Ming-3.0-tts-0.5B vs Qwen-Audio-3.0-TTS：开放权重对阵 78 Elo 分

把Ming-3.0-tts-0.5B和Qwen-Audio-3.0-TTS放在一起，你首先注意到的是，它们并不是同一类对象。Ming 是一个 2.96 GB 的检查点，你可以下载、按 MIT 许可证授权，并在自己的 GPU 上运行。Qwen-Audio-3.0-TTS 属于 Alibaba 列为 Qwen-Audio-3.0-TTS-Plus 的质量层级，是 Alibaba Cloud Model Studio 上的托管端点，任何地方都没有权重文件。在独立的 Artificial Analysis 语音竞技场中，托管模型得分为 1,266 Elo，可下载模型得分为 1,188——相差 78 分，且两个置信区间没有重叠。这个差距是真实的。它的价值取决于你是在购买一种声音，还是在购买一项资产。像此次发布这类发布背后有记录的人工智能故障和智能体事件，都收集在 OrcaRouter AI Incident Archive中，每一条记录都带有自己的来源、严重程度、置信等级和争议标记。

先说简短答案，再摆证据

如果这个季度要把语音功能集成进产品，而且出故障时需要有别人随叫随到处理，那么 Qwen-Audio-3.0-TTS-Plus 是更好的选择，而且优势相当明显。如果你在做中文优先的内容，需要声音设计或方言控制，或者无法接受按字符计费，那么 Ming-3.0-tts-0.5B 是两者中唯一能归你所用的。这两个答案在接触预算表格后都不会原封不动地成立，而这正是本文余下部分要讨论的内容。

每个模型实际上是什么

Ming-3.0-tts-0.5B 是 Ant Group 旗下 inclusionAI 发布的开放权重模型，基于 Qwen2.5-0.5B 骨干构建，并配有扩散 Transformer 头和独立的音频分词器。它分两个阶段悄然发布——权重于 2026 年 9 月上线 Hugging Face，推理代码于 10 月 19 日上线 GitHub——而 Ant 尚未宣布此事。该套件包含一个说话人编码器和一个文本分词器，输出 44.1 kHz 音频，并支持克隆、基于文本描述的音色设计、14 个内联副语言标签、情感与属性控制、七种语言以及两种中文方言。

Qwen-Audio-3.0-TTS 是阿里巴巴的托管语音合成产品线，于 2026 年 7 月 20 日推出，分为两个档位：Flash 面向实时任务，Plus 追求最高质量。Plus 档是在竞技场上有实测排名的档位，下文所有数字均指这一档。它覆盖 16 种语言以及 20 个中文方言区，支持声音克隆和约 86 个内联表达标签，并且只能通过阿里巴巴的 API 访问。它不提供模型权重，不支持本地部署，也没有可供审查的许可证。

有一个日期上的怪现象值得指出，因为你会看到两个日期：A​libaba 于 7 月推出了该系列，但 Plus 型号在竞技场表格中的发布日期却是 2026 年 9 月 15 日。我们将其理解为评分修订版或条目上线的日期，而不是第二个型号。如果你在文档中引用发布日期，7 月 20 日是发布日，9 月 15 日是竞技场的登记日期。

将他们分隔开的那些数字

• Arena Elo，Provider Voice——Ming-3.0-tts-0.5B 1,188（区间 1,173–1,203）对比 Qwen-Audio-3.0-TTS-Plus 1,266（1,252–1,280）。两个区间并不相交。

• Arena Elo，受控语音——Ming 1,069（1,053–1,085）对比 Qwen-Plus 1,126（1,113–1,139）。在所有模型均保持一致的克隆语音上，差距依然明显，为 57 分。

• 价格——Ming 没有定价；你需要为算力付费。Qwen-Plus 在竞技场标准化价格列中的标价为每百万字符 19.31 美元。

• 吞吐量 — Ming 在生成时间上每秒可生成 42.1 个字符，而 Qwen-Plus 为 25.6 个，基于同一独立测试框架测量。

• 权重 — MIT 许可的检查点对比无。

• 语言——七种，外加四川话和粤语，对比 16 种，外加 20 个汉语方言区。

• 控制面 — 自由形式指令、语音设计、14 个副语言标签、显式情感/语速/音高/音量，对比约 86 个内联标签和指令式表达控制。

吞吐量结果才是让人惊讶的那个。一个拥有 2.96 GB 模型包的 5 亿参数稠密模型，在独立测量中的每秒字符数比 A​libaba 的托管 Plus 档位快约 65%。这并不是在贬低 Q​wen——托管端点是为并发而配置的，而竞技场的吞吐量数字是一次只处理一个请求——但这确实意味着在这次比较中，小模型并不是慢的那个。

78分从何而来

偏好 Elo 并不能告诉你问题出在哪里。在同一段文本上对比倾听这两个系统就能发现问题，而这一模式与 Ant 自己的模型卡所承认的情况一致。

Ant 以异常直白的语言公布自身弱点：说话人相似度落后于内容准确度，法语相似度是最明显的多语言差距，多事件副语言句子仍不稳定，开放式语音设计也尚不及所评估的最强系统。在竞技场上，这表现为克隆音色颇具竞争力——在受控榜单上位列开放权重模型之首——而原生音色阵容则不然。Ming 的服务商音色排名为 98 个中的第 19 名，拖累它的是 100 多种中文和 5 种英文内置音色，而非克隆路径。

Qwen 的优势则呈现相反形态。它的原生语音就是产品本身；Plus 档位从一开始就为开箱即用、听起来完整自然而打造，并且在提供商环境和受控环境中的测量结果都体现了这一点。它还具备一家运营云业务的公司所带来的语言广度：支持 16 种语言和 20 个中文方言区，而 Ming 只有 7 种语言和 2 个方言区。

就准确性而非偏好而言，这种比较比 Elo 差距所显示的更为单薄。Qwen-Audio-3.0-TTS 没有 A​libaba 发布的词错误率表，可供我们对照通用测试集进行验证；而 Ming 的 Seed-TTS 数字——中文 0.800%、英文 1.584%——是 Ant 自家的，是在 Ant 的评测框架上、用 Ant 推荐的设置测得的。双方都没有给出可直接类比的错误率。你拥有的是两者的偏好得分，以及其中一方的厂商数据表。

两种计费模式，以及没人打印的计量表

价格对比并不是 $19.31 对零，而是按字符计费的计量表与按 GPU 小时计费的计量表之间的对比，而后者在你的财务团队提出要求之前是看不见的。

Qwen 按输入文本的字符数计费。按每百万字符 19.31 美元计算，一百万字符的成品旁白费用为 19.31 美元，而且这个数字会呈线性且可预测地增长。你可以在写第一行代码之前就把它放进电子表格里。

Ming 按 GPU 时间计费。该版本已在 H800-80GB 和 H20-96G 上测试过，需要 PyTorch 2.6 搭配 CUDA 12.4，并附带 Dockerfile，但不提供托管端点。按照该竞技场实测的每秒 42.1 个字符，一百万个字符在这类硬件上大约需要 6.6 小时的生成时间，这还不包括模型加载、排队或失败请求。这是否比 19.31 美元更便宜，完全取决于你的 GPU 小时成本以及你把利用率保持得多满——而对大多数团队来说，正是这个计算决定了这场对决。

这也是路由层体现自身价值、同时不假装托管这两个模型的地方。OrcaRouter 并不承载 Ming-3.0-tts-0.5B 或 Qwen-Audio-3.0-TTS，这里任何内容都不应让人产生相反的理解；两者都通过各自的渠道访问：Qwen 经由阿里巴巴的 Model Studio，Ming 经由你自己的基础设施。我们确实承载的是同一管道的文本侧，按提供商目录价、加价 0%——因此，我们路由的某家文本提供商一旦调价，你当天就会适用同样的价格——并且为负责撰写脚本、标注情感或驱动智能体的模型提供跨提供商自动故障转移。语音是语音产品中昂贵且缓慢的那一半；它前面的那一半也不该同时成为脆弱的一环。

继任者问题

这个决策中还有第三个模型，标题里没有提到：Qwen-Audio-3.1-TTS-Plus，发布于2026年9月24日。它在同一个竞技场上获得1,300 Elo——比3.0 Plus档高出34分——价格同样是每百万字符19.31美元。

以买家的身份再读一遍。阿里巴巴在这篇对比中的那个模型发布五周之后，推出了一个更好的模型，价格不变，属于同一系列端点。今天任何选择 Qwen-Audio-3.0-TTS 的人，选的都是一款已被其自家厂商超越、却没有任何折扣的模型。3.0 这一档仍在售，也依然不错——1,266 的 Elo 在 98 个模型中排名第六——但如今这个系列里正确的托管选择是 3.1，而不是 3.0。

Ming 没有这个问题，因为它没有后继版本，也没有发布节奏。对于想要稳定产物的团队来说，这是实实在在的优势；对于想要在六个月内用上最佳语音的团队来说，则是实实在在的风险。一个未公布、且没有路线图承诺的版本，可能朝任一方向悄然沉寂。

谁应该选哪个

选用 Qwen-Audio-3.1-TTS-Plus——而不是 3.0——前提是你想要这一系列中在已知按字符计价下实测质量最高的方案、需要广泛的语言覆盖，或者希望由别人来承担正常运行时间的责任。接受按量计费，也接受下一档产品会在毫无预警的情况下到来。

如果语音必须在你自己的边界内运行，如果内容以中文为主且需要四川话或粤语，如果你想根据描述设计声音而不是从候选音色中挑选，或者如果你的业务量足够高、以至于你已有的 GPU 比按字符计费更划算，就选 Ming-3.0-tts-0.5B。要为工程投入做好预算：环境是锁定版本的，文本规范化需要一个没有通用 wheel 的 FST 库，而且唯一已公布的吞吐量数据来自一个独立测试框架。

如果你需要支持合同，目前两个都别选。Ming 没有发布公告、没有托管选项，也没有明确的支持承诺；Q​wen 这三样都有，但 3.0 档已不再是值得购买的那一档。老实说，这不是一场公平的较量，也从来不该是——一个是带许可证的研究发布版，另一个是带价目表的云产品——而真正有用的问题是：你的项目实际需要的是这两者中的哪一个。