Ming-3.0-tts vs Cartesia Sonic 3.6: Một bên đọc đúng số hóa đơn của bạn, bên kia trả lời trong 90 ms

Đặt Ming-3.0-tts và Cartesia Sonic 3.6 vào cùng một dòng trên đấu trường giọng nói Artificial Analysis và bảng điểm cho thấy Cartesia thắng: 1.290 Elo so với 1.188 ở Provider Voice, chênh lệch 102 điểm, với các khoảng tin cậy không hề chạm nhau. Đặt chúng lên bảng phát âm thì kết quả đảo ngược mạnh đến mức trông như lỗi dữ liệu: 93,2% so với 74,5%. Vẫn hai hệ thống đó, được cùng một phòng thí nghiệm đo trong cùng một tháng, lại bất đồng tới mười tám điểm phần trăm về việc hệ nào có thể đọc tiếng Anh thành tiếng. Cả hai con số đều đúng, và lý do cả hai có thể cùng đúng chính là toàn bộ phép so sánh. Những thất bại AI và sự cố agent được ghi chép đằng sau các bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Ming-3.0-tts là mô hình trọng số mở được cấp phép MIT của Ant Group — một checkpoint dense 0,5B mà bạn chạy trên GPU của riêng mình, cùng với một mô hình anh em mixture-of-experts 7,9B tên là Ming-3.0-tts-tiny. Cartesia Sonic 3.6 là một endpoint thời gian thực độc quyền ra mắt ngày 17 tháng 8 năm 2026, tính giá theo ký tự, được quảng bá với độ trễ âm thanh đầu tiên dưới 90 mili giây và độ phủ 44 ngôn ngữ. Một cái là mô hình. Cái còn lại là dịch vụ được xây dựng để trả lời một cuộc gọi điện thoại. Bạn muốn cái nào phụ thuộc vào một câu hỏi không liên quan gì đến Elo: văn bản của bạn chủ yếu là văn xuôi, hay chủ yếu là những thứ phải được nói chính xác?

Hai con số quan trọng, và tại sao chúng lại không khớp nhau

Hãy bắt đầu với các bảng sở thích, vì chúng là những thứ được mọi người trích dẫn.

• Elo Giọng nói của nhà cung cấp — Ming-3.0-tts 1,188 (khoảng 1,174–1,202) so với Sonic 3.6 1,290 (1,276–1,304). Sonic đứng thứ 4 trong số 97 mô hình; Ming đứng thứ 18.

• Elo giọng nói được kiểm soát — Ming-3.0-tts 1.068 (1.052–1.084) so với Sonic 3.6 1.151 (1.138–1.164). Sonic đứng thứ 5; Ming đứng thứ 12. Khoảng cách thu hẹp 19 điểm khi cả hai hệ thống nhân bản cùng tám giọng nói.

• Độ ổn định phát âm, tiếng Anh — Ming-3.0-tts 93,2% (91,5–94,9) so với Sonic 3.6 74,5% (71,4–77,5). Ming đứng thứ 1 trong 31 hệ thống được đo; Sonic đứng thứ 19.

Đó không phải là những kết quả mâu thuẫn; chúng đang đo những thứ khác nhau. Các bảng xếp hạng Elo hỏi người nghe là con người xem họ thích đoạn ghi âm nào hơn, và sự ưa thích sẽ thưởng cho những điều khiến giọng nói tổng hợp trở nên dễ chịu — ngữ điệu tự nhiên, cảm xúc thuyết phục, một giọng nói không giống như đang đọc sách hướng dẫn. Sonic 3.6 rất giỏi khoản đó. Hệ thống này đã xếp thứ tư trong đấu trường từ tháng Tám và nó xứng đáng với vị trí đó.

Ban đánh giá phát âm đặt một câu hỏi hẹp hơn và khắc nghiệt hơn: liệu hệ thống có phát âm đúng đoạn cụ thể này không? Các nhà đánh giá con người đã đánh dấu các từ và cụm từ được tô sáng trong văn bản tiếng Anh — tên thương hiệu, thuật ngữ kỹ thuật, đường dẫn tệp, địa chỉ email, số, ngày tháng, đơn vị — và đánh giá từng mục. Trong bài kiểm tra đó, Sonic nằm ở nửa dưới của 31 hệ thống đã được chấm điểm, còn Ming đứng đầu trong tất cả các hệ thống đó.

Các điểm thành phần cho thấy hình thái của thất bại rõ hơn so với điểm tổng hợp:

• Thuật ngữ độc lập — Ming-3.0-tts 88,5% so với Sonic 3.6 72,6%

• Phù hợp ngữ cảnh — Ming 91,0% so với Sonic 78,2%

• Bảo toàn chuỗi chính xác — Ming 90,6% (hạng 1/31) so với Sonic 60,8%

• Mở rộng tốc ký — Ming 96,5% (hạng 1/31) so với Sonic 49,1%

Mở rộng viết tắt là hạng mục đáng để soi kỹ nhất. Nó bao gồm số, ngày tháng, đơn vị và ký hiệu — "6'2"", "Chapter XVII", "1 tsp". Theo thước đo này, Sonic 3.6 làm đúng khoảng một nửa số đoạn đó. Đó là một con số đáng giật mình đối với một API giọng nói dùng trong môi trường production, và đó là kiểu vấn đề mà bản demo không bao giờ phơi ra, vì demo được viết bằng văn xuôi do chính nhà cung cấp chọn. Đặt một xác nhận đơn hàng, một liều lượng hoặc một số đo trước nó, và bảng xếp hạng ưu tiên sẽ không còn dự đoán được điều gì hữu ích nữa.

Trường hợp về độ trễ và thông lượng, khi Cartesia không hề tiến gần.

Tuyên bố đáng chú ý nhất của Cartesia là âm thanh đầu tiên xuất hiện trong dưới 90 mili giây, con số quan trọng đối với một tác nhân hội thoại: người gọi nghe thấy giọng nói trước khi họ kết luận bạn là máy. Ming-3.0-tts không công bố bất kỳ con số độ trễ nào cả. Thứ mà bộ kiểm thử độc lập có là thông lượng, và nó không hề ưu ái mô hình mở.

• Ký tự được tạo mỗi giây — Sonic 3.6 146.9 so với Ming-3.0-tts 44.3. Cartesia nhanh hơn 3,3 lần trong cùng điều kiện phần cứng.

• Thời gian tạo trung vị cho một yêu cầu được chấm điểm — Sonic 3.6 9,20 giây so với Ming 2,56 giây. Hãy đọc kỹ điểm này; nó phản ánh độ dài yêu cầu khác nhau, không phải lợi thế về tốc độ của Ming.

Tóm tắt một cách thẳng thắn là Sonic 3.6 được xây dựng cho streaming còn Ming-3.0-tts được xây dựng cho xử lý theo lô. Ở tốc độ 44,3 ký tự mỗi giây — khoảng bảy từ — mô hình tự lưu trữ thực sự chạy nhanh hơn lời nói thật, nên một đoạn tường thuật dài sẽ kết thúc trước thời gian cần để nghe nó. Điều nó không có là một câu chuyện về streaming, thời gian đến âm thanh đầu tiên được công bố, hay khả năng xử lý phiên. Cartesia bán đúng ba thứ đó.

Nếu bạn đang xây dựng một tác nhân điện thoại, một công cụ dịch trực tiếp, hoặc bất kỳ thứ gì mà con người đang chờ đợi âm tiết đầu tiên, thì đó là dấu chấm hết cho việc so sánh và bạn nên dừng đọc. Phần còn lại của bài này dành cho trường hợp còn lại: văn bản được chuẩn bị trước, hoặc văn bản mà tính đúng đắn quan trọng hơn tính tức thời.

Mỗi bên thực sự mang lại cho bạn điều gì

Ming-3.0-tts, từ nhóm inclusionAI của Ant Group, được phân phối dưới dạng checkpoint 2,96 GB chứa backbone, diffusion-transformer patch head, audio tokenizer, speaker encoder và text tokenizer, theo giấy phép MIT cho phép sử dụng thương mại. Nó xuất âm thanh 44,1 kHz, hỗ trợ bảy ngôn ngữ cùng tiếng Tứ Xuyên và tiếng Quảng Đông, đồng thời cung cấp nhân bản giọng nói, thiết kế giọng nói mô tả bằng văn bản, 14 thẻ cận ngôn ngữ nội tuyến, điều khiển cảm xúc và tốc độ/cao độ/âm lượng. Ant đã kiểm thử nó trên H800-80GB và H20-96G với PyTorch 2.6 và CUDA 12.4, và cung cấp kèm Dockerfile.

Sonic 3.6, của Cartesia, là một API. Nó xử lý 44 ngôn ngữ từ một mô hình duy nhất, nhân bản giọng nói từ mười giây âm thanh tham chiếu, hỗ trợ truyền đạt có nhận biết cảm xúc và các tín hiệu phi ngôn từ có thể chèn vào, đồng thời chấp nhận từ điển phát âm tùy chỉnh — đây chính là câu trả lời của nhà cung cấp cho đúng vấn đề mà bảng phát âm đo lường, và đáng lưu ý rằng khách hàng cấu hình nó không được chấm điểm trên đường mặc định mà arena kiểm thử. Cartesia cũng xây dựng phần còn lại của ngăn xếp giọng nói: chuyển giọng nói thành văn bản, tác nhân giọng nói với giá 0,06 đô la mỗi phút, số điện thoại, và giới hạn đồng thời tăng theo bậc gói dịch vụ.

• Giấy phép — trọng số theo MIT mà bạn được giữ, so với API thương mại không có trọng số

• Độ phủ ngôn ngữ — 7 cộng 2 phương ngữ so với 44

• Triển khai — GPU của bạn so với endpoint của họ

• Tốc độ lấy mẫu đầu ra — 44,1 kHz so với không được công bố trên trang sản phẩm

• Nhân bản giọng nói — âm thanh tham chiếu, văn bản tham chiếu và chế độ tác vụ tường minh so với 10 giây âm thanh, tức thì

• Cơ sở định giá — giờ GPU so với tín dụng, với một tín dụng cho mỗi ký tự

Cách định giá credit đáng để quy đổi, vì "một credit cho mỗi ký tự" không phải là con số mà hầu hết các đội có thể dựa vào để lập ngân sách. Bảng gói của chính Cartesia cho biết một phút âm thanh tiêu tốn 750–800 credit, đưa mức giá hiệu dụng đến gần $0.038 mỗi phút trên gói Pro $5, $0.029 trên gói Startup $49 và $0.028 trên gói Scale $299. Arena chuẩn hóa nó thành $49 mỗi triệu ký tự, đây là con số có thể so sánh với mức 0 của Ming. Ming không miễn phí; đó là một hóa đơn giờ GPU mà đội ngũ tài chính của bạn sẽ thấy như chi phí hạ tầng chứ không phải một mục chi phí riêng cho từng từ.

Phép so sánh sau ba tháng mà không ai đưa vào bài đánh giá

Có một phiên bản của quyết định này tồn tại lâu hơn cả hai mô hình, và đó chính là điều quan trọng đối với một hệ thống sản xuất: điều gì xảy ra khi mô hình bạn đã chọn bị thay thế.

Cartesia đã ra mắt Sonic 3, 3.5 và 3.6 trong vòng một năm, với mức giá không đổi 49 USD cho mỗi triệu ký tự. Ant đã ra mắt Ming-omni-tts vào tháng Hai, một biến thể 16.8B vào tháng Sáu, và giờ là Ming-3.0-tts — với một báo cáo kỹ thuật vẫn chưa được đánh dấu hoàn thành trên lộ trình của mình và một đường tăng tốc vLLM-Omni được đánh dấu là đã xong nhưng không có tài liệu trong kho mã nguồn. Cả hai nhà cung cấp đều tiến rất nhanh. Không bên nào có ý định dừng lại.

Đối với một mô hình được lưu trữ (hosted), đó chỉ là một lần nâng cấp phiên bản thường lệ. Đối với một checkpoint tự lưu trữ (self-hosted), đó là một cuộc di trú: trọng số mới, phụ thuộc mới, một vòng đánh giá mới trên chính văn bản của bạn. Giấy phép MIT bảo vệ quyền tiếp tục chạy bản cũ của bạn, đây là một lợi thế thực sự và là lý do chính khiến các nhóm chọn trọng số mở ngay từ đầu — nhưng nó không bảo vệ bạn khỏi việc muốn có bản mới.

Đây là điểm nối nơi lớp định tuyến làm điều gì đó cụ thể thay vì chỉ nói suông. OrcaRouter không lưu trữ Ming-3.0-tts hay Cartesia Sonic 3.6, và không có gì ở đây nên ngụ ý điều ngược lại — Ming đến từ kho lưu trữ, Sonic từ API riêng của Cartesia. Điều mà danh mục thực sự có là một bộ mô hình giọng nói được lưu trữ, bao gồm các bản xem trước G​emini T​TS của G​oogle và tts-1 cùng gpt-4o-mini-tts của O​penAI, đằng sau cùng một khóa như hơn 200 mô hình văn bản, theo giá niêm yết của nhà cung cấp mà không cộng thêm phụ giá, với tính năng chuyển đổi dự phòng tự động giữa các nhà cung cấp. Nếu pipeline giọng nói của bạn có một đường dự phòng — và bất kỳ pipeline nào xử lý lưu lượng trực tiếp đều nên có — thì đường dự phòng đó có thể chỉ là một endpoint thay vì một hợp đồng thứ hai và một SDK thứ hai. Việc nhà cung cấp giảm giá sẽ được áp dụng phía chúng tôi ngay trong ngày, vì ở giữa không có khoản phụ giá nào cần gỡ bỏ.

Nên chọn cái nào, tùy theo khối lượng công việc

Quyết định sẽ nhanh thôi nếu bạn trả lời trung thực về văn bản.

Chọn Sonic 3.6 nếu một người đang chờ đoạn âm thanh đầu tiên, bạn cần hơn một vài ngôn ngữ, hoặc bạn muốn một nhà cung cấp chịu trách nhiệm về thời gian hoạt động. Khoảng cách sở thích 102 điểm là có thật và người nghe sẽ nhận ra điều đó. Hãy cấu hình từ điển phát âm cho các thuật ngữ mà sản phẩm của bạn thực sự nói, vì đường mặc định chỉ đạt 74,5% đúng ở chính điểm đó.

Chọn Ming-3.0-tts nếu âm thanh của bạn được tạo trước — tường thuật, đọc tài liệu thành tiếng, lời nhắc IVR, tài liệu đào tạo, bản nháp sách nói — và văn bản chứa mã định danh, đơn vị, mã hoặc ký hiệu. Trên ba hạng mục bao phủ những đoạn đó, nó hoặc đứng đầu hoặc trong vòng ba điểm so với vị trí đầu, và không có hệ thống được lưu trữ nào trên bảng xếp hạng làm tốt hơn việc bảo toàn một chuỗi chính xác.

Đừng chọn cái nào, tuy vậy, nếu bạn cần danh từ riêng tiếng Anh phải chuẩn. Ming đạt 88,5% ở Thuật ngữ độc lập, xếp thứ 21/31, và đây là hạng mục duy nhất mà mô hình rõ ràng ở mức trung bình. Một tên thương hiệu bị phát âm sai trong bản demo sản phẩm tốn kém hơn một ngày tháng bị đọc lúng túng.

Cũng có một giải pháp kết hợp mà cả hai nhà cung cấp đều sẽ không đề xuất: dùng một mô hình thời gian thực được lưu trữ trên nền tảng đám mây cho bề mặt tương tác và một checkpoint tự lưu trữ cho kho dữ liệu xử lý theo lô, rồi đánh giá chúng trên cùng một tập văn bản giữ lại. Hai hệ thống thất bại ở những chỗ khác nhau, và đó chính là lý do khiến việc tách ra đáng với chi phí vận hành.

Câu hỏi mở

Trang sản phẩm của Cartesia nói rằng công ty được xếp hạng nhất trên Speech Arena. Điều đó đúng vào thời điểm trang được viết và không còn đúng nữa — HeyGen Voice, Q​wen-Audio-3.1-T​TS-Plus, Eleven v4 Turbo và Eleven v4 hiện đều xếp trên Sonic 3.6, còn vị trí của chính Sonic là thứ tư. Các tuyên bố trên bảng xếp hạng của nhà cung cấp sẽ lỗi thời trong vòng vài tuần. Điểm phát âm 74.5% là dữ kiện bền vững hơn trong phép so sánh này, vì nó được đo bởi một bên không có sản phẩm nào để bán và nó kém đến mức chính tính năng từ điển phát âm của Cartesia phải tồn tại để khắc phục điều đó.

Điều gì sẽ thay đổi phán quyết: một bản phát hành trực tuyến của Ming-3.0-tts với thời gian đến âm thanh đầu tiên được công bố, hay một Sonic 3.7 khắc phục việc mở rộng tốc ký. Cả hai đều chưa được công bố. Cho đến lúc đó, sự phân tách vẫn rõ ràng — tốc độ và độ bao phủ ở một bên, độ chính xác và quyền sở hữu ở bên kia — và câu trả lời đúng là ngừng tìm kiếm một người chiến thắng và bắt đầu nhìn vào kho ngữ liệu của chính bạn.