Ming-3.0-tts-0.5B ปะทะ Qwen-Audio-3.0-TTS: น้ำหนักฟรีกับ 78 คะแนน Elo
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 9 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 222 tok/s
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 95 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 788 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 39 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 832 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 119 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
วาง Ming-3.0-tts-0.5B ไว้ข้าง ๆ Qwen-Audio-3.0-TTS แล้วสิ่งแรกที่คุณสังเกตเห็นคือทั้งสองไม่ใช่สิ่งประเภทเดียวกัน Ming คือเช็กพอยต์ขนาด 2.96 GB ที่คุณดาวน์โหลด อยู่ภายใต้สัญญาอนุญาต MIT และรันบน GPU ของคุณเอง ส่วน Qwen-Audio-3.0-TTS ในระดับคุณภาพที่ Alibaba ระบุว่าเป็น Qwen-Audio-3.0-TTS-Plus นั้นเป็นปลายทางแบบโฮสต์บน Alibaba Cloud Model Studio โดยไม่มีไฟล์น้ำหนักโมเดลอยู่ที่ใดเลย บนสนามทดสอบเสียงพูดอิสระ Artificial Analysis โมเดลแบบโฮสต์ได้ 1,266 Elo และโมเดลที่ดาวน์โหลดได้ได้ 1,188 — ช่องว่าง 78 คะแนนโดยช่วงความเชื่อมั่นทั้งสองไม่ทับซ้อนกัน ช่องว่างนั้นมีอยู่จริง สิ่งที่มันมีค่าขึ้นอยู่กับว่าคุณกำลังซื้อเสียงหรือซื้อสินทรัพย์ ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่ถูกบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะมีข้อโต้แย้งของตัวเอง
คำตอบสั้น ๆ ก่อนหลักฐาน
ถ้าเสียงนี้ต้องออกสู่ผลิตภัณฑ์ภายในไตรมาสนี้ และต้องมีคนอื่นคอยรับมือเมื่อ它有ปัญหา Qwen-Audio-3.0-TTS-Plus คือตัวเลือกที่ดีกว่า และไม่ได้ใกล้เคียงกันเลย หากคุณกำลังสร้างเนื้อหาที่ให้จีนเป็นหลัก ต้องการออกแบบเสียงหรือควบคุมสำเนียง หรือไม่สามารถยอมรับการคิดค่าบริการตามจำนวนตัวอักษรได้ Ming-3.0-tts-0.5B คือหนึ่งในสองตัวเดียวที่สามารถเป็นของคุณได้ ไม่มีคำตอบใดคงเดิมเมื่อต้องเจอกับสเปรดชีตงบประมาณ ซึ่งเป็นสิ่งที่ส่วนที่เหลือของบทความนี้ว่าด้วย
แต่ละโมเดลจริงๆ แล้วคืออะไร
Ming-3.0-tts-0.5B เป็นการเปิดเผยน้ำหนักโมเดลแบบโอเพนเวตส์ของ Ant Group จาก inclusionAI สร้างบนโครงหลัก Qwen2.5-0.5B พร้อมหัว diffusion-transformer และตัวแยกโทเค็นเสียงแยกต่างหาก เปิดตัวเงียบๆ ในสองระยะ — น้ำหนักโมเดลบน Hugging Face ในเดือนกันยายน 2026 และโค้ดสำหรับการอนุมานบน GitHub เมื่อวันที่ 19 ตุลาคม — และ Ant ยังไม่ได้ประกาศเรื่องนี้ ชุดนี้ประกอบด้วย speaker encoder และ text tokenizer ส่งออกเสียงที่ 44.1 kHz และรองรับการโคลนเสียง การออกแบบเสียงจากคำอธิบายข้อความ แท็กพาราภาษาศาสตร์แบบอินไลน์ 14 แท็ก การควบคุมอารมณ์และคุณลักษณะ เจ็ดภาษา และสองภาษาถิ่นจีน
Qwen-Audio-3.0-TTS เป็นกลุ่มผลิตภัณฑ์สังเคราะห์เสียงแบบโฮสต์ของ Alibaba เปิดตัวเมื่อวันที่ 20 กรกฎาคม 2026 โดยมีสองระดับ ได้แก่ Flash สำหรับงานแบบเรียลไทม์ และ Plus สำหรับคุณภาพสูงสุด ระดับ Plus คือระดับที่มีตำแหน่งที่วัดได้บนอารีนา และเป็นระดับที่ตัวเลขทั้งหมดด้านล่างนี้อ้างอิงถึง ครอบคลุม 16 ภาษา พร้อมด้วย 20 ภูมิภาคภาษาถิ่นของจีน รองรับการโคลนเสียงและแท็กการกำกับรูปแบบการพูดแบบอินไลน์ประมาณ 86 แท็ก และเข้าถึงได้ผ่าน API ของ Alibaba เท่านั้น ไม่มีน้ำหนักโมเดล ไม่มีการติดตั้งในเครื่อง และไม่มีไลเซนส์ให้ตรวจสอบ
ความแปลกประหลาดด้านวันที่หนึ่งที่ควรชี้ให้เห็น เพราะคุณจะเห็นทั้งสองวันที่: Alibaba เปิดตัวไลน์นี้ในเดือนกรกฎาคม แต่แถวใน arena สำหรับรุ่น Plus ระบุวันที่วางจำหน่ายเป็น 15 กันยายน 2026 เราตีความว่านั่นคือวันที่ฉบับที่ได้รับการให้คะแนนหรือรายการถูกเผยแพร่ขึ้น ไม่ใช่รุ่นที่สอง หากคุณกำลังอ้างอิงวันที่วางจำหน่ายในเอกสาร 20 กรกฎาคมคือการเปิดตัว และ 15 กันยายนคือการบันทึกข้อมูลของ arena
ตัวเลขที่แยกพวกเขาออกจากกัน
• Arena Elo, เสียงจากผู้ให้บริการ — Ming-3.0-tts-0.5B 1,188 (ช่วง 1,173–1,203) เทียบกับ Qwen-Audio-3.0-TTS-Plus 1,266 (1,252–1,280) ช่วงเหล่านี้ไม่ทับซ้อนกัน
• Arena Elo, เสียงแบบควบคุม — Ming 1,069 (1,053–1,085) เทียบกับ Qwen-Plus 1,126 (1,113–1,139) ยังคงมีช่องว่างที่ชัดเจน 57 คะแนน บนเสียงโคลนที่ควบคุมให้คงที่เหมือนกันในทุกโมเดล
• ราคา — Ming ไม่มี; คุณจ่ายค่าคอมพิวต์ Qwen-Plus ระบุไว้ที่ $19.31 ต่อหนึ่งล้านตัวอักษรในคอลัมน์ราคาที่ปรับมาตรฐานของ arena
• อัตราการประมวลผล — Ming 42.1 ตัวอักษรต่อวินาทีของเวลาในการสร้าง เทียบกับ Qwen-Plus 25.6 วัดบนฮาร์เนสอิสระชุดเดียวกัน
• น้ำหนักโมเดล — checkpoint ที่มีสัญญาอนุญาต MIT เทียบกับไม่มี
ภาษา — เจ็ดภาษาบวกเสฉวนและกวางตุ้ง เทียบกับ 16 ภาษาบวก 20 ภูมิภาคภาษาถิ่นจีน
• พื้นผิวการควบคุม — คำสั่งแบบอิสระ การออกแบบเสียง แท็กพาราภาษา 14 แท็ก การระบุอารมณ์/ความเร็ว/ระดับเสียง/ความดังอย่างชัดเจน เทียบกับแท็กแบบอินไลน์ประมาณ 86 แท็ก และการควบคุมการแสดงเสียงแบบใช้คำสั่ง
ผลลัพธ์ด้านทรูพุตคือสิ่งที่ทำให้คนประหลาดใจ โมเดล dense ขนาดครึ่งพันล้านพารามิเตอร์ที่มีชุดไฟล์ 2.96 GB ทำความเร็วแซงแพ็กเกจ Plus แบบโฮสต์ของ Alibaba อยู่ประมาณ 65% ในด้านจำนวนตัวอักษรต่อวินาทีจากการวัดผลอิสระ นั่นไม่ใช่การตำหนิ Qwen — เอนด์พอยต์แบบโฮสต์ถูกจัดสรรไว้สำหรับการทำงานพร้อมกัน และตัวเลขทรูพุตของอารีนาวัดจากการร้องขอทีละรายการ — แต่มันหมายความว่าโมเดลเล็กไม่ใช่ตัวที่ช้าในการเปรียบเทียบนี้
78 คะแนนมาจากไหน
Preference Elo ไม่ได้บอกคุณว่าอะไรคือปัญหา การได้ฟังทั้งสองระบบกับข้อความเดียวกันต่างหากที่บอก และรูปแบบที่พบก็สอดคล้องกับสิ่งที่การ์ดโมเดลของ Ant เองยอมรับ
Ant เปิดเผยจุดอ่อนของตนด้วยถ้อยคำที่ตรงไปตรงมาอย่างผิดปกติ: ความคล้ายคลึงของผู้พูดยังตามหลังความแม่นยำของเนื้อหา ช่องว่างหลายภาษาที่ชัดที่สุดคือความคล้ายคลึงในภาษาฝรั่งเศส ประโยคพาราลิงวิสติกหลายเหตุการณ์ยังไม่เสถียร และการออกแบบเสียงแบบเปิดกว้างยังไม่เทียบเท่าระบบที่แข็งแกร่งที่สุดที่ได้รับการประเมิน บน arena สิ่งนี้ปรากฏออกมาเป็นเสียงโคลนที่สามารถแข่งขันได้ — เป็นอันดับหนึ่งในบรรดาโมเดล open-weights บนบอร์ดแบบควบคุม — ขณะที่ชุดเสียงแบบ native ไม่เป็นเช่นนั้น อันดับเสียงจากผู้ให้บริการของ Ming ซึ่งอยู่อันดับ 19 จาก 98 ถูกฉุดลงโดยเสียงในตัวภาษาจีนกว่า 100 เสียงและภาษาอังกฤษ 5 เสียง มากกว่าจากเส้นทางการโคลน
ข้อได้เปรียบของ Qwen มีลักษณะตรงกันข้าม เสียงที่มีมาในตัวของมันคือผลิตภัณฑ์ ส่วนระดับ Plus ถูกสร้างมาให้ฟังดูสมบูรณ์พร้อมใช้ตั้งแต่แรก และผลการวัดก็ออกมาเช่นนั้นทั้งในการตั้งค่าของผู้ให้บริการและการตั้งค่าแบบควบคุม อีกทั้งยังมีความกว้างทางภาษาที่มาจากบริษัทที่ให้บริการคลาวด์: 16 ภาษาและ 20 ภูมิภาคภาษาถิ่นจีน เทียบกับของ Ming ที่มีเจ็ดภาษาและสองภูมิภาค
ในแง่ความแม่นยำมากกว่าความชอบ การเปรียบเทียบนี้บางกว่าที่ช่องว่าง Elo บ่งชี้ Qwen-Audio-3.0-TTS ไม่มีตารางอัตราคำผิดพลาดที่เผยแพร่จาก Alibaba ซึ่งเราจะตรวจสอบเทียบกับชุดทดสอบมาตรฐานร่วมได้ และตัวเลข Seed-TTS ของ Ming — 0.800% ภาษาจีน, 1.584% ภาษาอังกฤษ — เป็นของ Ant เอง วัดบนฮาร์เนสของ Ant ด้วยการตั้งค่าที่ Ant แนะนำ ไม่มีฝ่ายไหนให้อัตราคำผิดพลาดที่เปรียบเทียบกันได้ตรงๆ สิ่งที่คุณมีคือคะแนนความชอบสำหรับทั้งสองฝ่าย และตารางจากผู้ขายสำหรับฝ่ายเดียว
รูปแบบการเรียกเก็บเงินสองแบบ และมิเตอร์ที่ไม่มีใครพิมพ์
การเปรียบเทียบราคาไม่ใช่ $19.31 เทียบกับศูนย์ แต่เป็นการเทียบมิเตอร์คิดตามจำนวนอักขระกับมิเตอร์คิดตาม GPU-ชั่วโมง และอันหลังจะมองไม่เห็นจนกว่าทีมการเงินของคุณจะถามหา
Qwen คิดค่าบริการตามจำนวนอักขระของข้อความอินพุต ที่ราคา $19.31 ต่อหนึ่งล้านอักขระ เสียงบรรยายที่เสร็จสมบูรณ์หนึ่งล้านอักขระมีค่าใช้จ่าย $19.31 และจำนวนเงินจะเพิ่มขึ้นแบบเชิงเส้นและคาดการณ์ได้ คุณสามารถใส่ไว้ในสเปรดชีตได้ก่อนที่คุณจะเขียนโค้ดแม้แต่บรรทัดเดียว
Ming คิดค่าบริการตามเวลา GPU รีลีสนี้ได้รับการทดสอบบน H800-80GB และ H20-96G ต้องใช้ PyTorch 2.6 กับ CUDA 12.4 และมี Dockerfile ให้ แต่ไม่มี hosted endpoint ที่อัตรา 42.1 ตัวอักษรต่อวินาทีซึ่งวัดได้ใน arena การสร้างหนึ่งล้านตัวอักษรใช้เวลาประมาณ 6.6 ชั่วโมงบนฮาร์ดแวร์ระดับนั้น ก่อนจะนับเวลาการโหลดโมเดล การเข้าคิว หรือคำขอที่ล้มเหลว การที่วิธีนี้จะถูกกว่า $19.31 หรือไม่นั้นขึ้นอยู่ทั้งหมดกับต้นทุน GPU-ชั่วโมงของคุณและคุณใช้มันเต็มความจุได้แค่ไหน — และนี่คือการคำนวณที่ตัดสินแมตช์นี้สำหรับทีมส่วนใหญ่
นี่ก็เป็นจุดที่ชั้นการกำหนดเส้นทางพิสูจน์คุณค่าได้ โดยไม่แสร้งว่าโฮสต์โมเดลใดโมเดลหนึ่ง OrcaRouter ไม่ได้ให้บริการ Ming-3.0-tts-0.5B หรือ Qwen-Audio-3.0-TTS และไม่มีสิ่งใดในที่นี้ที่ควรบ่งชี้เป็นอย่างอื่น ทั้งสองเข้าถึงได้ผ่านช่องทางของตนเอง คือ Model Studio ของ Alibaba สำหรับ Qwen และโครงสร้างพื้นฐานของคุณเองสำหรับ Ming สิ่งที่เราให้บริการจริง ๆ คือ ฝั่งข้อความของไปป์ไลน์เดียวกันในราคาตามรายการของผู้ให้บริการโดยบวกมาร์กอัป 0% — ดังนั้นหากผู้ให้บริการข้อความที่เรากำหนดเส้นทางเปลี่ยนราคา ราคาของคุณก็จะเป็นราคานั้นในวันเดียวกัน — พร้อมการสลับไปยังผู้ให้บริการสำรองโดยอัตโนมัติสำหรับโมเดลที่เขียนสคริปต์ ติดแท็กอารมณ์ หรือขับเคลื่อนเอเจนต์ เสียงพูดคือครึ่งที่แพงและช้าของผลิตภัณฑ์เสียง ครึ่งที่อยู่ด้านหน้าของมันก็ไม่ควรเป็นครึ่งที่เปราะบางเช่นกัน
ปัญหาผู้สืบทอด
มีโมเดลที่สามที่ควรอยู่ในการตัดสินใจนี้แต่ไม่ได้อยู่ในชื่อเรื่อง: Qwen-Audio-3.1-TTS-Plus ซึ่งเปิดตัวเมื่อวันที่ 24 กันยายน 2026 โดยได้ 1,300 Elo ในอารีนาเดียวกัน — สูงกว่าระดับ 3.0 Plus อยู่ 34 คะแนน — ในราคาเดียวกันที่ $19.31 ต่อล้านตัวอักษร
ลองอ่านอีกครั้งในฐานะผู้ซื้อสิ Alibaba เปิดตัวโมเดลที่ดีกว่าเพียงห้าสัปดาห์หลังจากโมเดลที่อยู่ในการเปรียบเทียบนี้ ในราคาที่ไม่เปลี่ยนแปลง และอยู่ในตระกูล endpoint เดียวกัน ใครก็ตามที่เลือก Qwen-Audio-3.0-TTS วันนี้กำลังเลือกโมเดลที่ผู้ขายของมันเองได้แทนที่ไปแล้วโดยไม่ลดราคา ระดับ 3.0 ยังคงถูกระบุไว้และยังคงดี — 1,266 Elo อยู่อันดับที่หกบนกระดานคะแนนที่มี 98 รายการ — แต่ตัวเลือกแบบโฮสต์ที่ถูกต้องในตระกูลนี้ตอนนี้คือ 3.1 ไม่ใช่ 3.0
Ming ไม่มีปัญหาดังกล่าว เพราะไม่มีรุ่นสืบทอดและไม่มีจังหวะการออกรุ่นที่แน่นอน นั่นเป็นข้อได้เปรียบอย่างแท้จริงสำหรับทีมที่ต้องการอาร์ติแฟกต์ที่มั่นคง และเป็นความเสี่ยงอย่างแท้จริงสำหรับทีมที่ต้องการเสียงที่ดีที่สุดที่มีในอีกหกเดือนข้างหน้า การเปิดตัวโดยไม่ประกาศล่วงหน้าและไม่มีการผูกมัดผ่านโรดแมปอาจเงียบไปได้ทั้งสองทิศทาง
ใครควรเลือกอันไหน
เลือก Qwen-Audio-3.1-TTS-Plus — ไม่ใช่ 3.0 — หากคุณต้องการคุณภาพสูงสุดที่วัดได้ในตระกูลนี้ ในราคาต่ออักขระที่รู้แน่นอน ต้องการความครอบคลุมของภาษาที่กว้างขวาง หรืออยากให้คนอื่นรับผิดชอบเรื่องความพร้อมใช้งาน ยอมรับการคิดค่าบริการตามการใช้งาน และยอมรับว่าระดับถัดไปจะมาถึงโดยไม่แจ้งล่วงหน้า
เลือก Ming-3.0-tts-0.5B หากเสียงต้องทำงานภายในโครงสร้างพื้นฐานของคุณเอง หากเนื้อหาของคุณเน้นภาษาจีนเป็นหลักและต้องการภาษาเสฉวนหรือกวางตุ้ง หากคุณต้องการออกแบบเสียงจากคำอธิบายแทนการเลือกจากรายชื่อนักพากย์ หรือหากปริมาณการใช้งานของคุณสูงพอที่ GPU ที่คุณมีอยู่แล้วจะคุ้มกว่าค่าใช้จ่ายแบบคิดตามจำนวนตัวอักษร จัดงบสำหรับงานวิศวกรรมไว้ด้วย: สภาพแวดล้อมถูกล็อกเวอร์ชันไว้แน่นอน การปรับข้อความให้เป็นมาตรฐานต้องใช้ไลบรารี FST ที่ไม่มี universal wheel และตัวเลขปริมาณงานThroughput ที่เผยแพร่เพียงชุดเดียวมาจากชุดทดสอบอิสระเพียงชุดเดียว
ตอนนี้ หากคุณต้องการสัญญาการสนับสนุน ยังไม่ควรเลือกตัวใดเลย Ming ยังไม่มีการประกาศ ไม่มีตัวเลือกแบบโฮสต์ และไม่มีคำมั่นเรื่องการสนับสนุนที่ระบุไว้ ส่วน Qwen มีครบทั้งสามอย่าง แต่แพ็กเกจระดับ 3.0 ไม่ใช่ตัวที่ควรซื้ออีกต่อไป สรุปตามตรงคือ นี่ไม่ใช่การแข่งขันที่ยุติธรรมและไม่เคยตั้งใจให้เป็นเช่นนั้น — ตัวหนึ่งคือรีลีสงานวิจัยที่มีไลเซนส์ และอีกตัวคือผลิตภัณฑ์คลาวด์ที่มีตารางราคา — และคำถามที่มีประโยชน์คือ โปรเจกต์ของคุณต้องการสิ่งใดในสองสิ่งนั้นจริง ๆ
