GPT-Live-1 vs Ming-3.0-TTS: Giấy phép MIT gặp một phút tính phí

Ming-3.0-TTS ra mắt ngày 20 tháng 10 năm 2026 với giấy phép mà hầu hết các nhóm làm giọng nói đều mơ ước: MIT, trọng số trên Hugging Face và ModelScope, mã suy luận trên GitHub, không tốn phí cho mỗi ký tự, cùng tiếng Tứ Xuyên và tiếng Quảng Đông trong danh sách ngôn ngữ. GPT-Live-1 tốn 0,05 đô la mỗi phút, không phát hành trọng số, và nói những ngôn ngữ mà OpenAI đã tinh chỉnh riêng cho nó. So sánh hai mô hình này thực ra không phải là câu hỏi về chất lượng. Đó là câu hỏi về việc khách hàng của bạn thực sự nói ngôn ngữ nào và liệu bạn có sẵn sàng chạy GPU để phục vụ họ hay không.

Cả hai đều có thật, cả hai đều đang hiện hành, và cả hai đều giỏi những việc mà bên kia không thể làm. Đây là sự phân chia thẳng thắn.

Dòng sản phẩm Ming có hai mẫu, không phải một.

Đội inclusionAI của Ant Group đã mã nguồn mở Ming-3.0-TTS dưới dạng một cặp dùng chung một khung sinh — một mô hình ngôn ngữ cấp dữ liệu cho một đầu patch transformer khuếch tán và một bộ token hóa âm thanh.

• Ming-3.0-TTS-0.5B — dạng dense, khoảng 500 triệu tham số trên backbone Qwen2.5-0.5B, dung lượng tải xuống 2.96GB, chạy trên H800-80GB hoặc H20-96G.

• Ming-3.0-TTS-Tiny — một bản dựng mixture-of-experts trên kiến trúc Ling V3 của Ant, tổng cộng 7,9 tỷ tham số với 1,3 tỷ tham số hoạt động, và là bản bổ sung chế độ podcast nhiều người nói.

0.5B là phiên bản đáng chú ý đối với bất kỳ ai từng tính chi phí cho một sản phẩm giọng nói. Một mô hình TTS nửa tỷ tham số vừa trong ba gigabyte không phải là khoản đầu tư cho trung tâm dữ liệu; nó chỉ là một GPU đơn lẻ mà bạn có thể đã có. Tiny là lựa chọn hướng tới chất lượng, và ghi chú của chính Ant nói rằng đầu ra podcast của nó thấp hơn so với Ming-Omni-TTS trước đó — một hạn chế thẳng thắn, và đáng để nhìn nhận đúng như vậy.

Bộ tính năng: nhân bản giọng nói zero-shot, thiết kế giọng nói từ mô tả văn bản, hơn 100 giọng tiếng Trung tích hợp sẵn và 5 giọng tiếng Anh, 14 thẻ cận ngôn ngữ nội tuyến cho tiếng cười, tiếng thở dài và hơi thở, điều khiển phong cách bằng ngôn ngữ tự nhiên và đầu ra 44,1 kHz. Các ngôn ngữ gồm tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn và tiếng Nhật, cùng các phương ngữ Tứ Xuyên và Quảng Đông.

Những gì GPT-Live-1 cung cấp để thay thế

Mô hình của OpenAI là một engine hội thoại, không phải bộ tổng hợp có giao diện kịch bản. Trên API từ ngày 10 tháng 9 năm 2026, mô hình nhận âm thanh và văn bản đầu vào, trả về âm thanh và văn bản đầu ra, lắng nghe trong khi nói và đẩy phần suy luận sang một mô hình văn bản khi câu hỏi cần đến. Một endpoint: v1/live/sessions. 0,05 USD mỗi phút, tính phí theo giây. Thời điểm cắt kiến thức: tháng 7 năm 2025, không có cửa sổ ngữ cảnh được ghi nhận và không có quyền truy cập gói Miễn phí.

Không có hỗ trợ phương ngữ nào được tài liệu hóa, không có nhân bản giọng nói, không có tính phí theo từng ký tự, và không có cách nào đưa cho nó một kịch bản dài 4.000 ký tự rồi nhận lại một tệp. Thứ nó có là cơ chế luân phiên lượt nói hoạt động hiệu quả — điều mà mọi tác nhân giọng nói dạng thác nước đều dành sáu tháng để tinh chỉnh và vẫn làm sai trên một đường điện thoại kém chất lượng.

Câu hỏi về ngôn ngữ phải được đặt lên trước tiên.

Nếu người dùng của bạn nói tiếng Quan Thoại, tiếng Quảng Đông hoặc tiếng Tứ Xuyên, thì phép so sánh này kết thúc sớm. Ming-3.0-TTS được xây dựng cho những ngôn ngữ đó, công bố tỷ lệ lỗi từ theo từng ngôn ngữ và cung cấp các giọng đọc nghe như người bản xứ thay vì chỉ được chuyển thể. Tài liệu của GPT-Live-1 hoàn toàn không mô tả việc xử lý phương ngữ, và các triển khai mà chúng ta có thể quan sát — ChatGPT Voice, và giờ là chế độ giọng nói của Perplexity — là những sản phẩm ưu tiên tiếng Anh.

Nếu người dùng của bạn chỉ nói tiếng Anh, lợi thế của Ming thu hẹp lại chỉ còn giấy phép và giá cả, còn lợi thế của GPT-Live-1 trở thành toàn bộ lớp hội thoại. Đó mới là ngã rẽ thực sự, và nó không liên quan gì đến Elo.

Nơi duy nhất mà độ rộng ngôn ngữ của Ming thực sự mang tính chiến lược là một sản phẩm phải phục vụ nhiều thị trường cùng lúc — tiếng Đức, tiếng Tây Ban Nha, tiếng Hàn và tiếng Nhật trong một bản phát hành. Ant báo cáo tỷ lệ lỗi từ tiếng Đức và tiếng Tây Ban Nha tốt nhất của mình ở biến thể Tiny, đồng thời lưu ý rằng độ tương đồng người nói yếu hơn ở các ngôn ngữ mới hơn và phần lớn nằm ngoài top ba. Dịch: độ phủ rộng, độ trung thực không đồng đều, và bạn nên thử nghe theo từng thị trường thay vì tin vào danh sách.

Tuyên bố $0, đã được kiểm toán

Ming miễn phí theo nghĩa giấy phép chẳng tốn đồng nào. Nó không miễn phí theo nghĩa việc chạy nó chẳng tốn gì, và mọi bài viết về "TTS chi phí bằng không" đều lặng lẽ bỏ qua bước đó.

Artificial Analysis hoàn toàn không ghi nhận mức giá nào cho Ming-3.0-TTS — trường đó hiển thị N/A, vì inclusionAI không có API thương mại chạy trên máy chủ nào để định giá. Chi phí của bạn là thời gian GPU, và công thức trung thực là: (giá thuê GPU theo giờ ÷ số ký tự tổng hợp được mỗi giờ) × 1.000.000. Bạn tự điền số hạng thứ hai. Không ai công bố con số thông lượng nào cho bản 0.5B, nên bất kỳ con số trên mỗi triệu nào bạn đọc được trên mạng — kể cả mức hòa vốn $6.58 đang được nhắc tới trong các so sánh — đều dựa trên một giả định về tốc độ mà chính các tác giả của mô hình chưa hề công bố.

Điều có thể nói mà không bịa ra con số: với giá thuê $2 mỗi GPU-giờ, bạn cần tổng hợp khoảng nửa triệu ký tự mỗi giờ để đạt dưới $4 mỗi triệu — một tốc độ đòi hỏi mô hình phải chạy nhanh hơn thời gian thực vài lần, điều mà một mô hình 0.5B có khả năng làm được và một MoE 7.9B thì có khả năng là không thể. Hãy đo lường điều đó trước khi bạn xây dựng phương án kinh doanh dựa trên nó.

So với GPT-Live-1, phép tính gọn hơn chính vì cách tính tiền là tuyến tính: một giờ trò chuyện có giá $3.00, còn phần suy luận backend được tính riêng. Không có rủi ro sử dụng, không phải trông coi GPU, và không có giả định nào bạn phải bảo vệ trong một cuộc họp ngân sách.

Tại sao cả hai đều báo cáo 93.2%

Một điều tò mò sẽ khiến bất kỳ ai so sánh các bảng thông số phải vấp: Ming-3.0-TTS báo cáo độ ổn định phát âm 93,2% trong phép đo của Artificial Analysis, tự nhận là đứng đầu tổng thể. Drama 3 của Fish Audio cũng báo cáo con số 93,2% y hệt và cũng tự nhận đứng đầu. Hai phòng thí nghiệm, hai kiến trúc, một con số giống hệt nhau đến từng chữ số thập phân.

Hãy coi đó là bằng chứng về một giới hạn trần chứ không phải là yếu tố phân thắng bại. Phần còn lại tập trung vào những trường hợp đánh gục mọi mô hình TTS: chuỗi chữ và số, danh từ riêng bất thường, số đọc theo ngữ cảnh và từ đồng hình. Mô hình nào thắng lợi với bạn phụ thuộc vào việc nội dung của bạn chứa số bộ phận hay thơ ca, và chỉ bộ đánh giá của riêng bạn mới trả lời được điều đó.

Đang trong giai đoạn phác thảo, với những lưu ý kèm theo

Trên bảng Provider Voice Arena được ghi nhận ngày 29 tháng 10 năm 2026, Ming-3.0-TTS đứng ở mức 1187 Elo, thứ ba trong số các mục trọng số mở, sau Drama 3 với 1240 và Breeze TTS 2 với 1228, và bảng xếp hạng mà kho lưu trữ của chính Ant báo cáo là thứ ba trong số các mô hình trọng số mở trên bảng này. Trên bảng Controlled Voice, nơi mọi mô hình đều nhân bản cùng tám giọng nói, kho lưu trữ của chính Ant tuyên bố vị trí thứ nhất trong số các mô hình trọng số mở với 1069 Elo và thứ mười ba trên toàn bảng.

GPT-Live-1 không xuất hiện trên những bảng xếp hạng đó, vì nó không phải là mô hình chuyển văn bản thành giọng nói theo nghĩa của họ. Điểm số của nó nằm ở nơi khác: 83,2 trên Speech-to-Speech Index, đứng thứ hai trong số 21, và 1037–1041 trên Speech Agent Arena với tỷ lệ thành công tác vụ từ 87,4% đến 90,9%. Các công cụ khác nhau, thang đo khác nhau, không được phép trừ.

Nơi mỗi thứ đều thua

Ming thua kém ở khả năng hội thoại, chấm hết. Nó không thể nghe, không thể ngắt lời, không thể tự quyết định ngừng nói. Bất kỳ triển khai nào cần có một con người ở đầu dây bên kia đều nằm ngoài phạm vi, dù giọng nói có hay đến đâu.

Ming cũng kém hơn về tính đơn giản trong vận hành đối với các nhóm nhỏ. GPU là thứ có thể sập lúc 3 giờ sáng, cần trình điều khiển tương thích và âm thầm suy giảm khi một tenant khác dùng chung card. Giấy phép MIT không bao gồm một kỹ sư trực on-call.

GPT-Live-1 thua thiệt về cơ cấu chi phí đối với công việc nhiều văn bản và về khả năng kiểm soát giọng điệu thương hiệu. Giọng nói cố định của mô hình khiến bạn không thể đưa vào sản phẩm giọng nói của nhà sáng lập hoặc một nhân vật được cấp phép. Và cách tính phí theo phút lại trừng phạt đúng loại khối lượng công việc mà TTS làm tốt nhất: đầu ra dài, theo kịch bản, lặp lại, nơi không cần ai phải lắng nghe.

Khía cạnh định tuyến thực sự áp dụng

Cả hai đều không có trên OrcaRouter, và cần nói thẳng: Ming-3.0-TTS là mô hình trọng số mở tự lưu trữ, không có endpoint máy chủ nào để định tuyến, còn GPT-Live-1 chỉ cung cấp một endpoint phiên duy nhất mà chúng tôi không phục vụ. Thứ chúng tôi định tuyến là mô hình lập luận đằng sau một tác nhân giọng nói tiếng Trung — các mô hình Qwen3.8 Max, GLM-5.3, Kimi K3 và Gemini nằm sau một khóa với cơ chế tự động chuyển dự phòng, với giá niêm yết của nhà cung cấp được chuyển nguyên với mức phụ giá 0%.

Với một triển khai song ngữ, điều này quan trọng hơn vẻ ngoài của nó. Lựa chọn TTS thường chỉ được đưa ra một lần, dựa trên độ phủ ngôn ngữ; mô hình suy luận phía sau nó thì bị thay khi giá biến động và các checkpoint tiếng Trung mới xuất hiện. Giữ cho chặng đó luôn có thể định tuyến là cách chống lỗi thời rẻ nhất trong toàn bộ stack.

Xây dựng dựa trên cái nào

Hãy phát triển dựa trên Ming-3.0-TTS nếu sản phẩm nói tiếng Trung hoặc phục vụ nhiều thị trường châu Á và châu Âu, nếu bạn kiểm soát một GPU và nếu đầu ra là kịch bản được viết sẵn thay vì hội thoại. Giấy phép MIT là một tài sản chiến lược thực sự: nó không thể bị thu hồi, bị định giá lại hoặc bị giới hạn tốc độ, và biến thể 0.5B khiến rào cản để thử nó chỉ khoảng một buổi chiều.

Hãy xây dựng trên GPT-Live-1 nếu sản phẩm của bạn là một cuộc trò chuyện bằng tiếng Anh và tiêu chuẩn chất lượng là "cảm giác như đang nói chuyện điện thoại với một người thật". Bạn sẽ trả $0.05 mỗi phút mãi mãi và chẳng sở hữu gì cả, đổi lại bạn có được một năng lực mà thế giới open-weights chưa từng tung ra ở mức chất lượng này: một mô hình biết lắng nghe trong khi nó đang nói.

Đừng xây dựng dựa trên bất kỳ cái nào chỉ vì một bảng xếp hạng nói thế. 1187 của Ming và 83.2 của Live là hai công cụ khác nhau hướng đến hai nhiệm vụ khác nhau, và phép so sánh duy nhất còn đứng vững khi tiếp xúc với một triển khai thực tế là phép so sánh bạn tự chạy trên chính âm thanh của mình.