Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS: Trọng số miễn phí đối đầu 78 điểm Elo

Đặt Ming-3.0-tts-0.5Bbên cạnh Qwen-Audio-3.0-TTS và điều đầu tiên bạn nhận ra là chúng không phải cùng một loại đối tượng. Ming là một checkpoint 2,96 GB mà bạn tải xuống, được cấp phép theo MIT và chạy trên GPU của riêng bạn. Qwen-Audio-3.0-TTS, ở phân khúc chất lượng mà A​libaba niêm yết là Qwen-Audio-3.0-TTS-Plus, là một endpoint được lưu trữ trên A​libaba Cloud Model Studio, không có trọng số ở bất kỳ đâu. Trên đấu trường giọng nói độc lập Artificial Analysis, mô hình được lưu trữ đạt 1.266 Elo còn mô hình có thể tải xuống đạt 1.188 — chênh lệch 78 điểm và không có sự chồng lấn giữa hai khoảng tin cậy. Khoảng cách đó là thật. Giá trị của nó tùy thuộc vào việc bạn đang mua một giọng nói hay mua một tài sản. Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong Kho lưu trữ sự cố AI OrcaRouter nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Câu trả lời ngắn gọn, trước bằng chứng

Nếu giọng nói này được đưa vào một sản phẩm trong quý này và cần có người khác trực khi nó gặp sự cố, thì Qwen-Audio-3.0-TTS-Plus là lựa chọn tốt hơn, và khoảng cách không hề sát nút. Nếu bạn đang xây dựng nội dung ưu tiên tiếng Trung, cần thiết kế giọng nói hoặc kiểm soát phương ngữ, hoặc không thể chấp nhận cách tính theo ký tự, thì Ming-3.0-tts-0.5B là lựa chọn duy nhất trong hai có thể là của bạn. Không câu trả lời nào giữ nguyên vẹn khi va chạm với một bảng tính ngân sách, và đó là nội dung của phần còn lại trong bài viết này.

Mỗi mô hình thực sự là gì

Ming-3.0-tts-0.5B là bản phát hành trọng số mở của Ant Group từ inclusionAI, được xây dựng trên nền tảng Qwen2.5-0.5B với đầu diffusion-transformer và một tokenizer âm thanh riêng. Nó ra mắt âm thầm theo hai giai đoạn — trọng số trên Hugging Face vào tháng 9 năm 2026, mã suy luận trên GitHub vào ngày 19 tháng 10 — và Ant vẫn chưa công bố nó. Gói này bao gồm một bộ mã hóa người nói và một tokenizer văn bản, xuất âm thanh 44.1 kHz và hỗ trợ nhân bản giọng nói, thiết kế giọng nói từ mô tả văn bản, 14 thẻ cận ngôn ngữ nội tuyến, điều khiển cảm xúc và thuộc tính, bảy ngôn ngữ và hai phương ngữ tiếng Trung.

Qwen-Audio-3.0-TTS là dòng tổng hợp giọng nói được lưu trữ của Alibaba, ra mắt ngày 20 tháng 7 năm 2026, với hai hạng: Flash cho công việc thời gian thực và Plus cho chất lượng tối đa. Hạng Plus là hạng có vị trí đo lường trên arena, và là hạng mà mọi con số dưới đây đề cập đến. Dòng này bao gồm 16 ngôn ngữ cùng 20 vùng phương ngữ Trung Quốc, hỗ trợ nhân bản giọng nói và khoảng 86 thẻ điều khiển cách thể hiện nội tuyến, và chỉ có thể truy cập thông qua API của Alibaba. Không có trọng số, không triển khai cục bộ và không có giấy phép để kiểm toán.

Một điểm lạ về ngày tháng đáng lưu ý vì bạn sẽ thấy cả hai ngày: A​libaba đã ra mắt dòng sản phẩm này vào tháng 7, nhưng dòng arena cho mẫu Plus ghi ngày phát hành là 15 tháng 9 năm 2026. Chúng tôi hiểu đó là ngày bản sửa đổi có điểm số hoặc trang niêm yết được đăng lên, chứ không phải một mẫu thứ hai. Nếu bạn đang trích dẫn ngày phát hành trong một tài liệu, ngày 20 tháng 7 là ngày ra mắt và ngày 15 tháng 9 là mốc ghi nhận của arena.

Những con số chia tách họ

• Arena Elo, Giọng nói nhà cung cấp — Ming-3.0-tts-0.5B 1,188 (khoảng 1,173–1,203) so với Qwen-Audio-3.0-TTS-Plus 1,266 (1,252–1,280). Các khoảng này không chạm nhau.

• Arena Elo, Giọng nói được kiểm soát — Ming 1.069 (1.053–1.085) so với Qwen-Plus 1.126 (1.113–1.139). Vẫn là một khoảng cách rõ ràng, 57 điểm, trên các giọng nói được nhân bản được giữ cố định trên tất cả các mô hình.

• Giá — Ming không có; bạn trả tiền cho phần tính toán. Qwen-Plus được niêm yết ở mức 19,31 USD mỗi triệu ký tự trong cột giá đã chuẩn hóa của arena.

• Thông lượng — Ming đạt 42,1 ký tự mỗi giây thời gian sinh so với 25,6 của Qwen-Plus, được đo trên cùng một bộ khung độc lập.

• Trọng số — checkpoint được cấp phép MIT so với không có.

• Ngôn ngữ — bảy cộng với tiếng Tứ Xuyên và tiếng Quảng Đông so với 16 cộng với 20 vùng phương ngữ Trung Quốc.

• Bề mặt điều khiển — chỉ dẫn tự do, thiết kế giọng nói, 14 thẻ cận ngôn ngữ, cảm xúc/tốc độ/cao độ/âm lượng được chỉ định rõ ràng so với khoảng 86 thẻ nội tuyến và điều khiển cách thể hiện theo kiểu chỉ dẫn.

Kết quả về thông lượng mới là điều khiến người ta bất ngờ. Một mô hình dense nửa tỷ tham số với gói 2,96 GB có tốc độ vượt gói Plus do Alibaba lưu trữ khoảng 65% về số ký tự mỗi giây trong phép đo độc lập. Đó không phải là lời chê Qwen — các endpoint được lưu trữ được cấp phát cho xử lý đồng thời, và con số thông lượng của arena là một yêu cầu tại một thời điểm — nhưng điều đó có nghĩa là mô hình nhỏ không phải là mô hình chậm trong so sánh này.

78 điểm đến từ đâu

Preference Elo không cho bạn biết điều gì sai. Việc nghe hai hệ thống trên cùng một văn bản thì có, và quy luật đó khớp với những gì model card của chính Ant thừa nhận.

Ant công bố những điểm yếu của mình bằng thứ ngôn ngữ thẳng thắn đến bất thường: độ tương đồng giọng nói còn kém độ chính xác nội dung, độ tương đồng tiếng Pháp là khoảng cách đa ngôn ngữ rõ rệt nhất, các câu cận ngôn ngữ đa sự kiện vẫn chưa ổn định, và thiết kế giọng nói mở vẫn chưa sánh được với hệ thống mạnh nhất được đánh giá. Trên đấu trường, điều đó thể hiện ở một giọng nói được nhân bản có tính cạnh tranh — đứng đầu trong các mô hình trọng số mở trên bảng có kiểm soát — còn dàn giọng nói gốc thì không. Thứ hạng giọng nói nhà cung cấp của Ming, thứ 19 trong số 98, bị kéo xuống bởi hơn 100 giọng tiếng Trung và năm giọng tiếng Anh tích hợp sẵn chứ không phải bởi con đường nhân bản.

Lợi thế của Q​wen lại có hình dạng ngược lại. Giọng nói gốc của nó chính là sản phẩm; gói Plus được tạo ra để nghe hoàn thiện ngay từ đầu, và kết quả đo lường cho thấy đúng như vậy trong cả thiết lập của nhà cung cấp lẫn thiết lập được kiểm soát. Nó còn có độ phủ ngôn ngữ đến từ một công ty vận hành đám mây: 16 ngôn ngữ và 20 vùng phương ngữ Trung Quốc, so với bảy và hai của Ming.

Về độ chính xác thay vì sở thích, phép so sánh mỏng manh hơn khoảng cách Elo gợi ý. Qwen-Audio-3.0-TTS không có bảng lỗi từ nào do Alibaba công bố mà chúng tôi có thể đối chiếu với một bộ kiểm thử chung, và các con số Seed-TTS của Ming — 0.800% tiếng Trung, 1.584% tiếng Anh — là của chính Ant, được đo trên harness của Ant với các cài đặt do Ant đề xuất. Không bên nào cung cấp cho bạn tỷ lệ lỗi có thể so sánh trực tiếp. Những gì bạn có là điểm sở thích cho cả hai và một bảng của nhà cung cấp cho một bên.

Hai mô hình tính phí, và chiếc đồng hồ đo mà chẳng ai in ra

Việc so sánh giá không phải là $19.31 so với số không. Đó là so sánh đồng hồ đo theo ký tự với đồng hồ đo theo giờ GPU, và cái thứ hai thì vô hình cho đến khi đội tài chính của bạn hỏi đến.

Qwen tính phí theo từng ký tự của văn bản đầu vào. Ở mức $19.31 mỗi triệu ký tự, một triệu ký tự lời thuyết minh hoàn chỉnh tốn $19.31, và con số này tăng theo tuyến tính và có thể dự đoán được. Bạn có thể đưa nó vào bảng tính trước khi viết một dòng mã.

Ming tính phí theo thời gian GPU. Bản phát hành đã được kiểm thử trên H800-80GB và H20-96G, cần PyTorch 2.6 với CUDA 12.4, và có kèm Dockerfile nhưng không có endpoint được host sẵn. Với tốc độ 42,1 ký tự mỗi giây được đo tại arena, một triệu ký tự sẽ mất khoảng 6,6 giờ sinh văn bản trên lớp phần cứng đó, chưa tính thời gian tải mô hình, xếp hàng hay các yêu cầu thất bại. Liệu như vậy có rẻ hơn $19.31 hay không phụ thuộc hoàn toàn vào chi phí mỗi giờ GPU của bạn và mức độ bạn duy trì công suất sử dụng — và chính phép tính đó quyết định cuộc đối đầu này với hầu hết các đội.

Đây cũng là nơi một lớp định tuyến chứng tỏ được giá trị của mình mà không giả vờ lưu trữ bất kỳ mô hình nào trong hai mô hình đó. OrcaRouter không cung cấp Ming-3.0-tts-0.5B hay Qwen-Audio-3.0-TTS, và không có gì ở đây nên ngụ ý điều ngược lại; cả hai đều được truy cập qua kênh riêng của chúng, Model Studio của A​libaba cho Q​wen và hạ tầng của chính bạn cho Ming. Điều chúng tôi thực sự cung cấp là phần văn bản của cùng một quy trình, theo giá niêm yết của nhà cung cấp với 0% phụ phí cộng thêm — vì vậy, thay đổi giá từ một nhà cung cấp văn bản mà chúng tôi định tuyến sẽ là giá của bạn ngay trong ngày — với cơ chế chuyển đổi dự phòng tự động giữa các nhà cung cấp cho mô hình viết kịch bản, gắn thẻ cảm xúc hoặc điều khiển tác nhân. Phần giọng nói là nửa đắt đỏ, chậm chạp của một sản phẩm giọng nói; phần nằm phía trước nó cũng không nên là nửa mong manh.

Vấn đề người kế nhiệm

Có một mô hình thứ ba cần được xem xét trong quyết định này và không có trong tiêu đề: Qwen-Audio-3.1-TTS-Plus, ra mắt ngày 24 tháng 9 năm 2026. Nó đạt 1.300 Elo trên cùng đấu trường — cao hơn 34 điểm so với hạng 3.0 Plus — với cùng mức $19.31 cho mỗi triệu ký tự.

Hãy đọc lại điều đó với tư cách một người mua. Alibaba đã phát hành một mô hình tốt hơn chỉ năm tuần sau mô hình trong so sánh này, với mức giá không đổi, trên cùng một nhóm endpoint. Bất kỳ ai hôm nay chọn Qwen-Audio-3.0-TTS đều đang chọn một mô hình mà chính nhà cung cấp của nó đã thay thế bằng bản mới hơn mà không hề giảm giá. Dòng 3.0 vẫn được niêm yết và vẫn tốt — 1.266 Elo đứng thứ sáu trên bảng xếp hạng 98 mô hình — nhưng lựa chọn được host đúng đắn trong nhóm này giờ là 3.1, chứ không phải 3.0.

Ming không gặp vấn đề như vậy vì nó không có phiên bản kế nhiệm và không có nhịp phát hành. Đó là một lợi thế thực sự cho một nhóm muốn có một sản phẩm ổn định và là một rủi ro thực sự cho một nhóm muốn có giọng nói tốt nhất hiện có trong sáu tháng. Một bản phát hành không được công bố trước và không có cam kết về lộ trình có thể im lìm theo cả hai hướng.

Ai nên chọn cái nào

Chọn Qwen-Audio-3.1-TTS-Plus — không phải 3.0 — nếu bạn muốn chất lượng đo được cao nhất trong dòng này với mức giá đã biết trên mỗi ký tự, cần độ phủ ngôn ngữ rộng, hoặc muốn người khác chịu trách nhiệm về thời gian hoạt động. Hãy chấp nhận cơ chế tính phí theo mức sử dụng và chấp nhận rằng cấp tiếp theo sẽ đến mà không báo trước.

Chọn Ming-3.0-tts-0.5B nếu giọng nói phải chạy bên trong hạ tầng của chính bạn, nếu nội dung của bạn ưu tiên tiếng Trung và cần tiếng Tứ Xuyên hoặc tiếng Quảng Đông, nếu bạn muốn thiết kế giọng nói từ mô tả thay vì chọn từ một dàn giọng có sẵn, hoặc nếu khối lượng của bạn đủ lớn để một GPU bạn đã sở hữu rẻ hơn hóa đơn tính theo từng ký tự. Hãy dự trù công sức kỹ thuật: môi trường bị ghim phiên bản, chuẩn hóa văn bản cần một thư viện FST không có wheel phổ quát, và các số liệu thông lượng công bố duy nhất đến từ một bộ kiểm thử độc lập.

Hiện tại, đừng chọn cái nào cả nếu bạn cần một hợp đồng hỗ trợ. Ming không có công bố nào, không có tùy chọn được lưu trữ và không có cam kết hỗ trợ được nêu rõ; Qwen có cả ba, nhưng hạng 3.0 không còn là thứ nên mua nữa. Tóm tắt trung thực là đây không phải một cuộc so tài công bằng và chưa bao giờ được định là như vậy — một bên là bản phát hành nghiên cứu kèm giấy phép, bên kia là sản phẩm đám mây có bảng giá — và câu hỏi hữu ích là dự án của bạn thực sự cần điều nào trong hai điều đó.