GPT-Live-1 กับ Ming-3.0-TTS: เมื่อสัญญาอนุญาต MIT มาบรรจบกับนาทีที่คิดค่าบริการ

Ming-3.0-TTS เปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 พร้อมสัญญาอนุญาตที่ทีมงานด้านเสียงส่วนใหญ่ใฝ่ฝัน: MIT, น้ำหนักโมเดลบน Hugging Face และ ModelScope, โค้ดสำหรับการอนุมานบน GitHub, ไม่มีค่าใช้จ่ายต่อตัวอักษร และมีภาษาจีนเสฉวนกับภาษากวางตุ้งอยู่ในรายการภาษา GPT-Live-1 มีค่าใช้จ่าย $0.05 ต่อทุกนาที ไม่มีการเผยแพร่น้ำหนักโมเดล และพูดภาษาที่ OpenAI ปรับแต่งมาเพื่อสิ่งนั้น การเปรียบเทียบทั้งสองจึงไม่ใช่คำถามเรื่องคุณภาพจริง ๆ แต่เป็นคำถามว่าลูกค้าของคุณพูดภาษาใดจริง และคุณยินดีจะรัน GPU เพื่อให้บริการลูกค้าเหล่านั้นหรือไม่

ทั้งสองเป็นของจริง ทั้งสองเป็นปัจจุบัน และทั้งสองเก่งในสิ่งที่อีกฝ่ายทำไม่ได้ นี่คือการแบ่งแยกอย่างตรงไปตรงมา

ตระกูล Ming มีสองรุ่น ไม่ใช่รุ่นเดียว

ทีม inclusionAI ของ Ant Group เปิดโอเพนซอร์ส Ming-3.0-TTS ในรูปแบบคู่ที่ใช้กรอบการสร้างเดียวกัน ได้แก่ โมเดลภาษาที่ป้อนเข้าสู่ diffusion transformer patch head และ audio tokenizer

Ming-3.0-TTS-0.5B — เป็นโมเดลแบบ dense ที่มีพารามิเตอร์ประมาณ 500 ล้านตัวบนแกนหลัก Qwen2.5-0.5B ขนาดดาวน์โหลด 2.96GB ทำงานบน H800-80GB หรือ H20-96G

• Ming-3.0-TTS-Tiny — โมเดลแบบ mixture-of-experts ที่สร้างขึ้นบนสถาปัตยกรรม Ling V3 ของ Ant มีพารามิเตอร์ทั้งหมด 7.9 พันล้านตัว โดยมี 1.3 พันล้านตัวที่ใช้งานอยู่ และเป็นรุ่นที่เพิ่มโหมดพอดแคสต์แบบผู้พูดหลายคน

0.5B คือรุ่นที่น่าสนใจสำหรับใครก็ตามที่เคยประเมินต้นทุนของผลิตภัณฑ์ด้านเสียง โมเดล TTS ขนาดครึ่งพันล้านพารามิเตอร์ที่ใส่ได้ในสามกิกะไบต์ไม่ใช่ภาระระดับศูนย์ข้อมูล แต่เป็น GPU ตัวเดียวที่คุณอาจมีอยู่แล้ว ส่วน Tiny คือตัวเลือกที่เน้นคุณภาพ และบันทึกของ Ant เองระบุว่าเอาต์พุตพอดแคสต์ของรุ่นนี้ต่ำกว่าของ Ming-Omni-TTS รุ่นก่อนหน้า — เป็นข้อจำกัดที่ตรงไปตรงมา และเป็นข้อจำกัดที่ควรรับไว้ตามที่ระบุไว้

ชุดฟีเจอร์: การโคลนเสียงแบบ zero-shot, การออกแบบเสียงจากคำอธิบายข้อความ, เสียงจีนที่มีในระบบมากกว่า 100 เสียง และเสียงอังกฤษ 5 เสียง, แท็กพาราภาษาศาสตร์แบบอินไลน์ 14 แท็กสำหรับเสียงหัวเราะ ถอนหายใจ และลมหายใจ, การควบคุมสไตล์ด้วยภาษาธรรมชาติ และเอาต์พุต 44.1kHz ภาษาที่รองรับคือจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น รวมถึงภาษาถิ่นเสฉวนและกวางตุ้ง

สิ่งที่ GPT-Live-1 นำเสนอแทน

โมเดลของ OpenAI เป็นเอนจินสนทนา ไม่ใช่ระบบสังเคราะห์เสียงที่มีอินเทอร์เฟซแบบสคริปต์ เปิดให้ใช้งานผ่าน API ตั้งแต่วันที่ 10 กันยายน 2026 โดยรับเสียงและข้อความเข้า ส่งเสียงและข้อความออก ฟังขณะที่พูด และส่งการประมวลผลเชิงเหตุผลไปยังโมเดลข้อความเมื่อคำถามจำเป็นต้องใช้ความสามารถนั้น หนึ่งเอนด์พอยต์: v1/live/sessions. $0.05 ต่อนาที คิดค่าบริการเป็นรายวินาที ขอบเขตความรู้ถึงเดือนกรกฎาคม 2025 ไม่มีหน้าต่างบริบทที่ระบุไว้ในเอกสาร และไม่มีการเข้าถึงในระดับฟรี

ไม่มีการรองรับภาษาถิ่นตามเอกสาร ไม่มีการโคลนเสียง ไม่มีการคิดค่าบริการรายตัวอักษร และไม่มีวิธีที่จะยื่นบท 4,000 ตัวอักษรให้แล้วได้ไฟล์กลับมา สิ่งที่มันมีคือการผลัดกันพูด (turn-taking) ที่ใช้งานได้จริง — สิ่งที่เอเจนต์เสียงแบบ cascaded ทุกตัวใช้เวลาหกเดือนปรับแต่งและยังทำพลาดอยู่บนสายโทรศัพท์ที่คุณภาพแย่

คำถามเรื่องภาษาต้องมาก่อน

หากผู้ใช้ของคุณพูดภาษาจีนกลาง กวางตุ้ง หรือเสฉวน การเปรียบเทียบนี้ก็จบเร็วตั้งแต่ต้น Ming-3.0-TTS ถูกสร้างมาเพื่อภาษาเหล่านี้โดยเฉพาะ มีการเผยแพร่ค่า word-error rate แยกตามภาษา และมีเสียงที่ฟังดูเป็นเจ้าของภาษาจริง而非 แบบปรับใช้ GPT-Live-1 ไม่มีเอกสารอธิบายการรองรับภาษาถิ่นเลยแม้แต่น้อย และการติดตั้งใช้งานที่เราสังเกตได้ — ChatGPT Voice และโหมดเสียงของ Perplexity ในตอนนี้ — ล้วนเป็นผลิตภัณฑ์ที่เน้นภาษาอังกฤษเป็นหลัก

หากผู้ใช้ของคุณพูดภาษาอังกฤษเท่านั้น ข้อได้เปรียบของ Ming จะเหลือเพียงสิทธิ์การใช้งานและราคา และข้อได้เปรียบของ GPT-Live-1 จะกลายเป็นชั้นบทสนทนาทั้งหมด นั่นคือทางแยกที่แท้จริง และไม่เกี่ยวกับ Elo เลย

จุดเดียวที่ความกว้างด้านภาษาของ Ming เป็นกลยุทธ์อย่างแท้จริง คือผลิตภัณฑ์ที่ต้องให้บริการหลายตลาดพร้อมกัน — เยอรมัน สเปน เกาหลี และญี่ปุ่นในรีลีสเดียว Ant รายงานอัตราความผิดพลาดระดับคำที่ดีที่สุดสำหรับเยอรมันและสเปนในรุ่น Tiny ขณะที่ระบุว่าความคล้ายคลึงของผู้พูดอ่อนกว่าในภาษาใหม่ ๆ และส่วนใหญ่อยู่นอกสามอันดับแรก ตีความว่า: ความครอบคลุมกว้าง ความเที่ยงตรงไม่สม่ำเสมอ และคุณควรทดลองฟังในแต่ละตลาดแทนที่จะเชื่อถือรายการ

ข้อเรียกร้อง $0 ที่ผ่านการตรวจสอบแล้ว

หมิงฟรีในแง่ที่ว่าไลเซนส์ไม่มีค่าใช้จ่าย แต่ไม่ฟรีในแง่ที่ว่าการให้บริการมันไม่มีค่าใช้จ่าย และบทความเรื่อง "TTS ต้นทุนศูนย์" ทุกชิ้นต่างก็เงียบ ๆ ข้ามขั้นตอนนั้นไป

Artificial Analysis ไม่ได้บันทึกราคาของ Ming-3.0-TTS ไว้เลย — ช่องดังกล่าวแสดงเป็น N/A เนื่องจากไม่มี API เชิงพาณิชย์แบบโฮสต์จาก inclusionAI ให้กำหนดราคา ต้นทุนของคุณคือเวลา GPU และสูตรที่ตรงไปตรงมาคือ: (อัตราค่า GPU ต่อชั่วโมง ÷ จำนวนอักขระที่สังเคราะห์ได้ต่อชั่วโมง) × 1,000,000 พจน์ที่สองนั้นคุณต้องเติมเอง ไม่มีใครเผยแพร่ตัวเลขอัตราการประมวลผลสำหรับ 0.5B ดังนั้นตัวเลขต่อล้านใด ๆ ที่คุณอ่านเจอทางออนไลน์ — รวมถึงจุดคุ้มทุน $6.58 ที่ถูกกล่าวถึงไปมาในการเปรียบเทียบ — ล้วนตั้งอยู่บนสมมติฐานเกี่ยวกับความเร็วที่ผู้เขียนโมเดลไม่ได้เผยแพร่ไว้

สิ่งที่พูดได้โดยไม่ต้องแต่งตัวเลขขึ้นมาคือ: ด้วยค่าเช่า 2 ดอลลาร์ต่อชั่วโมง GPU คุณต้องสังเคราะห์ประมาณครึ่งล้านตัวอักษรต่อชั่วโมงเพื่อให้ได้ต่ำกว่า 4 ดอลลาร์ต่อล้าน ซึ่งเป็นอัตราที่ต้องให้โมเดลทำงานเร็วกว่าเวลาจริงหลายเท่า — โมเดล 0.5B มีความเป็นไปได้ว่าจะทำได้ และโมเดล MoE 7.9B มีความเป็นไปได้ว่าจะทำไม่ได้ วัดมันก่อนที่คุณจะสร้างกรณีทางธุรกิจบนพื้นฐานของมัน

เมื่อเทียบกับ GPT-Live-1 การคำนวณตัวเลขจะชัดเจนกว่า เพราะการคิดค่าบริการเป็นแบบเชิงเส้น: บทสนทนาหนึ่งชั่วโมงราคา $3.00 โดยการให้เหตุผลฝั่งแบ็กเอนด์คิดค่าบริการแยกต่างหาก ไม่มีความเสี่ยงด้านการใช้งาน ไม่มี GPU ให้ต้องคอยดูแล และไม่มีสมมติฐานใด ๆ ที่คุณต้องไปปกป้องในที่ประชุมงบประมาณ

ทำไมทั้งคู่จึงรายงาน 93.2%

เรื่องน่าฉงนที่ทำให้ใครก็ตามที่เปรียบเทียบเอกสารข้อมูล (datasheet) สะดุด: Ming-3.0-TTS รายงานความเสถียรในการออกเสียง 93.2% จากการวัดของ Artificial Analysis โดยอ้างว่าเป็นที่หนึ่งโดยรวม ขณะที่ Drama 3 ของ Fish Audio รายงานค่าเดียวกันที่ 93.2% และอ้างว่าเป็นที่หนึ่งเช่นกัน สองห้องแล็บ สองสถาปัตยกรรม ตัวเลขเดียวกันเป๊ะถึงหลักทศนิยม

ให้ถือว่านั่นเป็นหลักฐานของเพดานความสามารถ มากกว่าจะเป็นตัวตัดสินกรณีเสมอกัน เศษที่เหลือกระจุกตัวอยู่ในกรณีที่ทำให้โมเดล TTS ทุกตัวพัง ได้แก่ สตริงตัวอักษรผสมตัวเลข คำนามเฉพาะที่แปลกไม่คุ้น ตัวเลขที่ต้องอ่านตามบริบท และคำที่เขียนเหมือนกันแต่ออกเสียงต่างกัน โมเดลไหนจะชนะสำหรับคุณ ขึ้นอยู่กับว่าเนื้อหาของคุณมีเลขอะไหล่หรือบทกวี และมีเพียงชุดประเมินของคุณเองเท่านั้นที่ตอบคำถามนี้ได้

บนกระดาน พร้อมข้อแม้ที่แนบมาด้วย

ในการจัดอันดับ Provider Voice Arena ที่เก็บข้อมูลเมื่อวันที่ 29 ตุลาคม 2026 นั้น Ming-3.0-TTS อยู่ที่ 1187 Elo เป็นอันดับสามในกลุ่มรายการ open-weights รองจาก Drama 3 ที่ 1240 และ Breeze TTS 2 ที่ 1228 และอันดับที่ repository ของ Ant เองรายงานว่าเป็นอันดับสามในกลุ่ม open-weights บนบอร์ดนี้ บนบอร์ด Controlled Voice ซึ่งทุกโมเดลโคลนเสียงเดียวกันทั้งแปดเสียง repository ของ Ant เองอ้างว่าอยู่อันดับหนึ่งในกลุ่ม open-weights ที่ 1069 Elo และเป็นอันดับที่สิบสามโดยรวม

GPT-Live-1 ไม่ปรากฏบนกระดานเหล่านั้น เพราะมันไม่ใช่โมเดลข้อความเป็นเสียงพูดในความหมายของพวกเขา คะแนนของมันอยู่ที่อื่น: 83.2 บน Speech-to-Speech Index เป็นอันดับสองจาก 21 และ 1037–1041 บน Speech Agent Arena โดยมีอัตราความสำเร็จของงานระหว่าง 87.4% ถึง 90.9% เครื่องมือคนละแบบ มาตรวัดคนละสเกล ไม่อนุญาตให้เอามาลบกัน

จุดที่แต่ละคนพ่ายแพ้

Ming แพ้เรื่องการสนทนา จบกันแค่นั้น มันไม่ได้ยิน ไม่สามารถขัดจังหวะ และไม่สามารถตัดสินใจหยุดพูดได้ การนำไปใช้งานใดก็ตามที่ต้องมีมนุษย์อยู่ปลายสายอีกฝั่งถือว่าอยู่นอกขอบเขต ไม่ว่าคุณภาพเสียงจะดีแค่ไหนก็ตาม

Ming ยังเสียเปรียบในเรื่องความเรียบง่ายด้านปฏิบัติการสำหรับทีมเล็ก GPU เป็นสิ่งที่ล่มตอนตี 3 ต้องใช้ไดรเวอร์ให้ตรงกัน และประสิทธิภาพจะค่อย ๆ ลดลงอย่างเงียบ ๆ เมื่อผู้เช่ารายอื่นแชร์การ์ดเดียวกัน สัญญาอนุญาต MIT ไม่ได้รวมวิศวกรแบบ on-call ไว้ด้วย

GPT-Live-1 แพ้ในเรื่องโครงสร้างต้นทุนสำหรับงานที่ใช้ข้อความเป็นจำนวนมาก และแพ้ในเรื่องการควบคุมน้ำเสียงของแบรนด์ การที่โมเดลมีเสียงคงที่หมายความว่าคุณไม่สามารถนำเสียงของผู้ก่อตั้งหรือเสียงตัวละครที่มีลิขสิทธิ์มาใช้งานได้ และการคิดค่าบริการรายนาทีก็ลงโทษภาระงานที่ TTS ทำได้ดีที่สุดพอดี ได้แก่ เอาต์พุตยาว ๆ ที่เป็นบทเขียนไว้ล่วงหน้าและซ้ำ ๆ ซึ่งไม่มีใครจำเป็นต้องฟัง

แง่มุมการกำหนดเส้นทางที่ใช้ได้จริง

ทั้งสองอย่างนี้ไม่มีอยู่ใน OrcaRouter และก็ควรพูดตรง ๆ ว่า Ming-3.0-TTS เป็น open weights ที่โฮสต์เองโดยไม่มีเอนด์พอยต์แบบโฮสต์ให้จัดเส้นทาง และ GPT-Live-1 เปิดเอนด์พอยต์เซสชันเพียงรายการเดียวซึ่งเราไม่ได้ให้บริการ สิ่งที่เราจัดเส้นทางจริง ๆ คือโมเดลการให้เหตุผลที่อยู่เบื้องหลังเอเจนต์เสียงภาษาจีน — โมเดล Qwen3.8 Max, GLM-5.3, Kimi K3 และ Gemini อยู่เบื้องหลังคีย์เดียวพร้อมการสลับอัตโนมัติเมื่อเกิดความล้มเหลว ในราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยบวกเพิ่ม 0%

สำหรับการติดตั้งใช้งานแบบสองภาษา สิ่งนี้สำคัญกว่าที่ชื่อฟังดู การเลือก TTS มักตัดสินใจเพียงครั้งเดียวโดยดูจากความครอบคลุมของภาษา ส่วนโมเดลการให้เหตุผลที่อยู่เบื้องหลังจะถูกสลับเปลี่ยนไปเรื่อย ๆ ตามการเคลื่อนไหวของราคาและการมาถึงของเช็กพอยต์ภาษาจีนรุ่นใหม่ ๆ การรักษาเส้นทางส่วนนั้นให้ยังเปลี่ยนเส้นทางได้คือวิธีที่ประหยัดที่สุดในการรองรับอนาคตของสแตก

ควรสร้างต่อจากอันไหน

สร้างบน Ming-3.0-TTS หากผลิตภัณฑ์พูดภาษาจีนหรือให้บริการหลายตลาดทั้งในเอเชียและยุโรป หากคุณควบคุม GPU ได้ และหากผลลัพธ์เป็นบทที่เขียนไว้ล่วงหน้ามากกว่าการสนทนาแบบโต้ตอบ ใบอนุญาต MIT ถือเป็นสินทรัพย์เชิงกลยุทธ์ที่แท้จริง: ไม่สามารถเพิกถอน กำหนดราคาใหม่ หรือจำกัดอัตราการใช้งานได้ และรุ่น 0.5B ทำให้อุปสรรคในการลองใช้งานเหลือเพียงราวหนึ่งบ่าย

สร้างต่อยอดบน GPT-Live-1 หากผลิตภัณฑ์คือบทสนทนาในภาษาอังกฤษ และมาตรฐานคุณภาพคือ "ให้ความรู้สึกเหมือนคนจริงที่กำลังคุยโทรศัพท์หรือไม่" คุณจะจ่าย $0.05 ต่อนาทีตลอดไป และไม่ได้เป็นเจ้าของอะไรเลย และคุณจะได้ความสามารถหนึ่งเดียวที่วงการโมเดลโอเพนเวตยังไม่เคยส่งมอบในคุณภาพระดับนี้: โมเดลที่ฟังขณะที่มันพูด

อย่าสร้างบนตัวใดตัวหนึ่งเพียงเพราะลีดเดอร์บอร์ดบอกไว้ Ming's 1187 และ Live's 83.2 เป็นเครื่องมือสองอย่างที่แตกต่างกันซึ่งชี้ไปยังงานสองงานที่แตกต่างกัน และการเปรียบเทียบเดียวที่ยังคงใช้ได้เมื่อเผชิญกับการติดตั้งใช้งานจริง คือการเปรียบเทียบที่คุณรันบนเสียงของคุณเอง