund, mot ungefär 120 för Sonic 3.5 och 30 för Simba 3.2. Det är långsamt. Det är anledningen till att Flash-nivån finns, och det är den typ av begränsning som en kvalitetsleaderboard aldrig kommer att visa dig. Mings 0,5B-checkpoint har ingen jämförbar offentlig genomströmningssiffra, vilket är en lucka i sig.

Kostnad, i den enhet som var och en tar betalt i

De två modellerna har inte samma enhet, så jämförelsen måste räknas om innan den säger något. Vid ungefär 14 tecken per sekund talad text motsvarar en miljon tecken ungefär 19 till 20 timmars ljud.

• Qwen-Audio-3.0-TTS-Plus — 27,60 USD per miljon tecken, eller ungefär 1,40 USD per ljudtimme till listpris.

• Qwen-Audio-3.0-TTS-Flash — cirka 15 USD per miljon tecken, eller ungefär 0,76 USD per ljudtimme.

• Qwen-Audio-3.1-TTS – efter septemberminskningen, ungefär en tredjedel av 3.0:s pris, alltså någonstans kring 0,40–0,45 dollar per ljudtimme för motsvarande syntes.

• Ming-3.0-tts — inget pris per tecken. MIT-vikter och en GPU-kostnad i stället. En hyrd H800 för cirka 2 dollar per GPU-timme som kör en 0,5B-modell långt över realtid producerar flera ljudtimmar per klocktimme; batchad faller den effektiva taxan under vad någon av de avgiftsbaserade priserna ovan kan nå vid ihållande volym.

Brytpunkten är hela argumentet. För några timmars ljud per månad är självhosting en dålig affär: GPU:n står oanvänd 99 % av tiden, beroendestacken är en dags arbete och det förbrukningsbaserade API:et kostar mindre än elen. För några hundra timmar per månad är det förbrukningsbaserade API:et det dyra alternativet med bred marginal, och gapet ökar för varje extra timme eftersom marginalkostnaden för nästa generering är nästan noll. Var exakt din brytpunkt ligger beror på GPU-prissättning och utnyttjandegrad, men den mäts i hundratals timmar per månad, inte tusentals.

Det finns en andra kostnad som inte syns på någon av prislistorna: kostnaden för att modellen förändras under fötterna på dig. Qwen-Audio-3.0-TTS var den bästa talmodell Alibaba sålde i ungefär nio veckor. Alla som byggde en produkt på dess 86-taggiga styrgrammatik tillbringade september med att skriva om prompter för instruktioner i naturligt språk. Mings MIT-vikter kan inte utfasa, bara förbättras av dig.

Kontroll, kloning och utrullningsverkligheten

Mings röstdesign är funktionen som Qwen inte har någon motsvarighet till. Du beskriver en talare i text – ålder, klang, tempo, accent – och modellen syntetiserar en röst som matchar, utan ett referensklipp. För att prototypa en karaktär eller en varumärkesröst innan du har en inspelning är det ett helt annat arbetsflöde än att välja ur en katalog.

Qwens motvikt är robusthet. Version 3.1 hanterar särskilt brusigt och efterklangsrikt referensljud, vilket är det felmod som slår ut kloning i verkliga driftsättningar: någon spelar in ett prov på en laptop i ett konferensrum och klonen låter som en annan person. Mings modellkort är uppriktigt om att talarlikhet ligger efter innehållsnoggrannhet, där franska är den tydligaste flerspråkiga luckan.

Driftsättning är där de två skiljer sig mest markant åt i arbetsinsats.

• Ming — klona GitHub-repositoriet, installera CUDA 12.4 och PyTorch, bygg valfritt flash-attn, installera pynini för textnormalisering och kör infer.py eller Python-API:t ming_tts.MingTTS. Hugging Face är bara värd för checkpoints och säger det i en informationsruta. Den lilla modellen behöver sin egen miljö. Det finns ingen värdbaserad inferensleverantör på Hugging Face vid tidpunkten för skrivandet.

• Qwen — en API-nyckel och en regional slutpunkt. Ingen infrastruktur, ingen beroendestack, ingen kapacitetsplanering för GPU:er. Du får heller ingen möjlighet att låsa en version, inspektera modellen eller köra offline.

För ett team med ett befintligt GPU-avtryck och ett regelefterlevnadsskäl att hålla ljudet internt är Ming det självklara valet och insatsen är ett avrundningsfel. För ett team utan något av de två är Qwen billigare den här kvartalet och dyrare i skala, och inlåsningen är verklig.

Var en router passar in

Ingen av modellerna finns på OrcaRouter. Vi driftar inte Ming-3.0-tts och vi återförsäljer inte Qwen-Audio-3.0-TTS, och en jämförelsesida är inte rätt plats att låtsas något annat. Det som ligger på vår sida av pipelinen är allt runt rösten: språkmodellen som skapar och skriver om manuset, plus hostade talmodeller som Gemini 3.1 Flash TTS Preview och GPT-4o mini TTS för de fall där egen drift av Ming är fel avvägning.

Det spelar störst roll för det beslut som den här sidan faktiskt handlar om. En röstpipeline är inte en enda modell; den består av en manusgenerator, en normaliserare, en syntetiserare och en reservlösning. Att lägga textdelen bakom en enda API-nyckel – över 200 modeller, 0 % påslag på leverantörens listpris, automatisk failover när en leverantörs prestanda försämras – innebär att det enda du binder upp dig till är själva röstmodellen. Om du självhostar Ming och det visar sig vara svagare på dina engelska varumärkesnamn än arenan antydde, är ett byte av röstlagret en ändring av en komponent, inte ett plattformsbyte. Om du bygger på Qwens hostade API är routinglagret det som håller resten av pipelinen vid liv när slutpunkten är långsam eller hastighetsbegränsad, och prissättningen utan påslag innebär att Alibabas nästa prissänkning når dig samma dag som den införs i stället för när det passar en återförsäljare.

Vilken ska man välja?

• Välj Ming-3.0-tts om du har GPU:er, behöver en klonad eller designad röst i stället för en katalog, vill ha MIT-villkor som klarar juridisk granskning och kan acceptera verktyg på forskningsnivå och en tunn engelsk röstuppsättning. Det är det enda alternativet här som du kan äga helt och hållet.

• Välj Qwen-Audio-3.0-TTS endast om du är låst till det av en specifik anledning – ett befintligt Alibaba Cloud-avtal, ett arbetsflöde byggt på dess grammatik med 86 taggar. Annars väljer du en överspelad modell till ett överspelat pris.

• Välj Qwen-Audio-3.1-TTS om du vill ha ett hanterat röst-API med bred täckning och prissänkningen i september förändrar din kalkyl. Acceptera att det är overifierat på oberoende leaderboards och att dess instruktionsbaserade styrning är en ny grammatik som du kommer att lära dig.

Kvalitetsgapet mellan de två familjerna är tillräckligt litet för att det inte bör avgöra frågan. På den enda leaderboard där båda tävlar direkt leder Qwen med ungefär 50 till 70 Elo. På de leaderboards som mäter kloning ligger Ming i topp och Qwen saknas. Det som faktiskt skiljer dem åt är huruvida rösten är en tjänst du hyr eller en artefakt du äger – och efter att Alibaba ersatte sin egen flaggskeppsmodell på nio veckor framstår den distinktionen mindre som ideologi och mer som upphandlingsrisk.