Ming-3.0-tts กับ Cartesia Sonic 3.6: ตัวหนึ่งอ่านหมายเลขใบแจ้งหนี้ของคุณได้ถูกต้อง ส่วนอีกตัวตอบกลับภายใน 90 ms

เมื่อวาง Ming-3.0-tts และ Cartesia Sonic 3.6 ไว้ในบรรทัดเดียวกันของอารีนาเสียงพูด Artificial Analysis กระดานคะแนนก็บอกว่า Cartesia ชนะ: 1,290 Elo เทียบกับ 1,188 ใน Provider Voice ห่างกัน 102 คะแนน โดยช่วงความเชื่อมั่นไม่ใกล้จะทับกันเลย เมื่อวางทั้งคู่บนกระดานการออกเสียง ผลลัพธ์กลับพลิกแรงจนดูเหมือนข้อมูลผิดพลาด: 93.2% เทียบกับ 74.5% ระบบสองตัวเดียวกัน วัดโดยห้องทดลองเดียวกัน ในเดือนเดียวกัน กลับไม่ตรงกันถึงสิบแปดจุดเปอร์เซ็นต์ในเรื่องที่ว่าตัวไหนอ่านภาษาอังกฤษออกเสียงได้ ตัวเลขทั้งสองถูกต้อง และเหตุผลที่ทั้งสองถูกต้องได้พร้อมกันก็คือการเปรียบเทียบทั้งหมดนี้ ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวเช่นนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งเป็นของตัวเอง

Ming-3.0-tts เป็นโมเดล open-weight ที่มีสัญญาอนุญาต MIT ของ Ant Group — เป็นเช็กพอยต์แบบ dense ขนาด 0.5B ที่คุณรันบน GPU ของตัวเองได้ โดยมีรุ่นพี่น้องแบบ mixture-of-experts ชื่อ Ming-3.0-tts-tiny ขนาด 7.9B Cartesia Sonic 3.6 เป็น endpoint แบบเรียลไทม์ที่เป็นกรรมสิทธิ์ เปิดตัวเมื่อ 17 สิงหาคม 2026 คิดราคาตามจำนวนตัวอักษร ทำการตลาดโดยชูจุดขายเรื่อง latency ของเสียงแรกที่ต่ำกว่า 90 มิลลิวินาที และการรองรับ 44 ภาษา ตัวหนึ่งเป็นโมเดล อีกตัวเป็นบริการที่สร้างมาเพื่อรับสายโทรศัพท์ คุณจะอยากได้ตัวไหนขึ้นอยู่กับคำถามที่ไม่มีอะไรเกี่ยวข้องกับ Elo: ข้อความของคุณเป็นข้อความบรรยายเสียส่วนใหญ่ หรือเป็นสิ่งที่ต้องพูดให้ตรงเป๊ะเสียส่วนใหญ่

ตัวเลขสองตัวที่สำคัญ และเหตุใดจึงไม่ตรงกัน

เริ่มจากกระดานการตั้งค่าความชอบก่อน เพราะสิ่งเหล่านั้นคือสิ่งที่ผู้คนมักอ้างถึง

• Voice Elo ของผู้ให้บริการ — Ming-3.0-tts 1,188 (ช่วง 1,174–1,202) เทียบกับ Sonic 3.6 1,290 (1,276–1,304) Sonic อยู่ในอันดับที่ 4 จาก 97 โมเดล; Ming อยู่ในอันดับที่ 18

• Controlled Voice Elo — Ming-3.0-tts 1,068 (1,052–1,084) เทียบกับ Sonic 3.6 1,151 (1,138–1,164) Sonic อยู่อันดับที่ 5; Ming อยู่อันดับที่ 12 ช่องว่างแคบลง 19 คะแนนเมื่อทั้งสองระบบโคลนเสียงแปดเสียงชุดเดียวกัน

• ความทนทานต่อการออกเสียง ภาษาอังกฤษ — Ming-3.0-tts 93.2% (91.5–94.9) เทียบกับ Sonic 3.6 74.5% (71.4–77.5) โดย Ming อยู่อันดับ 1 จาก 31 ระบบที่วัดผล ส่วน Sonic อยู่อันดับ 19

ผลลัพธ์เหล่านั้นไม่ได้ขัดแย้งกัน แต่กำลังวัดสิ่งที่แตกต่างกัน บอร์ด Elo ให้ผู้ฟังที่เป็นมนุษย์เลือกว่าชอบคลิปใด และการเลือกชอบจะให้รางวัลกับสิ่งที่ทำให้เสียงสังเคราะห์ฟังดูน่าฟัง — จังหวะเสียงที่เป็นธรรมชาติ อารมณ์ที่สมจริงชวนเชื่อ และเสียงที่ไม่เหมือนกำลังอ่านคู่มือ Sonic 3.6 ทำสิ่งนี้ได้ดีมาก มันเป็นระบบอันดับสี่ในอารีน่าตั้งแต่เดือนสิงหาคม และได้ตำแหน่งนั้นมาอย่างสมควร

คณะกรรมการการออกเสียงถามคำถามที่แคบลงและเข้มงวดกว่าว่า ระบบออกเสียงช่วงข้อความเฉพาะนี้ออกเสียงได้ถูกต้องหรือไม่ ผู้ตรวจทานที่เป็นมนุษย์ได้ทำเครื่องหมายคำและวลีที่ไฮไลต์ในข้อความภาษาอังกฤษ — ชื่อแบรนด์ คำศัพท์ทางเทคนิค พาธไฟล์ ที่อยู่อีเมล ตัวเลข วันที่ หน่วยวัด — และให้คะแนนแต่ละรายการ ในการทดสอบนั้น Sonic อยู่ในครึ่งล่างของระบบ 31 ระบบที่ได้รับการให้คะแนนแล้ว และ Ming อยู่อันดับสูงสุดในบรรดาระบบทั้งหมด

คะแนนย่อยทำให้เห็นรูปแบบของความล้มเหลวได้ชัดเจนกว่าคะแนนรวม:

• คำศัพท์แบบเดี่ยว — Ming-3.0-tts 88.5% เทียบกับ Sonic 3.6 72.6%

• เหมาะสมตามบริบท — Ming 91.0% เทียบกับ Sonic 78.2%

• การรักษาลำดับที่ตรงกันทุกประการ — Ming 90.6% (อันดับ 1 จาก 31) เทียบกับ Sonic 60.8%

• การขยายชวเลข — Ming 96.5% (อันดับ 1 จาก 31) เทียบกับ Sonic 49.1%

Expanding Shorthand คือสิ่งที่ต้องจ้องดูให้ดี มันครอบคลุมตัวเลข วันที่ หน่วย และสัญกรณ์ — "6'2"", "Chapter XVII", "1 tsp" Sonic 3.6 ทำได้ถูกต้องประมาณครึ่งหนึ่งของช่วงข้อความเหล่านั้นเมื่อวัดด้วยเกณฑ์นี้ นั่นเป็นตัวเลขที่น่าตกใจสำหรับ API เสียงระดับโปรดักชัน และเป็นสิ่งประเภทที่เดโมไม่เคยเผยให้เห็น เพราะเดโมเขียนด้วยร้อยแก้วที่ผู้ขายเลือกเอง ลองวางการยืนยันคำสั่งซื้อ ปริมาณยา หรือค่าการวัดสักอย่างไว้ตรงหน้า แล้วการจัดอันดับตามความชอบก็จะหยุดทำนายสิ่งที่มีประโยชน์

กรณีความหน่วงและทรูพุต ซึ่ง Cartesia ไม่ใกล้เคียงเลย

คำกล่าวอ้างหลักของ Cartesia คือเสียงแรกภายในเวลาไม่ถึง 90 มิลลิวินาที ซึ่งเป็นตัวเลขที่สำคัญสำหรับเอเจนต์สนทนา เพราะผู้โทรจะได้ยินเสียงก่อนที่พวกเขาจะตัดสินว่าคุณเป็นเครื่องจักร Ming-3.0-tts ไม่ได้เผยแพร่ตัวเลขความหน่วงเลยแม้แต่ตัวเดียว สิ่งที่ชุดทดสอบอิสระมีคืออัตราการประมวลผล และมันไม่ได้เป็นมิตรกับโมเดลเปิดเลย

• จำนวนอักขระต่อวินาทีในการสร้าง — Sonic 3.6 146.9 เทียบกับ Ming-3.0-tts 44.3 Cartesia เร็วกว่า 3.3 เท่าภายใต้สภาวะฮาร์ดแวร์เดียวกัน

• เวลาการสร้างค่ามัธยฐานสำหรับคำขอที่ได้รับการให้คะแนน — Sonic 3.6 9.20 วินาที เทียบกับ Ming 2.56 วินาที อ่านข้อนี้ให้ดี เพราะสะท้อนถึงความยาวคำขอที่แตกต่างกัน ไม่ใช่ความได้เปรียบด้านความเร็วของ Ming

สรุปตามจริงก็คือ Sonic 3.6 ถูกสร้างมาสำหรับสตรีมมิ่ง ส่วน Ming-3.0-tts ถูกสร้างมาสำหรับการประมวลผลแบบเป็นชุด ที่ 44.3 ตัวอักษรต่อวินาที — ประมาณเจ็ดคำ — โมเดลที่โฮสต์เองนั้นเร็วกว่าความเร็วคำพูดจริงอย่างแน่นอน ดังนั้นการบรรยายยาว ๆ จึงสร้างเสร็จก่อนเวลาที่ต้องใช้ฟังมัน สิ่งที่มันยังไม่มีคือเรื่องราวด้านสตรีมมิ่งที่ชัดเจน เวลาถึงเสียงแรกที่เผยแพร่ หรือการจัดการเซสชัน Cartesia ขายสิ่งเหล่านี้พอดีสามอย่าง

หากคุณกำลังสร้างเอเจนต์โทรศัพท์ เครื่องมือแปลแบบเรียลไทม์ หรืออะไรก็ตามที่มนุษย์กำลังรอฟังพยางค์แรก นั่นคือจุดสิ้นสุดของการเปรียบเทียบ และคุณควรหยุดอ่าน ส่วนที่เหลือของบทความนี้สำหรับอีกกรณีหนึ่ง: ข้อความที่เตรียมไว้ล่วงหน้า หรือข้อความที่ความถูกต้องสำคัญกว่าความทันทีทันใด

แต่ละฝ่ายให้อะไรกับคุณจริง ๆ

Ming-3.0-tts จากกลุ่ม inclusionAI ของ Ant Group เผยแพร่เป็นเช็กพอยต์ขนาด 2.96 GB ซึ่งประกอบด้วย backbone, patch head แบบ diffusion-transformer, โทเคไนเซอร์เสียง, เอนโคเดอร์ผู้พูด และโทเคไนเซอร์ข้อความ ภายใต้สัญญาอนุญาต MIT ที่อนุญาตให้ใช้เชิงพาณิชย์ได้ โดยให้เอาต์พุตเสียงที่ 44.1 kHz รองรับเจ็ดภาษาบวกภาษาจีนเสฉวนและภาษากวางตุ้ง และมีความสามารถด้านการโคลนเสียง การออกแบบเสียงจากคำอธิบายข้อความ แท็กพาราภาษาศาสตร์แบบอินไลน์ 14 แท็ก การควบคุมอารมณ์ และการควบคุมความเร็ว/ระดับเสียงสูงต่ำ/ระดับความดัง Ant ทดสอบบน H800-80GB และ H20-96G ด้วย PyTorch 2.6 และ CUDA 12.4 และมี Dockerfile มาพร้อมด้วย

Sonic 3.6 จาก Cartesia เป็น API ที่รองรับ 44 ภาษาจากโมเดลเดียว โคลนเสียงจากไฟล์เสียงอ้างอิงความยาวสิบวินาที รองรับการสื่ออารมณ์และการแทรกสัญญาณที่ไม่ใช่ถ้อยคำ และรองรับพจนานุกรมการออกเสียงแบบกำหนดเอง — ซึ่งเป็นคำตอบของผู้ขายเองต่อปัญหาที่บอร์ดการออกเสียงวัดพอดี และน่าพึงสังเกตว่าลูกค้าที่กำหนดค่านี้จะไม่ถูกให้คะแนนบนเส้นทางค่าเริ่มต้นที่ arena ทดสอบ Cartesia ยังสร้างส่วนที่เหลือของสแต็กเสียง ได้แก่ การแปลงเสียงเป็นข้อความ เอเจนต์เสียงในราคา $0.06 ต่อนาที หมายเลขโทรศัพท์ และขีดจำกัดการทำงานพร้อมกันที่ปรับตามระดับแพ็กเกจ

• ใบอนุญาต — น้ำหนักโมเดลแบบ MIT ที่คุณเก็บไว้ได้ เทียบกับ API เชิงพาณิชย์ที่ไม่มีน้ำหนักโมเดล

• การรองรับภาษา — 7 บวก 2 ภาษาถิ่น เทียบกับ 44

• การปรับใช้ — GPU ของคุณเทียบกับปลายทางการเชื่อมต่อของพวกเขา

• อัตราการสุ่มตัวอย่างเอาต์พุต — 44.1 kHz เทียบกับไม่มีการระบุไว้ในหน้าสินค้า

• การโคลนเสียง — เสียงอ้างอิง ข้อความอ้างอิง และโหมดงานที่ระบุชัดเจน เทียบกับเสียง 10 วินาที แบบทันที

• เกณฑ์การคิดราคา — ชั่วโมง GPU เทียบกับเครดิต ในอัตรา 1 เครดิตต่อ 1 ตัวอักษร

การแปลงราคาเครดิตเป็นเรื่องที่คุ้มค่า เพราะ "หนึ่งเครดิตต่อหนึ่งตัวอักษร" ไม่ใช่ตัวเลขที่ทีมส่วนใหญ่จะใช้ตั้งงบประมาณได้ ตารางแผนราคาของ Cartesia เองระบุว่าออดิโอหนึ่งนาทีใช้ 750–800 เครดิต ซึ่งทำให้อัตราที่แท้จริงอยู่ที่ประมาณ $0.038 ต่อนาทีในแผน Pro ราคา $5, $0.029 ในแผน Startup ราคา $49 และ $0.028 ในแผน Scale ราคา $299 arena ปรับให้เป็นมาตรฐานที่ $49 ต่อหนึ่งล้านตัวอักษร ซึ่งเป็นตัวเลขที่เทียบเคียงกับศูนย์ของ Ming ได้ Ming ไม่ได้ฟรี แต่เป็นบิลค่า GPU-hour ที่ทีมการเงินของคุณจะมองว่าเป็นโครงสร้างพื้นฐาน ไม่ใช่รายการค่าใช้จ่ายต่อคำ

การเปรียบเทียบระยะสามเดือนที่ไม่มีใครใส่ไว้ในรีวิว

มีเวอร์ชันหนึ่งของการตัดสินใจนี้ที่อยู่ยืนยาวกว่าทั้งสองโมเดล และนั่นคือสิ่งที่สำคัญสำหรับระบบโปรดักชัน: เกิดอะไรขึ้นเมื่อโมเดลที่คุณเลือกถูกแทนที่

Cartesia ได้ปล่อย Sonic 3, 3.5 และ 3.6 ภายในหนึ่งปี ในราคาคงที่ 49 ดอลลาร์ต่อหนึ่งล้านตัวอักษร Ant ได้ปล่อย Ming-omni-tts ในเดือนกุมภาพันธ์ รุ่น 16.8B ในเดือนมิถุนายน และตอนนี้ Ming-3.0-tts — โดยมีรายงานทางเทคนิคที่ยังไม่ถูกติ๊กบนโรดแมป และเส้นทางการเร่งความเร็ว vLLM-Omni ที่ถูกทำเครื่องหมายว่าเสร็จแล้วแต่ไม่มีเอกสารในรีโพซิทอรี ผู้ขายทั้งสองรายเคลื่อนไหวเร็ว และไม่มีรายใดจะหยุด

สำหรับโมเดลที่ให้บริการแบบโฮสต์ นี่คือการอัปเวอร์ชันตามปกติ แต่สำหรับเช็กพอยต์ที่โฮสต์เอง นี่คือการโยกย้าย: เวตชุดใหม่ dependency ชุดใหม่ และการประเมินอีกรอบบนข้อความของคุณเอง สัญญาอนุญาต MIT ปกป้องสิทธิ์ของคุณในการรันตัวเก่าต่อไป ซึ่งเป็นข้อได้เปรียบจริง ๆ และเป็นเหตุผลหลักที่ทีมต่าง ๆ เลือก open weights ตั้งแต่แรก — แต่มันไม่ได้ปกป้องคุณจากความอยากได้ตัวใหม่

นี่คือจุดเชื่อมต่อที่ชั้นการกำหนดเส้นทางทำสิ่งที่เป็นรูปธรรม ไม่ใช่เพียงวาทกรรม OrcaRouter ไม่ได้โฮสต์ Ming-3.0-tts หรือ Cartesia Sonic 3.6 และไม่มีสิ่งใดในที่นี้ควรบ่งชี้เป็นอย่างอื่น — Ming มาจากรีโพซิทอรี ส่วน Sonic มาจาก API ของ Cartesia เอง สิ่งที่แคตตาล็อกมีอยู่จริงคือชุดโมเดลเสียงที่โฮสต์ไว้ ซึ่งรวมถึง G​oogle's G​emini T​TS previews และ O​penAI's tts-1 และ gpt-4o-mini-tts ภายใต้คีย์เดียวกันกับ โมเดลข้อความมากกว่า 200 รายการ และในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกกำไรเพิ่ม พร้อมการ failover อัตโนมัติระหว่างผู้ให้บริการ หากไปป์ไลน์เสียงของคุณมีเส้นทางสำรอง — และไปป์ไลน์ใดก็ตามที่รองรับทราฟฟิกสดก็ควรมี — เส้นทางสำรองนั้นสามารถเป็นปลายทางเดียวได้ แทนที่จะเป็นสัญญาอีกฉบับและ SDK อีกชุด การปรับลดราคาของผู้ขายจะสะท้อนมาถึงฝั่งเราในวันเดียวกัน เพราะไม่มีมาร์กอัปคั่นกลางที่ต้องทยอยลดตาม

ควรเลือกอันไหน โดยพิจารณาจากปริมาณงาน

การตัดสินใจจะสั้นลงหากคุณตอบเกี่ยวกับข้อความอย่างตรงไปตรงมา

เลือก Sonic 3.6 หากมีคนรอฟังเสียงแรกอยู่ คุณต้องการภาษาเกินกว่าเพียงไม่กี่ภาษา หรือคุณต้องการให้ผู้ขายรับผิดชอบ uptime ช่องว่างความชอบ 102 จุดนั้นมีอยู่จริง และผู้ฟังจะได้ยินมัน กำหนดค่าพจนานุกรมการออกเสียงสำหรับคำศัพท์ที่ผลิตภัณฑ์ของคุณพูดจริง เพราะเส้นทางค่าเริ่มต้นได้คะแนน 74.5% ในเรื่องนั้นพอดี

เลือก Ming-3.0-tts หากเสียงของคุณถูกสร้างไว้ล่วงหน้า — การบรรยาย การอ่านเอกสารออกเสียง พรอมต์ IVR สื่อฝึกอบรม ฉบับร่างหนังสือเสียง — และข้อความมีตัวระบุ หน่วย รหัส หรือสัญกรณ์ ในสามหมวดหมู่ที่ครอบคลุมช่วงดังกล่าว ระบบนี้อยู่ในอันดับหนึ่งหรือมีคะแนนตามหลังไม่เกินสามคะแนน และไม่มีระบบโฮสต์ใดบนตารางอันดับที่รักษาลำดับที่แน่นอนได้ดีกว่า

ไม่เลือกทั้งคู่ แต่ถ้าคุณต้องการให้คำนามเฉพาะภาษาอังกฤษถูกต้อง คะแนน 88.5% ของ Ming ใน Standalone Terms อยู่อันดับที่ 21 จาก 31 และเป็นหมวดเดียวที่โมเดลอยู่กลางตารางอย่างชัดเจน การออกเสียงชื่อแบรนด์ผิดในเดโมผลิตภัณฑ์สร้างความเสียหายมากกว่าการอ่านวันที่อย่างติดขัด

ยังมีแนวทางแบบไฮบริดที่ผู้ขายรายใดก็ไม่น่าจะเสนอ: ใช้โมเดลเรียลไทม์แบบโฮสต์สำหรับส่วนติดต่อเชิงโต้ตอบ และใช้เช็กพอยต์ที่โฮสต์เองสำหรับคลังข้อมูลแบบแบตช์ แล้วประเมินทั้งสองกับข้อความ held-out ชุดเดียวกัน สองระบบนี้ล้มเหลวในจุดที่ต่างกัน ซึ่งเป็นสิ่งที่ทำให้การแยกเช่นนี้คุ้มค่ากับต้นทุนด้านปฏิบัติการ

คำถามที่เปิดอยู่

หน้าผลิตภัณฑ์ของ Cartesia ระบุว่าบริษัทอยู่ในอันดับหนึ่งบน Speech Arena ซึ่งเป็นความจริงตอนที่เขียนหน้านั้น และตอนนี้ไม่เป็นความจริงอีกต่อไป — วันนี้ HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo และ Eleven v4 ล้วนอยู่อันดับเหนือกว่า Sonic 3.6 ทั้งสิ้น และอันดับของ Sonic เองอยู่ที่สี่ คำกล่าวอ้างบนกระดานผู้นำจากผู้ขายนั้นมีอายุเพียงไม่กี่สัปดาห์ คะแนนการออกเสียง 74.5% เป็นข้อเท็จจริงที่ยั่งยืนกว่าในการเปรียบเทียบนี้ เพราะวัดโดยผู้ที่ไม่มีผลิตภัณฑ์จะขาย และคะแนนแย่พอถึงขั้นที่ฟีเจอร์พจนานุกรมการออกเสียงของ Cartesia เองต้องมีอยู่เพื่อรับมือกับปัญหานี้

อะไรจะเปลี่ยนคำตัดสินได้: การเปิดตัว Ming-3.0-tts แบบสตรีมมิงพร้อมเวลาถึงเสียงแรกที่เผยแพร่ หรือ Sonic 3.7 ที่แก้การขยายคำย่อ ยังไม่มีการประกาศทั้งสองอย่าง จนถึงตอนนั้น การแบ่งแยกก็ชัดเจน — ความเร็วและความครอบคลุมอยู่ฝั่งหนึ่ง ความแม่นยำและความเป็นเจ้าของอยู่อีกฝั่ง — และคำตอบที่ถูกต้องคือเลิกมองหาผู้ชนะ แล้วเริ่มมองที่คอร์ปัสของคุณเอง