Ming-3.0-tts-tiny เทียบกับ Breeze-TTS-2: น้ำหนักโมเดลแบบ MIT กับสัญญาอนุญาตแบบไม่ใช่เชิงพาณิชย์

โมเดลเสียงแบบเปิดน้ำหนักสองตัวเปิดตัวห่างกันภายในหนึ่งเดือน และ它們ไม่ได้แข่งขันกันบนแกนเดียวกัน Ming-3.0-tts-tinyจาก inclusionAI ของ Ant Group เป็นเช็กพอยต์แบบ mixture-of-experts ขนาด 7.9B ที่เปิดใช้งานพารามิเตอร์ประมาณ 1.3B ต่อโทเค็น ออกภายใต้ MIT และครอบคลุมเก้าภาษา รวมถึงภาษาถิ่นจีนสองภาษา Breeze-TTS-2จาก BreezeBlue เป็นโมเดล dense ขนาด 3B ที่ครอบคลุมเฉพาะภาษาอังกฤษและภาษาจีน เผยแพร่โค้ดภายใต้ Apache 2.0 และปล่อยน้ำหนักภายใต้สัญญาอนุญาตสำหรับการวิจัยและไม่เชิงพาณิชย์ โดยมีข้อยกเว้นสำหรับการโฮสต์แบบเสียค่าใช้จ่าย คำถามพาดหัว — อันไหนฟังดูดีกว่า — กลับกลายเป็นคำถามที่ชี้ขาดน้อยที่สุด เพราะรายการในอารีนาที่ดูเหมือนเป็นคะแนนของ Ming จริง ๆ แล้วเป็นของเช็กพอยต์คนละตัวโดยสิ้นเชิง และความแตกต่างด้านสัญญาอนุญาตคือสิ่งที่ตัดสินว่าคุณจะนำออกวางจำหน่ายได้หรือไม่ ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มาของตนเอง ระดับความรุนแรง ระดับความมั่นใจ และตัวบ่งชี้ว่าถูกโต้แย้ง

ไม่มีผู้จำหน่ายรายใดประกาศเหตุการณ์เปิดให้ใช้งานทั่วไป (GA) ตามความหมายปกติ และข้อเท็จจริงทั้งสองข้อนี้สำคัญต่อที่นี่ น้ำหนักของ Breeze-TTS-2 ถูกเผยแพร่เมื่อวันที่ 25 สิงหาคม 2026 โดยมีชุด voice-design และ latency ตามมาวันที่ 7 สิงหาคม Ming-3.0-tts-tiny มีอยู่บน Hugging Face ตั้งแต่วันที่ 24 กันยายน แต่เพิ่งรันได้เมื่อวันที่ 19 ตุลาคม เมื่อโค้ด inference และ task cookbook มาถึง GitHub ดังนั้นนี่คือการเปรียบเทียบอาร์ติแฟกต์สองชิ้นที่คุณต้องโฮสต์เอง เขียนขึ้นก่อนที่ทั้งสองจะมีราคาแบบโฮสต์ให้อ้างอิง และติดป้ายกำกับตามนั้นตลอดทั้งบทความ

เริ่มจากสัญญาอนุญาตก่อน เพราะมันช่วยยุติข้อโต้แย้งสำหรับบางทีม

ใบอนุญาตทั้งสองไม่ได้เป็นเพียงรูปแบบต่าง ๆ ของสิทธิอนุญาตเดียวกัน แต่เป็นสิทธิอนุญาตคนละประเภท

• Ming-3.0-tts-tiny — MIT ครอบคลุมทั้ง weights และ code คุณสามารถใช้ในเชิงพาณิชย์ ดัดแปลง แจกจ่ายต่อ และนำไปจัดส่งในผลิตภัณฑ์แบบปิดได้ Ant แนบหมายเหตุการใช้งานที่ขอให้คุณอย่าแอบอ้างเป็นบุคคลอื่นโดยไม่ได้รับความยินยอม และให้ติดป้ายกำกับเสียงสังเคราะห์; นั่นเป็นคำขอในเอกสาร ไม่ใช่เงื่อนไขของการอนุญาต

• Breeze-TTS-2 — Apache 2.0 สำหรับซอร์สโค้ด และ "BreezeBlue Research and Non-Commercial License" แยกต่างหากสำหรับเวตของโมเดล การใช้เอาต์พุตที่โฮสต์ไว้ในเชิงพาณิชย์จำเป็นต้องมีการสมัครสมาชิก BreezeBlue แบบชำระเงิน และแม้ในกรณีนั้น การสมัครสมาชิกดังกล่าวก็ไม่ได้ขยายสิทธิ์เชิงพาณิชย์ไปยังเวตแบบเปิดหรือเอาต์พุตที่คุณสร้างขึ้นจากการโฮสต์ด้วยตนเอง

อ่าน bullet ข้อที่สองให้ดี เพราะการตีความที่ดูเหมือนชัดเจนนั้นคือการตีความที่ผิด การจ่ายเงินให้ BreezeBlue ไม่ได้เปลี่ยน weights ให้กลายเป็นสิ่งที่คุณนำไปรันเชิงพาณิชย์ได้ แต่ให้สิทธิ์ในเส้นทางแบบโฮสต์เท่านั้น การโฮสต์เอง (self-hosting) ถือเป็นการใช้ที่ไม่ใช่เชิงพาณิชย์ ไม่ว่าคุณจะสมัครสมาชิกหรือไม่ หากแผนของคุณคือ “fine-tune โมเดล 3B เอาไปไว้หลัง endpoint ของเราเอง แล้วเรียกเก็บเงินจากมัน” สัญญาอนุญาตนี้ปิดประตูนั้น ขณะที่ MIT เปิดประตูนั้นไว้ สำหรับการวิจัยภายใน การประเมิน หรือต้นแบบที่จะไม่มีวันสร้างรายได้ ความแตกต่างนี้ไม่มีต้นทุนใด ๆ

มีความแตกต่างประการที่สองที่เกี่ยวเนื่องกับสัญญาอนุญาต ซึ่งมีผลชี้ขาดต่อการนำไปใช้งานได้มากกว่าสิ่งที่กล่าวถึงในสองย่อหน้าข้างต้น การเผยแพร่ของ Ming มาพร้อมไปป์ไลน์ครบทั้งชุด ได้แก่ แบ็กโบน เฮดแบบดิฟฟิวชัน โทเค็นไนเซอร์เสียง เอนโคเดอร์ผู้พูด และโทเค็นไนเซอร์ข้อความ โดยรวมเป็นชุดน้ำหนักชุดเดียว Breeze มาพร้อมโค้ดและน้ำหนัก พร้อมเส้นทางการอนุมานที่ถูกแพ็กเกจสำหรับรันไทม์หลายตัวพร้อมกัน โดยระบบนิเวศอนุพันธ์รอบ Breeze-TTS-2 ประกอบด้วยบิลด์ MLX แบบ 4-bit และ 8-bit พร้อมพอร์ตความแม่นยำเต็ม การควอนไทซ์ GGUF การแปลงเป็น int8 และ int4 บิลด์ HQQ int4 บิลด์ ROCm/RDNA4 BF16 จากวันที่ 18 ตุลาคม บิลด์ GPTQ int4 ROCm จากวันที่ 19 ตุลาคม ไฟน์ทูน ComfyUI และ LoRA ภาษาบราซิลเลียนโปรตุเกสที่เผยแพร่เมื่อวันที่ 6 ตุลาคม Ming-3.0-tts-tiny ไม่มีสิ่งเหล่านี้เลย เพราะมีเส้นทางการอนุมานที่ใช้งานได้มาน้อยกว่าหนึ่งวัน

ความแตกต่างของพื้นที่ใช้งานนั้นอยู่ในระดับประมาณหนึ่งลำดับความสำคัญ

นี่คือจุดที่ “tiny” ไม่ได้หมายถึงคำว่าเล็กอีกต่อไป ชื่อนี้บ่งบอกถึงพารามิเตอร์ที่ใช้งานต่อโทเค็น ไม่ใช่หน่วยความจำที่คุณต้องใช้

• Ming-3.0-tts-tiny — พารามิเตอร์ 8,980,964,372 ตัวใน BF16 บวก 40,096 ตัวใน F32 ตามเมทาดาทาของ Hugging Face เอง, พื้นที่จัดเก็บรีโพซิทอรีประมาณ 18 GB, และแนะนำ H800 ในบันทึกสภาพแวดล้อมของผู้จำหน่าย คุณต้องใช้หน่วยความจำเท่าโมเดล 7.9B แต่ได้ความหน่วงเท่าโมเดล 1.3B ซึ่งเป็นการแลกที่คุ้มสำหรับการสังเคราะห์เสียงแบบแบตช์บนฮาร์ดแวร์เช่า และไม่คุ้มสำหรับทุกอย่างที่มีการ์ด 12 GB ติดตั้งอยู่

• Breeze-TTS-2 — โมเดล dense ขนาด 3B พารามิเตอร์ ใช้หน่วยความจำ GPU ประมาณ 7.7 GiB ในโหมด eager และประมาณ 14.4 GiB เมื่อเปิดใช้ --fast-all BreezeBlue แนะนำ 12 GB หรือ 24 GB ขึ้นอยู่กับเส้นทางที่คุณเลือก และระบุในเอกสารว่าค่าเริ่มต้นของ Docker มุ่งเป้าไปที่ H100/Hopper sm90 ขณะที่ผู้ใช้ A100 ต้องตั้งค่า FLASH_ATTN_CUDA_ARCHS=80

• โมเดลการทำงานพร้อมกันของ Ming — จุดเริ่มต้น Python หนึ่งจุดต่อหนึ่งงาน พร้อมค่าเริ่มต้นคงที่: guidance scale 2.0, อุณหภูมิเป็นศูนย์, ขั้นตอนโฟลว์สิบขั้น, sigma 0.25, seed 1234 การรองรับ vLLM-Omni อยู่ในโรดแมปและยังไม่ได้ตรวจสอบ ดังนั้นปัจจุบันจึงยังไม่มีเส้นทางการให้บริการที่มีปริมาณงานสูง

• โมเดลการทำงานพร้อมกันของ Breeze — API สตรีมมิ่งผ่าน HTTP แบบทำงานพร้อมกันได้เพียงรายการเดียว ที่ส่งคืน PCM แบบโมโน 24 kHz แบบ signed 16-bit little-endian โดยอ้างว่ามีเวลาถึงเสียงแรกต่ำกว่า 40 มิลลิวินาทีบน H100 ที่อุ่นเครื่องแล้ว และมีค่าปัจจัยเรียลไทม์ที่ 0.32 ซึ่งเร็วกว่าเรียลไทม์ประมาณ 3.1 เท่า

คู่นั้นคือบทสรุปที่ตรงไปตรงมาของการแลกเปลี่ยนนี้ Breeze ถูกออกแบบมาเพื่อ latency แบบสตรีมมิ่งทีละหนึ่งคำขอ ส่วน Ming ถูกออกแบบมาเพื่อ throughput ต่อหน่วยคอมพิวต์บน sparse activation และยังไม่ได้เผยแพร่ serving stack หากผลิตภัณฑ์ของคุณคือ voice agent แบบเรียลไทม์ จุดเริ่มต้นทั้งสองแบบนี้ไม่เทียบเท่ากัน หากผลิตภัณฑ์ของคุณคือการสร้างเสียงบรรยายเป็นชุดในตอนกลางคืน รูปแบบ concurrency จะมีความสำคัญน้อยกว่า licence และค่าใช้จ่ายหน่วยความจำมาก

ความครอบคลุมทางภาษาไม่ใกล้เคียงกัน และช่องว่างนั้นเป็นไปในทิศทางเดียว

Breeze-TTS-2 รองรับภาษาอังกฤษและภาษาจีน การ์ดของมันระบุเช่นนั้นอย่างไม่กำกวม และยังอธิบายเหตุการณ์เสียงร้องแบบอินไลน์ในทั้งสองภาษา — (laugh) และ (sigh) ในภาษาอังกฤษ, [笑] และ [叹气] ในภาษาจีน — พร้อมการโคลนจากคลิปอ้างอิงด้วยถอดความที่ตรงกันทุกคำและการควบคุมทิศทางเสียง

Ming-3.0-tts-tiny รองรับภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น พร้อมรองรับภาษาจีนเสฉวนและกวางตุ้งเมื่อให้คลิปอ้างอิงภาษาถิ่น นอกจากนี้ยังเพิ่มการควบคุมสไตล์แบบอิสระ การออกแบบเสียงจากคำอธิบายภาษาธรรมชาติ เสียงจีนในตัวมากกว่า 100 เสียงและเสียงอังกฤษ 5 เสียง และแท็กพาราภาษาศาสตร์แบบอินไลน์ 14 แท็ก อีกทั้งยังสร้างพอดแคสต์แบบหลายผู้พูด ซึ่ง Breeze ไม่ได้ทำ

จุดสำคัญอยู่ที่ตารางหลายภาษาของ Ant เอง และนี่คือสิ่งแรกที่ต้องอ่านก่อนจะสรุปว่าเก้าชนะสอง บนภาษาเกาหลี Ming-3.0-tts-tiny รายงานอัตราความผิดพลาดระดับอักขระ 6.000% เป็นอันดับหกจากแปดระบบที่ Ant ทดสอบ เทียบกับ 1.728% ของรุ่นพี่น้องขนาด 0.5B ของ Ant เอง บนภาษาฝรั่งเศสได้อันดับสองด้านอัตราความผิดพลาด แต่ค่าความคล้ายของผู้พูดที่ 0.733 ไม่ติดสามอันดับแรก ซึ่งเป็นการจำกัดที่การ์ดของรุ่นระบุไว้เอง ภาษาเยอรมัน (0.325%) และสเปน (0.971%) เป็นอันดับหนึ่งในตารางนั้น ดังนั้นการอ่านอย่างซื่อตรงคือ ห้าจากเจ็ดภาษาของ Ming เชื่อถือได้ ส่วนเกาหลียังไม่ใช่ และการรองรับภาษาถิ่นนั้นมีเอกลักษณ์เฉพาะแต่ยังไม่ได้รับการตรวจสอบยืนยันนอกฮาร์เนสของ Ant ตรงกันข้าม Breeze ไม่ได้อ้างสิ่งใดที่ตนเองไม่ครอบคลุม มีเพียงสองภาษา และผลลัพธ์ทุกอย่างในการ์ดของมันล้วนเกี่ยวกับสองภาษานั้น

ตัวเลขของ Arena และเหตุผลว่าทำไมจึงไม่ใช่การเปรียบเทียบแบบตัวต่อตัว

Breeze-TTS-2 มีคะแนนแยกต่างหากของตัวเอง ส่วน Ming-3.0-tts-tiny ไม่มี และรายการที่ดูเหมือนจะเป็นของมันนั้นเป็นของโมเดลอื่น

• Breeze-TTS-2 บน Artificial Analysis อ่านค่าจากกระดานคะแนนสดเมื่อวันที่ 19 ตุลาคม 2026 — 1,220 Elo ใน Provider Voice ซึ่งแต่ละโมเดลใช้ชุดเสียงเนทีฟของตนเอง และ 1,019 ใน Controlled Voice ซึ่งทุกโมเดลโคลนเสียงอ้างอิงแปดเสียงชุดเดียวกัน

• แถว Ming บนบอร์ดเดียวกัน — 1,188 Provider และ 1,069 Controlled — เชื่อมโยงกับ Ming-3.0-tts-0.5B ซึ่งเป็นรุ่นพี่น้องแบบ dense ที่มี backbone ขนาดครึ่งพันล้านพารามิเตอร์ ไม่ใช่เชื่อมโยงกับ checkpoint ขนาดเล็ก README บน GitHub ของ Ant แสดงตัวเลขเหล่านี้ซ้ำในส่วนผลลัพธ์โดยไม่มีการแยกแยะดังกล่าว ควรระบุให้ชัดเจนว่า: ไม่มีค่า Elo ที่เป็นอิสระสำหรับ Ming-3.0-tts-tiny ไม่มีตัวเลขอัตราตัวอักษรต่อวินาทีที่วัดได้ และไม่มีอัตราความผิดพลาดระดับคำจากบุคคลที่สาม

• ลีดเดอร์บอร์ดของหน้าโครงการเองระบุว่า Breeze อยู่ที่ 1,222 Provider และ 1,018 Controlled ซึ่งต่างจากบอร์ดแบบเรียลไทม์สองจุดในแต่ละทิศทาง นี่คือลักษณะของบอร์ดที่ยังสะสมคะแนนโหวตอยู่; ให้อ้างอิงตัวเลขจากบอร์ดแบบเรียลไทม์ และระบุหมายเหตุเกี่ยวกับการปัดเศษหากคุณกำลังเปรียบเทียบเอกสาร

• บนกระดานแบบควบคุม ลำดับของระบบ open-weights คือ Ming-3.0-tts-0.5B ที่ 1,069, Fish Audio Drama 3 Preview ที่ 1,059, Breeze-TTS-2 ที่ 1,019 บนกระดานผู้ให้บริการ Breeze นำกลุ่มนั้นที่ 1,220 โดย Ming-3.0-tts-0.5B อยู่ที่ 1,188 ดังนั้นโมเดล Ming ขนาดเล็กชนะเมื่อคงเสียงไว้เหมือนเดิม และแพ้เมื่อแต่ละระบบนำชุดเสียงของตัวเองมา — ซึ่งบอกอะไรบางอย่างเกี่ยวกับไฟล์บันทึกเสียงของ BreezeBlue และบอกเกี่ยวกับสถาปัตยกรรมได้น้อยมาก

ไม่มีสิ่งใดในนั้นถ่ายทอดไปยังเช็กพอยต์ขนาดจิ๋วได้ไม่ว่าในทิศทางใด ผู้อ่านอาจอนุมานได้อย่างสมเหตุสมผลว่าโมเดล mixture-of-experts ขนาด 7.9B ที่มีคะแนนความคล้ายของผู้พูดภาษาจีนดีกว่าโมเดลพี่น้องขนาด 0.5B จะได้คะแนนสูงกว่าบนบอร์ดแบบควบคุม การอนุมานนั้นยังไม่ได้รับการทดสอบ มันไม่ใช่ตัวเลข และบทความนี้จะไม่นำเสนอให้เป็นตัวเลข

แต่ละอย่างใช้ทำอะไรจริงๆ

ถ้าตัดรายการสเปกออกไป โมเดลทั้งสองก็กำลังแก้ปัญหาที่แตกต่างกัน

Breeze-TTS-2 เป็นรุ่นที่เน้นการนำไปใช้งานจริงเป็นอันดับแรก มีสองภาษา ขนาด dense 3B ที่กะทัดรัดพอจะรันบนการ์ด 12 GB ในโหมด eager มี API แบบสตรีมมิงพร้อมเส้นทางความหน่วงที่มีเอกสารกำกับ มีคอนเทนเนอร์ที่มุ่งเป้าไปที่ Hopper ในดาต้าเซ็นเตอร์แต่สามารถรีบิลด์สำหรับ A100 ได้ และมีระบบนิเวศของพอร์ตแบบควอนไทซ์และพอร์ตเฉพาะรันไทม์ที่ปรากฏขึ้นภายในแปดสัปดาห์หลังปล่อยเวท ยอดดาวน์โหลด — 14,636 ครั้งในเดือนที่ผ่านมา พร้อม 747 ไลก์ และ 17 Spaces — คือภาพของการได้รับการนำไปใช้เมื่อโมเดลรันได้ง่าย ข้อจำกัดของมันคือสัญญาอนุญาต: เวทสำหรับการวิจัยและไม่ใช่เชิงพาณิชย์ โดยมีเส้นทางโฮสต์แบบเสียค่าใช้จ่ายที่ไม่ได้รับสิทธิ์ในการโฮสต์เองเชิงพาณิชย์

Ming-3.0-tts-tiny เป็นรีลีสที่เน้นความสามารถเป็นหลัก มีเก้าภาษา การควบคุมสำเนียงถิ่น การออกแบบเสียง ระบบพาราภาษาศาสตร์ 14 แท็ก การสร้างพอดแคสต์แบบหลายผู้พูด และคะแนนเสียงโคลนที่ดีที่สุดในตระกูลเดียวกันที่ความคล้ายคลึงของผู้พูดภาษาจีน 0.781 ข้อจำกัดของมันคือทุกสิ่งรอบ ๆ ความสามารถนั้น ได้แก่ ไฟล์ดาวน์โหลดขนาด 18 GB การเปิดใช้งานแบบ sparse ที่ต้องใช้หน่วยความจำ GPU จริง แผนการให้บริการที่เป็นเพียงช่องทำเครื่องหมายในโรดแมป ไม่มี benchmark อิสระ และไม่มีการประกาศ ยอดดาวน์โหลด 20 ครั้งและถูกใจ 3 ครั้งบน Hugging Face ดาว 5 ดวงบน GitHub และคอมมิตเอกสาร 12 ครั้งในบ่ายวันเดียว บอกคุณว่าผู้จำหน่ายยังคงเขียนคู่มืออยู่

หากคุณต้องส่งฟีเจอร์เสียงสองภาษาให้เสร็จในไตรมาสนี้บนฮาร์ดแวร์ที่คุณมีอยู่แล้ว Breeze-TTS-2 พร้อมข้อตกลงเชิงพาณิชย์คือเส้นทางที่สั้นกว่า และสิ่งที่ต้องเจรจาคือสัญญาอนุญาต ไม่ใช่การคำนวณ หากคุณต้องการภาษาเยอรมัน สเปน ญี่ปุ่น กวางตุ้ง หรือรูปแบบพอดแคสต์ Breeze ช่วยคุณไม่ได้ และ Ming คือตัวเลือกแบบ open-weights เพียงหนึ่งเดียวที่มีตารางเผยแพร่ไว้ — โดยมีเงื่อนไขว่าคุณต้องรองรับหน่วยความจำได้และยอมรับว่าภาษาเกาหลียังไม่พร้อม

OrcaRouter ไม่ได้กำหนดเส้นทางให้กับทั้งสองโมเดลนี้ และไม่ควรอ่านบทความนี้ว่าเป็นการบ่งชี้เป็นอย่างอื่น สิ่งที่มีอยู่ในแคตตาล็อกคือครึ่งหนึ่งที่เป็นข้อความของไปป์ไลน์ที่เสียงเหล่านี้เชื่อมต่ออยู่: โมเดลมากกว่า 200 รายการภายใต้คีย์เดียว ในราคาตามที่ผู้ให้บริการระบุโดยไม่มีการบวกเพิ่ม ดังนั้น การเปลี่ยนแปลงราคาจากผู้จำหน่ายจึงมีผลฝั่งเราในวันเดียวกัน แทนที่จะเป็นไปตามรอบการรีเฟรช เมื่อคุณกำลังเปรียบเทียบเช็กพอยต์ที่โฮสต์เองสองตัวและทั้งคู่ไม่มีอัตราค่าบริการแบบโฮสต์ ค่าใช้จ่ายประจำรายการเดียวที่คุณควบคุมได้จริงคือโมเดลที่เขียนสคริปต์ และนั่นคือส่วนที่คุ้มค่าจะกำหนดเส้นทางมากกว่าการเช่า GPU

ข้อสรุปที่ยังยืนอยู่เมื่อผ่านหลักฐานนั้นแคบกว่าที่ช่องว่าง Elo บ่งชี้ ในการใช้งานเชิงพาณิชย์แบบเทียบกันได้จริง ใบอนุญาต MIT เป็นตัวตัดสินก่อนจะได้อ่านเบนช์มาร์กแม้แต่ตัวเดียว ในงานสองภาษาที่อ่อนไหวต่อเวลาแฝง วิศวกรรมของ Breeze เป็นตัวตัดสินก่อนใบอนุญาตเสียอีก และสำหรับคำถามที่ผู้อ่านส่วนใหญ่มาหาคำตอบ — โมเดลที่ใหญ่กว่าฟังดูดีกว่าจริงหรือไม่ — คำตอบที่ซื่อสัตย์คือ ยังไม่มีใครวัดมัน แถวใน Arena ที่ทุกคนจะอ้างถึงเป็นเช็กพอยต์ที่ผิด และคนแรกที่รันทั้งสองตัวบนเสียงอ้างอิงเดียวกันจะให้ตัวเลขเดียวที่ควรค่าแก่การอ้างอิง