การ์ดชื่อเรื่องที่อ่านว่า Fish Audio Drama 3 กับ Ming 3.0 TTS โดยการ์ดหนึ่งแสดงเสียงของพวกเขาเองที่ 1,278 เทียบกับ 1,187 และการ์ดที่สองแสดงเสียงโคลนเดียวกันที่ 1,085 เทียบกับ 1,068 ระบุอ้างอิงตาม Artificial Analysis วันที่ 29 ตุลาคม 2026
Guides & Insights

Fish Audio Drama 3 กับ Ming 3.0 TTS: คะแนนนำ 91 จุดที่หายไปเมื่อใช้เสียงโคลน

ผู้เขียน

Rowan Sterling

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Fish Audio Drama 3 นำหน้า Ming 3.0 TTS อยู่ 91 คะแนน Elo บนลีดเดอร์บอร์ดที่แต่ละโมเดลพูดด้วยชุดเสียงนักพากย์ของตัวเอง และนำอยู่ 17 คะแนนบนลีดเดอร์บอร์ดที่ทั้งสองได้รับตัวอย่างเสียงโคลนชุดเดียวกันแปดเสียง — ช่องว่างที่แคบพอจนช่วงความเชื่อมั่นของทั้งคู่ทับซ้อนกัน ทั้งสองเป็นโมเดลโอเพนเวตที่เปิดตัวภายในหกสัปดาห์ที่ผ่านมา ทั้งคู่ถูกให้คะแนนโดย Artificial Analysis และในการทดสอบเดียวที่ให้มนุษย์ตัดสินว่าคำที่ออกเสียงยากนั้นออกมาจากปากได้ถูกต้องจริงหรือไม่ ทั้งคู่ได้ 93.2% ตัวเลขสามตัว สองตัวชี้ไปคนละทาง คุณเชื่อตัวไหนก็ตัดสินว่าคุณจะซื้อโมเดลไหน และคำตอบขึ้นอยู่กับว่าผลิตภัณฑ์ของคุณฟังดูเป็นเสียงของตัวเองหรือฟังดูเป็นเสียงของคนอื่น

สองการเปิดตัวที่ห่างกันหกสัปดาห์ ถูกสร้างขึ้นในขนาดที่ตรงกันข้าม

Drama 3 ถูกประกาศเมื่อวันที่ 13 ตุลาคม 2026 และเปิดใช้งานจริงบน API ของ Fish Audio ในชื่อ drama-3 โดยมี weights บน Hugging Face ภายใต้สัญญาอนุญาตชุมชนฉบับใหม่ Ming 3.0 TTS มาถึงอย่างเงียบกว่าและมาเป็นชิ้นส่วน: ที่เก็บ Hugging Face ของ InclusionAI ปรากฏเมื่อวันที่ 22 กันยายน, weights ขนาด 0.5B เมื่อวันที่ 24 กันยายน, และโค้ด inference เมื่อวันที่ 19 ตุลาคม เท่านั้น — ซึ่งเป็นเหตุผลที่ Artificial Analysis ไม่สามารถให้คะแนนได้จนถึงวันที่ 20 ตุลาคม Ant Group ไม่เคยออกโพสต์เปิดตัวสำหรับมัน และมันไม่มี endpoint แบบโฮสต์หรือราคาตามรายการ

สเปกในเอกสารนั้นไม่ใกล้เคียงกันเลย และนั่นคือสิ่งแรกที่ต้องเข้าใจก่อนที่ตารางอันดับจะมีความหมายอะไร

• พารามิเตอร์ — โมเดล Mixture of Experts ขนาด 35B ที่มีพารามิเตอร์ใช้งานจริงประมาณ 3B ต่อโทเคน เริ่มต้นจาก Qwen3.5-35B-A3B และกำหนดเส้นทางไปยังผู้เชี่ยวชาญ 8 จาก 256 ราย บวกผู้เชี่ยวชาญที่แชร์หนึ่งราย เทียบกับโมเดล dense ขนาด 0.5B บนโครงหลัก Qwen2.5-0.5B นอกจากนี้ Ant ยังมี MoE ชื่อ Ming-3.0-tts-tiny ซึ่งมีพารามิเตอร์ทั้งหมด 7.9B / ใช้งานจริง 1.3B และไม่มีคะแนนประเมินอิสระเลย

• ความครอบคลุมของภาษา — Drama 3 อ้างว่าครอบคลุม 83 ภาษา เทียบกับ 7 ภาษาสำหรับ 0.5B Ming checkpoint (จีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี ญี่ปุ่น) บวกกับภาษาถิ่นเสฉวนและกวางตุ้งเมื่อคุณแนบคลิปอ้างอิงภาษาถิ่น

• เอาต์พุต — 44.1 kHz จากทั้งสองระบบ สร้างขึ้นผ่านกลไกที่แตกต่างกันมาก: Drama 3 ยังคงใช้โทเคไนเซอร์ Descript Audio Codec ของรุ่นก่อนที่ 10 โค้ดบุ๊ก และประมาณ 21.5 เฟรมต่อวินาที ขณะที่ Ming ถอดรหัสเลเทนต์แบบต่อเนื่องผ่าน AudioVAE

• น้ำหนักโมเดลและสัญญาอนุญาต — Drama 3 อยู่ภายใต้ Fish Audio Community License v1.0 ใช้งานฟรีเมื่อรายได้ต่อปีต่ำกว่า 500,000 ดอลลาร์สหรัฐฯ และสามารถเจรจาต่อรองได้หากรายได้เกินกว่านั้น หรือหากคุณนำบริการสังเคราะห์เสียงไปขายต่อในรูปแบบบริการ Ming 3.0 TTS อยู่ภายใต้สัญญาอนุญาต MIT โดยไม่มีข้อจำกัดด้านรายได้ใด ๆ ทั้งสิ้น

• ราคา — US$50 ต่อหนึ่งล้านไบต์ UTF-8 ในราคาปกติ ลดเหลือ US$10 ถึงวันที่ 12 พฤศจิกายน 2026 เมื่อเทียบกับกรณีที่ไม่มีราคา เพราะไม่มีอะไรให้ซื้อ: คุณดาวน์โหลดเช็กพอยต์ขนาด 2.96 GB แล้วรันมัน

ความแตกต่างด้านขนาดมีผลทั้งสองทาง แบ็กโบนขนาด 35B ของ Drama 3 คือสิ่งที่ทำให้มันรักษาทิศทางได้ตลอดบทที่ยาว และจัดผู้พูดหลายคนให้อยู่ในฉากเดียว โดยส่ง voice ID หนึ่งรายการต่อผู้พูดหนึ่งคนในรูปแบบอาร์เรย์; นี่ก็เป็นเหตุผลว่าทำไมจึงไม่มีใครเอามันไปวางบนแล็ปท็อป ส่วน 0.5B ของ Ming เป็นโมเดลที่คุณให้บริการบน GPU ขนาดพอประมาณเพียงตัวเดียว และ fine-tune บน GPU ที่เช่าเพียงตัวเดียวได้

Two-column scoreboard comparing Fish Audio Drama 3 and Ming 3.0 TTS across Provider Voice Elo, Controlled Voice Elo, pronunciation robustness, parameters, languages and licence terms

ทำไม Artificial Analysis จึงให้คำตอบที่แตกต่างกันสองแบบ

บอร์ดที่ทุกคนอ้างอิงเป็นอันดับแรกคือ Provider Voice Arena และในบอร์ดนั้น Drama 3 ได้เปิดนำอย่างชัดเจน ณ วันที่ 29 ตุลาคม มันอยู่อันดับที่ 6 จาก 100 โมเดล ด้วย Elo 1,278 โดย Artificial Analysis กำหนดราคาไว้ที่ US$15 ต่อล้านอักขระภายใต้การตั้งค่าเริ่มต้นของมัน Ming 3.0 TTS อยู่อันดับที่ 24 ที่ 1,187 โดยไม่มีบันทึกราคาเพราะไม่มีปลายทางเชิงพาณิชย์ให้บันทึก ช่องว่าง 91 คะแนนบนบอร์ดที่มีช่วงความเชื่อมั่นประมาณ ±13 ถึง ±18 ไม่ใช่สัญญาณรบกวน เสียงแบบเนทีฟของ Drama 3 เป็นที่ต้องการและอย่างชัดเจน รายละเอียดหนึ่งจากตารางเดียวกันอธิบายเหตุผลส่วนหนึ่ง: Artificial Analysis ให้คะแนน Ming เทียบกับเสียงในอารีนาสามเสียง และให้คะแนน Drama 3 เทียบกับแปดเสียง

Artificial Analysis Provider Voice Arena leaderboard captured 29 October 2026, showing Fish Audio Drama 3 sixth at Elo 1,278 with 1,512 samples and $15.00 per million characters, Drama 3 Preview twelfth at 1,240, and Ming-3.0-tts twenty-fourth at 1,187 with 3 arena voices and no price

กระดานที่สองถามคำถามที่ต่างออกไป และความเป็นผู้นำก็จางหายไป Controlled Voice Arena มอบเสียงโคลนแปดเสียงเดียวกันให้ทุกระบบ — สี่เสียงจากสหรัฐฯ สี่เสียงจากสหราชอาณาจักร — ดังนั้นการเปรียบเทียบจึงไม่ใช่เรื่องของใครมีนักพากย์เสียงที่ดีกว่าอีกต่อไป แต่เริ่มเป็นเรื่องของว่าแต่ละโมเดลสวมใส่เสียงของคนอื่นได้ดีเพียงใด Drama 3 ได้คะแนน 1,085 เป็นอันดับ 12 จาก 49 โดยมีช่วง 1,069 ถึง 1,101 Ming ได้คะแนน 1,068 เป็นอันดับ 17 โดยมีช่วง 1,053 ถึง 1,083 ช่วงทั้งสองทับซ้อนกันในช่วง 1,069 ถึง 1,083 นั่นคือเสมอกัน และการพูดเป็นอย่างอื่นก็เท่ากับตีความความแม่นยำลงไปในแบบสำรวจที่ไม่มีสิ่งนั้น

Artificial Analysis Controlled Voice Arena leaderboard captured 29 October 2026, showing Fish Audio Drama 3 twelfth at Elo 1,085 with a 95 percent interval of 1,069 to 1,101, Ming-3.0-tts seventeenth at 1,068 with an interval of 1,053 to 1,083, and Drama 3 Preview twentieth at 1,063

โปรดทราบด้วยว่า Artificial Analysis ยังมีDrama 3 Previewแถวแยกต่างหากบนบอร์ดนั้นที่ 1,063 อยู่ในอันดับที่ยี่สิบ เช็กพอยต์โปรดักชันและพรีวิวที่เปิดตัวในเดือนกันยายนถูกให้คะแนนเป็นสองระบบที่แตกต่างกัน ดังนั้นการเปรียบเทียบที่อ้างถึง "Drama 3" โดยไม่ระบุว่าหมายถึงแถวใดจึงไม่ถือเป็นการเปรียบเทียบ ตัวเลขของเราที่นี่คือแถวโปรดักชัน

การอ่านเชิงปฏิบัติ: หากผลิตภัณฑ์ของคุณมีทีมนักพากย์เสียงเป็นของตัวเอง ได้แก่ ผู้เล่าเรื่อง เจ้าหน้าที่ฝ่ายสนับสนุน ตัวละครในเกม ข้อได้เปรียบของ Drama 3 นั้นมีอยู่จริงและมีขนาดใหญ่ หากผลิตภัณฑ์ของคุณโคลนเสียงของลูกค้าหรือของผู้สร้างและพูดด้วยเสียงนั้น ทั้งสองโมเดลก็อยู่ในระดับเดียวกันโดยแท้จริง และการตัดสินใจจึงขึ้นอยู่กับราคา ใบอนุญาต และความครอบคลุมทางภาษาแทน

การเสมอกันด้านการออกเสียงที่ 93.2% นั้นเป็นผลลัพธ์ที่แตกต่างกันสี่แบบ

ทั้งสองโมเดลถูกระบุว่าอยู่ที่ 93.2% ในการทดสอบความทนทานของการออกเสียงภาษาอังกฤษของ Artificial Analysis — ผลลัพธ์ที่คณะกรรมการเผยแพร่เมื่อวันที่ 20 ตุลาคม ซึ่งทำให้ทั้งสองได้อันดับหนึ่งร่วมกันจาก 31 ระบบ และนำหน้า Eleven v4 ที่ 91.7% พาดหัวข่าวนั้นถูกกล่าวซ้ำไปทุกแห่ง และมันซ่อนส่วนเดียวที่มีความสำคัญในเชิงปฏิบัติการไว้: ทั้งสองโมเดลล้มเหลวกับข้อความคนละประเภทที่ตรงข้ามกัน

• ลำดับที่ตรงกันทุกประการ — Ming รักษาลำดับเหล่านี้ไว้ได้ 90.6% เป็นอันดับ 1 จาก 31 ส่วนค่าที่เทียบเท่าของ Drama 3 คือ 86.3% หมายเลขคำสั่งซื้อ URL พาธไฟล์ และรหัสซีเรียลคงอยู่กับ Ming ได้ดีกว่า

• การขยายคำย่อ — Ming 96.5% และยังเป็นอันดับหนึ่งจาก 31 ราย เทียบกับ 93.6% ของ Drama 3 วันที่ หน่วย และคำย่อจะพูดออกเสียงแทนการสะกดเป็นตัวอักษร

• คำเดี่ยว — Drama 3 อยู่ที่ 95.9% เทียบกับ Ming ที่ 88.5% โดย Ming อยู่อันดับที่ 21 จาก 31 ส่วนชื่อแบรนด์ ชื่อสถานที่ และคำศัพท์ทางเทคนิคเป็นหมวดหมู่ที่แข็งแกร่งที่สุดของ Drama 3

• คำศัพท์ที่เหมาะสมตามบริบท — Drama 3 อยู่ที่ 95.3%, Ming อยู่ที่ 91.0% และอยู่อันดับที่ 13 จาก 31

จุดอ่อนของ Ming กับชื่อที่ยืนเดี่ยวสะท้อนคลังเสียงของมัน: รุ่น 0.5B มาพร้อมเสียงภาษาจีนในตัวกว่าหนึ่งร้อยเสียงและเสียงภาษาอังกฤษห้าเสียง ดังนั้นการจัดการชื่อเฉพาะภาษาอังกฤษจึงมีสิ่งที่ต้องใช้ทำงานน้อยกว่า จุดอ่อนของ Drama 3 คือภาพสะท้อนตรงกันข้าม — โมเดลที่ฝึกมาเพื่อแสดงการแสดงบางครั้งก็จะแสดงรหัสตัวเลขออกมาเป็นการแสดง

ค่า 93.2% ทั้งสองค่าไม่ได้มาจากการรายงานของผู้ขายเอง ทั้งสองค่ามาจากชุดทดสอบอิสระชุดเดียวกัน ซึ่งเป็นเหตุผลที่ทำให้ยังเปรียบเทียบกันได้ — และควรกล่าวไว้ว่าสิ่งนี้หาได้ยากในหมวดหมู่นี้ ซึ่งตาราง word-error ที่เผยแพร่ส่วนใหญ่จะถูกรันโดยแล็บด้วยพรอมป์ของตัวเอง

ต้นทุนที่แท้จริงของหนึ่งล้านตัวอักษร

{{1}}Drama 3{{/1}} คิดค่าบริการตามขนาดอินพุต: 50 ดอลลาร์สหรัฐต่อหนึ่งล้านไบต์ UTF-8 โดยลดเหลือ 10 ดอลลาร์สหรัฐจนถึงวันที่ 12 พฤศจิกายน 2026 เวลา 09:00 น. ตามเวลาแปซิฟิก การเพิ่มขึ้นห้าเท่าในวันที่ 13 พฤศจิกายนเป็นตัวเลขที่ใหญ่ที่สุดเพียงตัวเดียวในการเปรียบเทียบนี้ และทำให้อันดับของทั้งสองโมเดลในด้านต้นทุนต่อชั่วโมงที่เสร็จสมบูรณ์เปลี่ยนไป ขึ้นอยู่กับเวลาที่คุณอ่านข้อมูลนี้

ยังมีกับดักด้านค่าใช้จ่ายที่ควรรู้ก่อนเชื่อมต่ออะไรทั้งนั้น Drama 3 ใช้ endpoint POST /v1/tts เดียวกับ S2.1 Pro และถ้า header ของ model หายไปหรือสะกดผิด คำขอจะเงียบๆ ถอยกลับไปใช้ s2.1-pro และเรียกเก็บเงินคุณสำหรับการใช้งานนั้น คุณจะได้เสียงที่ฟังดูสมเหตุสมผลและไม่มีข้อผิดพลาด ดังนั้นการพิมพ์ผิดในตัวแปรสภาพแวดล้อมอาจดำเนินไปหลายสัปดาห์ก่อนที่ใครจะสังเกตว่าเสียงผิด

Ming ไม่มีใบแจ้งหนี้เลย ซึ่งไม่เหมือนกับการใช้งานฟรี คุณต้องจ่ายเป็นชั่วโมง GPU และเวลาทางวิศวกรรม: checkpoint ขนาด 0.5B มีขนาด 2.96 GB ต้องมี audio VAE, CAM++ speaker encoder และ tokenizer เชื่อมต่อเข้าด้วยกัน และไม่มีคำมั่นสัญญาด้านการสนับสนุนจากผู้ขายอยู่เบื้องหลัง Ant ได้เผยแพร่ตาราง benchmark และ Gradio demo ไม่ใช่ข้อตกลงระดับบริการ

นี่คือจุดที่เราเตอร์มีประโยชน์อย่างแท้จริง และก็เป็นจุดที่มันไม่มีประโยชน์เลยเช่นกัน OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นโปรโมชันจากผู้ขายอย่างของ Fish Audio จึงมีผลในวันเดียวกันกับทุกสิ่งที่เราเลือกเส้นทางให้ — Drama 3 ไม่ใช่หนึ่งในนั้น และ Ming ก็ไม่ใช่เช่นกัน ปลายทางด้านเสียงพูดที่เราให้บริการอยู่ในปัจจุบันคือไลน์ Gemini TTS ของ Google และ TTS-1-HD ของ OpenAI ซึ่งทั้งหมดเข้าถึงได้ผ่าน API เดียวที่ใช้คีย์เดียวพร้อมกับโมเดลข้อความ หากคุณกำลังเปรียบเทียบ Drama 3 กับ Ming จะไม่มีชั้นการกำหนดเส้นทางใดที่จะโฮสต์ทั้งสองตัวให้คุณได้ สิ่งที่คีย์เดียวซื้อให้คือส่วนที่เหลือของไปป์ไลน์รอบ ๆ ทั้งสองตัวนั้น

ใบอนุญาตตัดสินได้มากกว่าตารางอันดับ

MIT กับ Fish Audio Community License v1.0 คือจุดแตกแยกที่ชัดเจนที่สุดในคู่นี้ และไม่ใช่เรื่องเชิงปรัชญา เงื่อนไข MIT ของ Ming อนุญาตให้บริษัทใดก็ได้ทุกขนาดฝังโมเดลไว้ในผลิตภัณฑ์ที่ต้องชำระเงิน ขายต่อ ปรับแต่งโมเดล และเผยแพร่ผลิตภัณฑ์ที่ได้ โดยไม่มีเกณฑ์รายได้และไม่ต้องพูดคุยกับ Ant

สัญญาอนุญาตของ Drama 3 ใช้ฟรีสำหรับงานวิจัยและงานที่ไม่ใช่เชิงพาณิชย์ ใช้ฟรีเชิงพาณิชย์ตราบใดที่คุณและบริษัทในเครือมีรายได้ต่อปีต่ำกว่า US$500,000 และหากเกินกว่านั้นจะต้องเจรจาสัญญาอนุญาต — หรือไม่ว่าจะมีรายได้เท่าใด หากคุณต้องการให้บริการ Drama 3 ในฐานะบริการแปลงข้อความเป็นเสียงพูด การโคลนเสียง หรือการอินเฟอเรนซ์ FAQ ของโมเดลการ์ดเองก็ชัดเจนกว่าของโมเดลอื่นส่วนใหญ่: การส่งมอบไฟล์เสียงที่เสร็จสมบูรณ์ให้ลูกค้าถือว่าใช้ได้ แต่ API สังเคราะห์เสียงที่เป็นคู่แข่งไม่ใช้ได้

รายละเอียดหนึ่งที่ควรตรวจสอบแทนการสันนิษฐาน: เมทาดาทาของ Hugging Face สำหรับ fishaudio/drama-3 ยังระบุว่า fish-audio-research-license ขณะที่ข้อความบนการ์ดอธิบายถึง Community License หากคุณเป็นผู้ลงนามอนุมัติการติดตั้งใช้งาน โปรดอ่านไฟล์ไลเซนส์ในรีโพ ไม่ใช่แท็ก

สำหรับสตูดิโอที่ผลิตละครเสียง เกณฑ์ $500,000 ไม่ใช่ประเด็น และข้อสัญญาด้านบริการคือสิ่งที่ต้องอ่าน สำหรับบริษัทที่สร้างฟีเจอร์เสียงพูดไว้ในผลิตภัณฑ์ที่มีรายได้เกินระดับนั้น Drama 3 คือเรื่องที่ต้องหารือด้านการจัดซื้อจัดจ้าง และ Ming คือ pip install

เลือกอันไหนดี

โทนเสียงแบบซัพพอร์ตหรือธุรกรรม ภาษาอังกฤษหรือจีน Ming ชนะในสองหมวดหมู่ที่สำคัญที่สุดเมื่อบอทอ่านหมายเลขคำสั่งซื้อหรือรหัสการจองกลับมา มันเป็น MIT และทำงานบนฮาร์ดแวร์ที่คุณมีอยู่แล้ว การที่คะแนนเสียงโคลนเสมอกันหมายความว่าคุณไม่ต้องแลกความ naturale ความเป็นธรรมชาติเพื่อไปให้ถึงจุดนั้น

การบรรยาย เสียงละคร บทที่เน้นแบรนด์ หลายภาษา ดรามา 3. ความได้เปรียบด้านเสียงจากผู้ให้บริการนั้นเป็นของจริง คำนามเฉพาะเป็นหมวดหมู่ที่แข็งแกร่งที่สุดของมัน และ 83 ภาษากับเจ็ดภาษาไม่ใช่ช่องว่างที่ปิดได้ด้วย prompt engineering กันงบประมาณสำหรับการเปลี่ยนแปลงราคาในเดือนพฤศจิกายนและอ่านข้อกำหนดการให้บริการ

ไปป์ไลน์ที่สร้างหลายเทคอยู่แล้ว Drama 3 แต่เฉพาะเมื่อคุณใช้ลูปการแก้ไขจริง ๆ Fish Audio ฝึกโมเดลนี้ด้วยโมเดลรางวัลที่อ้างอิงความชอบของมนุษย์ และนำเสนอการแก้ไขหลายรอบเป็นวิธีที่จะได้ผลการแสดงอย่างที่คุณต้องการ ส่วน Ming เป็นโมเดลแบบช็อตเดียวที่ไม่มีกลไกการแก้ไขให้เปรียบเทียบด้วย ดังนั้นโครงสร้างแบบหลายเทคจึงเป็นเหตุผลในการเลือก Drama 3 มากกว่าที่จะเป็นเหตุผลในการเปรียบเทียบทั้งสอง

ทุกการติดตั้งใช้งานที่ VRAM เป็นข้อจำกัด Ming โดยไม่มีข้อโต้แย้ง โมเดล mixture of experts ขนาด 35B ที่ทำ benchmark บน H200 ไม่ใช่โมเดลที่คุณจะรัน只是因为สะดวก

ดูอะไรดี

สามวันที่ต้องจับตาและอีกหนึ่งช่องโหว่ ในวันที่ 13 พฤศจิกายน ราคาโปรโมชันของ Drama 3 จะหมดลง และ US$10 จะกลายเป็น US$50 ซึ่งเป็นการขยับขึ้นห้าเท่าที่จะเรียงลำดับการเปรียบเทียบต้นทุนทั้งหมดในหมวดหมู่นี้ใหม่ภายในชั่วข้ามคืน ก่อนถึงตอนนั้น ให้จับตาดูว่า Artificial Analysis จะรวมแถว Drama 3 กับ Drama 3 Preview เข้าเป็นแถวเดียวหรือไม่ เพราะตารางจัดอันดับที่แสดงโมเดลเดียวกันซ้ำสองครั้งย่อมเปิดทางให้เกิดการอ้างอิงแบบสะเพร่าเช่นเดียวกับที่บทความนี้พยายามหลีกเลี่ยง และให้จับตาดูคะแนนของ Ming-3.0-tts-tiny ไว้ด้วย: ตัวแปร MoE ขนาด 7.9B คือรุ่นที่ Ant นำเสนอจริงสำหรับการสร้างพอดแคสต์ และตอนนี้ก็มีเพียงตัวเลขจากผู้ขายเท่านั้น — อัตราคำผิดพลาด 0.820% ในภาษาจีน, 6.000% ในภาษาเกาหลี — โดยไม่มีข้อมูลอิสระใด ๆ รองรับอยู่เบื้องหลังเลย

สรุปตรง ๆ ก็คือทั้งสองสิ่งนี้ไม่ใช่สองเวอร์ชันของผลิตภัณฑ์เดียวกัน ตัวหนึ่งเป็นเครื่องมือทำงานขนาดเล็กที่ได้รับอนุญาตแบบเปิดกว้าง ซึ่งบังเอิญทำได้ดีเยี่ยมกับข้อความประเภทที่ทำให้ระบบเสียงล้มเหลวพอดี ส่วนอีกตัวเป็นเอนจินประสิทธิภาพขนาดใหญ่ที่ถูกจำกัดด้วยเงื่อนไขสัญญาอนุญาต ซึ่งบังเอิญเป็นโมเดลเปิดที่เสียงดีที่สุดบนตารางอันดับเมื่อใช้ชุดนักพากย์ของตัวเอง คะแนนนำ 91 คะแนนนั้นเป็นเรื่องจริง มันเพียงแต่เป็นคำตอบของคำถามที่ผลิตภัณฑ์ส่วนใหญ่ไม่เคยถามเท่านั้น

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

providers@orcarouter.ai

เข้าร่วมคอมมูนิตี้ของเรา

Discordsupport@orcarouter.aiXLinkedInGitHubYouTube