GPT-Live-1 与 Ming-3.0-TTS：MIT 许可证碰上按分钟计费

Ming-3.0-TTS于2026年10月20日面世，采用大多数语音团队梦寐以求的许可证：MIT 许可、权重发布在 Hugging Face 和 ModelScope、推理代码在 GitHub 上、每个字符零成本，并且支持语言列表中包含四川话和粤语。GPT-Live-1每分钟收费0.05美元，不提供权重，只能说 OpenAI 为其调优的那些语言。比较它们其实并不是一个质量问题，而是一个关于你的客户实际说哪种语言、以及你是否愿意运行 GPU 来为他们提供服务的问题。

两者都是真实的，都是当下的，而且各自擅长对方做不到的事。以下是坦诚的区分。

Ming 系列是两个型号，而不是一个

蚂蚁集团 inclusionAI 团队开源了 Ming-3.0-TTS，以一对共享同一生成框架的组件形式发布——一个语言模型为扩散 Transformer 的 patch 头和音频分词器提供输入。

• Ming-3.0-TTS-0.5B — 稠密模型，约有 5 亿参数，基于 Qwen2.5-0.5B 骨干，下载大小为 2.96GB，可在 H800-80GB 或 H20-96G 上运行。

• Ming-3.0-TTS-Tiny — 基于 Ant 的 Ling V3 架构打造的混合专家模型，总参数 79 亿、激活参数 13 亿，也是新增多说话人播客模式的那一款。

对于任何给语音产品定价的人来说，0.5B 才是值得关注的那个。一个能装进 3 GB 的 5 亿参数 TTS 模型并不是数据中心级别的投入；它只是一块你可能已经拥有的单 GPU。Tiny 是主打质量的那个，而 Ant 自己的说明称其播客输出不如早先的 Ming-Omni-TTS——这是一个坦率的局限，也值得照字面接受。

功能包括：零样本语音克隆、根据文本描述进行音色设计、100多种内置中文音色和5种英文音色、14个用于笑声、叹息和呼吸声的内联副语言标签、自然语言风格控制，以及44.1kHz输出。语言包括中文、英语、德语、西班牙语、法语、韩语和日语，以及四川话和粤语方言。

GPT-Live-1 转而提供什么

OpenAI 的模型是一个对话引擎，而不是带有脚本接口的合成器。自 2026 年 9 月 10 日起在 API 上提供，它接收音频和文本输入，返回音频和文本输出，边说边听，并在问题需要时把推理推送给文本模型。一个端点：v1/live/sessions。每分钟 0.05 美元，按秒计费。知识截止时间为 2025 年 7 月，未记载上下文窗口，且不提供免费层级访问。

它没有有文档记录的方言支持，没有声音克隆，没有按字符计费，也没有办法把一份 4,000 字符的脚本交给它并拿回一个文件。它真正具备的是能正常工作的轮次切换——这是每个级联语音代理都要花六个月调优、却仍会在糟糕电话线路出错的东西。

语言问题优先。

如果你的用户说普通话、粤语或四川话，这场比较就可以提前结束了。Ming-3.0-TTS 专为这些语言打造，公布各语言的词错误率，并提供了听起来像母语者而非适配版本的语音。GPT-Live-1 的文档完全没有说明方言处理，而我们能观察到的部署——ChatGPT Voice，以及现在的 Perplexity 语音模式——都是英语优先的产品。

如果你的用户只说英语，Ming 的优势就只剩下许可证和价格，而 GPT-Live-1 的优势则扩大到整个对话层。那才是真正的分岔点，与 Elo 毫无关系。

Ming 的语言广度真正具有战略意义的地方，是那种必须同时服务多个市场的产品——同一版本发布就要覆盖德语、西班牙语、韩语和日语。Ant 报告称，其在 Tiny 变体中的德语和西班牙语词错误率最佳，同时指出较新语言的说话人相似度较弱，且大多排在前三之外。也就是说：覆盖广、保真度参差不齐，你应该按市场逐个试听，而不是相信这份列表。

对 $0 说法的审计

Ming 之所以“免费”，是指它的许可证不花钱。但它并非那种“托管服务不花钱”的免费，而每一篇关于“零成本 TTS”的文章都悄悄跳过了这一步。

Artificial Analysis 完全没有记录 Ming-3.0-TTS 的价格——该字段显示为 N/A，因为 inclusionAI 没有可供定价的托管商业 API。你的成本是 GPU 时间，而诚实的公式是：（GPU 每小时费率 ÷ 每小时合成的字符数）× 1,000,000。第二项请自行填入。没有人公布 0.5B 的吞吐量数字，所以你在网上看到的任何每百万字符价格——包括比较中流传的 6.58 美元盈亏平衡点——都建立在模型作者未曾公布的关于速度的假设之上。

在不凭空编造数字的前提下，可以说的是：按每 GPU 小时 2 美元的租用价，你需要每小时合成约 50 万个字符，才能把成本压到每百万字符 4 美元以下——这一速率要求模型以比实时快数倍的速度运行，0.5B 模型有可能做到，而 7.9B MoE 模型则有可能做不到。在据此构建商业案例之前，先把它测量清楚。

与 GPT-Live-1 相比，账算得更清楚，正是因为计费是线性的：一小时对话为 3.00 美元，后端推理另行计费。没有利用率风险，无需照看 GPU，也没有必须在预算会议上辩护的假设。

为什么两者都报告93.2%？

一个会让任何对比数据表的人栽跟头的怪事：Ming-3.0-TTS 在 Artificial Analysis 的测评中报告了 93.2% 的发音稳健性，并宣称总排名第一。Fish Audio 的 Drama 3 报告了同样的 93.2%，也宣称第一。两家实验室，两种架构，一个精确到小数点后一位完全相同的数字。

应将其视为上限的证据，而不是决胜因素。剩下的部分集中在那些会难倒所有 TTS 模型的情况：字母数字字符串、不寻常的专有名词、在上下文中读取的数字，以及同形异义词。哪个模型更适合你，取决于你的内容包含的是零件编号还是诗歌，而只有你自己的评估集才能回答这个问题。

在讨论板上，并附有注意事项。

在2026年10月29日截取的 Provider Voice Arena 上，Ming-3.0-TTS 以 1187 Elo 位列开放权重条目第三，落后于 1240 的 Drama 3 和 1228 的 Breeze TTS 2；而 Ant 自己的仓库报告称，其在该榜单的开放权重模型中排名第三。在 Controlled Voice 榜单上，每个模型都克隆相同的八个音色，Ant 自己的仓库声称以 1069 Elo 在开放权重模型中排名第一、总体排名第十三。

GPT-Live-1 并未出现在那些榜单上，因为按他们的定义，它不是文本转语音模型。它的分数在别处：Speech-to-Speech Index 上为 83.2，在 21 个中排名第二；Speech Agent Arena 上为 1037–1041，任务成功率在 87.4% 到 90.9% 之间。不同的工具，不同的量表，不允许相减。

各自在哪里失败

Ming 在对话上败下阵来，就这么简单。它听不见，无法打断，也无法决定停止说话。任何需要在电话另一端安排真人的部署都不在考虑范围内，无论其语音多么出色。

Ming 在对小型团队的运维简便性上也处于劣势。GPU 是一种会在凌晨 3 点宕机、需要匹配的驱动程序，并且在另一个租户共享显卡时会悄然降级的东西。MIT 许可证并不包含一名随叫随到的工程师。

GPT-Live-1 在文本密集型工作的成本结构上处于劣势，在品牌声音的掌控上也同样如此。固定的模型音色意味着你无法推出创始人的声音或授权角色的声音。而按分钟计费的计量方式，恰恰惩罚了 TTS 最擅长的那类工作负载：冗长、照稿、重复性的输出——这类场景根本不需要有人去听。

实际适用的路由角度

这两者都不在 OrcaRouter 上，而且值得直说：Ming-3.0-TTS 是自托管的开放权重，没有可路由的托管端点；GPT-Live-1 只暴露一个我们不提供的单一会话端点。我们实际路由的是中文语音智能体背后的推理模型——Qwen3.8 Max、GLM-5.3、Kimi K3 和 Gemini 模型都通过一个密钥调用，并支持自动故障转移，按提供商标价透传，0% 加价。

对于双语部署来说，这一点的重要性比听起来更大。TTS 的选择通常只做一次，依据是语言覆盖范围；而它背后的推理模型则会随着价格变动和新的中文检查点出现而不断更换。让这一段链路保持可路由，是整个技术栈中最廉价的面向未来的做法。

应该基于哪一个来构建

如果产品要说中文，或服务多个亚洲和欧洲市场，如果你能控制 GPU，并且输出是脚本化而非对话式的，那就基于 Ming-3.0-TTS 构建。MIT 许可证是真正的战略资产：它不能被撤销、重新定价或限流，而 0.5B 变体使尝试它的门槛大约只有一个下午。

如果你的产品是英语对话，且质量标杆是“感觉像在电话里和真人交谈”，那就基于 GPT-Live-1 来构建。你将永远按每分钟 0.05 美元付费，却什么都不拥有；而你将获得开放权重领域尚未以这种质量交付的那一项能力：一个能边说边听的模型。

不要因为排行榜这么说就基于其中任何一个来构建。Ming 的 1187 和 Live 的 83.2 是两件不同的工具，针对两项不同的任务；而唯一能经受真实部署检验的比较，是你用自己的音频跑出来的那一个。