Ming-3.0-tts-tiny 与 Qwen-Audio-3.0-TTS：一个有价目表，另一个有代码仓库

所有人都想要的比较，是把两个分数并排放在一起，而今天无法诚实地进行这种比较。Ming-3.0-tts-tiny是蚂蚁集团旗下 inclusionAI 的 79 亿参数专家混合语音检查点，以 MIT 许可证发布权重，没有托管端点，也没有独立评估。Qwen-Audio-3.0-TTS是 Alibaba Cloud Model Studio 上的托管合成端点，于 2026 年 7 月 20 日推出，按 Flash 版和 Plus 版售卖，任何地方都没有权重，也没有公布错误率表。一方有排行榜名次和价格。另一方有可下载的流水线和厂商基准测试套件。这里有用的工作不是从这两件产物中挑出赢家；而是弄清楚哪些数字可以放在一起比较，哪些不可以。 这类发布背后的已记录 AI 故障和智能体事件收集在 the OrcaRouter AI Incident Archive 中，其中每条记录都带有自己的来源、严重性、置信度等级和争议标记。

这些日期很重要，因为这两款产品都不是以发布帖所暗示的方式问世的。Ming-3.0-tts-tiny 的 Hugging Face 仓库创建于 2026 年 9 月 22 日，检查点本身则于 9 月 24 日上传。在长达三个半星期的时间里，它只是一个存有权重的文件夹，没有任何办法运行它们：推理代码、一键示例和任务手册直到 10 月 19 日 08:58 UTC 才登陆 GitHub，分散在同一个下午的九次提交中。蚂蚁尚未宣布它，没有博客文章，没有模型卡视频，也没有技术报告。相比之下，Qwen-Audio-3.0-TTS 经历了真正的发布，并且仍然出现在 A​libaba 的价目表上——而且，即便 3.1 代已于 9 月面世，对质量至关重要的 Plus 层级仍位居 A​libaba 合成能力阶梯的顶端。

排行榜上的那一行对应的是错误的检查点，而仓库并没有说明这一点。

从这里开始，因为这是第一批对比文章会犯的错误。Artificial Analysis 维护着两个语音榜单，二者都收录了一个名为Ming-3.0-tts的模型。截至10月19日，它在 Provider Voice 榜单上为 1,188 Elo，在 Controlled Voice 榜单上为 1,069。

那个条目是 0.5B 模型，不是这一个。Ming-3.0-tts-tiny 在竞技场里根本没有对应的条目——既不在排名中，也不在未排名列表里，更不是一个预览条目。GitHub README 在其结果部分复现了 1,188 和 1,069 这两个数字，却没有区分它们是哪个检查点产生的，而一个数字正是这样在两次转发之后就背上了错误的标签。

所以，当你看到“Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266”时，实际比较的是蚂蚁的5亿参数稠密模型与阿里巴巴最大的托管档位，而本文标题中的模型并未出现在榜单上。对0.5B来说，78分的差距是真实存在的。但这并不能说明那个小型MoE模型如何，无论往哪个方向都说不了什么。小型模型可能更好；还没有人把它放到偏好评审团面前。

缺失并不等于低分。缺失意味着这是一个未被评分的模型，而这一区别正是本节存在的全部理由。

每一方实际上是什么

去掉营销包装，这两个对象在种类上的差异先于在品质上的差异。

• 形式 — Ming-3.0-tts-tiny 是一个可供下载的检查点：约 18 GB，BF16 中有 8,980,964,372 个参数，F32 中另有 40,096 个参数，包含 Ling V3 主干、一个扩散 Transformer 头、一个音频分词器、一个 CAM++ 说话人编码器以及文本分词器。Qwen-Audio-3.0-TTS 是一个返回音频的 HTTP 端点；无需下载任何内容，也无需审核许可证。

• 参数——总计79亿，每个 token 约13亿活跃参数，属于稀疏混合专家模型；相比之下，阿里巴巴未公布所对比托管模型的参数数量。

• 许可证 — 权重和代码均采用 MIT 许可证，并附有使用说明，要求未经同意不得冒充他人，且需标注合成音频。在托管服务方面，则适用商业 API 条款。

• 语言——中文、英语、德语、西班牙语、法语、韩语和日语，并且在提供方言参考音频时还支持四川话和粤语。Qwen-Audio-3.0-TTS 列出了 16 种语言和 20 个汉语方言区。

• 控制面——零样本克隆、根据描述进行声音设计、自由形式风格指令、14 个内联副语言标签、显式情感、语速、音高和音量设置，以及多说话人播客任务。Qwen-Audio-3.0-TTS 提供克隆以及约 86 个内联表达标签和指令式控制。

• 价格——Ming-3.0-tts-tiny 这边没有列出费率；你需按 GPU 时间付费。Qwen-Audio-3.0-TTS-Plus 在阿里巴巴北京价目表中为每 10,000 个字符 ¥1.4，Artificial Analysis 将其标准化为每百万字符 $19.31。

• 独立评分——Ming-3.0-tts-tiny 无。Qwen-Audio-3.0-TTS-Plus 在 Provider Voice 上为 1,266 Elo，在 Controlled Voice 上为 1,126，两者的置信区间均未触及 Ming-3.0-tts 所在行的 1,188 和 1,069。

两种无法相互转化的证据

竞技场衡量的是偏好，Ant 的表格衡量的是误差与相似度。两者无法相互转换，因此应当抵制把 Elo 差距当作质量倍数的诱惑。

Qwen-Audio-3.0-TTS 提供的是人群对其原生语音的相对判断，背后附有样本量和区间。Ant 提供的是实验室对自身模型在固定测试集上的测量，而测试框架、参考音频片段和评分代码均由构建该模型的同一团队选定。两者都合理。二者不能互相替代，而对于本文标题中的模型，只存在其中一种。

Ant 的套件覆盖面很广，在你不屑一顾之前，值得先了解其中包含什么。在中文 Seed-TTS 集上，这个微型模型取得 0.820% 的词错误率和 0.781 的说话人相似度——这是 Ant 已发布表格中任何位置的最佳相似度数值，包括其自家 0.5B 同门模型的 0.758。英语达到 1.666%，相似度为 0.728。德语为 0.325% 字符错误率，西班牙语为 0.971%，两者均在 Ant 的八系统比较中排名第一。日语为 3.427%，法语为 3.470%。在 NVBench 的单事件副语言测试中，它在全部六个类别中领先，中文 PCER 为 17.23，英语为 32.95。方言套件在 WSC-Eval-TTS easy 上达到 86.09% 准确率，在 WSYue base 上为 92.90；情感集在 CV3 上平均为 74.00%；音色设计在 InstructTTSEval-ZH 上为 75.37%。所有这些都是 Ant 自己的评测框架，由 Ant 运行、由 Ant 报告，且无人复现。

诚实的总结是：Qwen-Audio-3.0-TTS 是由陌生人评判的，而 Ant 是由其作者评判的。这并不是在贬低两者中的任何一个；而是在说明这两个数字各自到底是什么。

Ant 唯一公布的正面对比，而且是跟自己比

在那套测试套件中，有一个结果看起来像是一次真正的比较，因为竞争对手是 Ant 自家的 0.5B 模型，而且差距大到足以在换用不同的评测框架后依然成立。

在韩语上，Ming-3.0-tts-tiny 的字符错误率为 6.000%。0.5B 版本为 1.728%。同一团队、同一测试集、同一报告日——相差约三点五倍，而且方向与人们对更大模型的预期相反。模型卡没有解释这一点，局限性部分将韩语列为已知弱点之一，却没有给出机制。

已有一种结构性解释，但它应被标注为假设而非发现：稀疏模型将每个 token 路由到一部分专家，因此在混合体中获得的训练信号较少的语言，可能比在总规模相当的稠密模型中退化得更快。这听起来合理，但尚未经过测量。站得住脚的是操作层面的结论，而它的范围更窄：如果你的产品包含韩语，那么在有人在真实韩语文本上运行这个检查点并公布结果之前，它并不是你该选用的那个检查点。

Qwen-Audio-3.0-TTS 的 16 种语言覆盖了韩语，而阿里巴巴没有公布各语言的错误率，因此无法拿来与 Ant 的 6.000% 作对比。所以，即便是这一薄弱环节，也无法转化为一项对比，只能被解读为一种警示。

一百万字符，双重计价

正是在这里，这两款产品不再是抽象的概念。

Qwen-Audio-3.0-TTS 按字符计费。按照竞技场归一化的每百万字符 19.31 美元计算，一百万字符的成品旁白成本为 19.31 美元，一亿字符则为 1,931 美元。这个数字是线性的、可预测的，并且在编写任何代码之前就能获知。在同一套独立测试框架上，吞吐量为生成时间每秒 25.61 个字符——在 API 的规模下，这属于并发问题，而不是计费问题。

Ming-3.0-tts-tiny 按 GPU 小时计费，而其中的推算中间缺了一环。0.5B 的同系列模型测得每秒 42.1 个字符；tiny 模型则完全没有测量。你不能借用其同系列模型的吞吐量，因为 tiny 模型每个 token 激活的参数大约是其两倍半，并且占用约 18 GB，而不是 2.96 GB。Ant 推荐的显卡是 H800，而固定环境——Python 3.10.15、torch 和 torchaudio 2.7.1 搭配 CUDA 11.8、transformers 4.46.3——是该发布中唯一的一项性能声明。

那就公开把账算清楚，而不是假装这事已有定论。按每秒 20 个字符计算，一百万个字符大约需要 14 小时生成；按每秒 10 个字符计算，则大约需要 28 小时。把这些小时数乘以你自己的 GPU 小时成本，再加上模型加载时间、排队和重试，然后与 $19.31 比较。每月低于几百万个字符时，一旦把人的时间也算进去，托管费率通常在总成本上胜出。高于这个量级时，在你已经拥有并保持忙碌的硬件上，检查点每小时的边际成本与第一个小时相同——这是任何价目表都无法比拟的结构性优势。

有一件事不该被价格对比掩盖：无论价格如何，这两个模型都不是同一种产品。Qwen-Audio-3.0-TTS 的 Plus 档是一套成品语音目录，涵盖 16 种语言；Ming-3.0-tts-tiny 则是一条由你自己运行的流水线，其输出质量也得由你自己衡量。

Alibaba 尚未解决的层级问题

如今选择 Qwen-Audio-3.0-TTS 的人，实际上是在选择一个已经在其脚下悄然迭代的家族。Qwen-Audio-3.1 系列于 2026 年 9 月 23 日发布，Artificial Analysis 列出了 Qwen-Audio-3.1-TTS-Plus，其在 Provider Voice 上达到 1,300 Elo、在 Controlled 上达到 1,186 Elo——在这两个榜单上都高于 3.0 Plus，数据日期为 9 月 24 日，而价格同为每百万字符 19.31 美元。

但 Alibaba 的公开费率表只为 3.1 TTS 列出了一个 Flash SKU，因此 3.1 Plus 档位如今是否可调用，得看厂商自己的控制台，而不是从排行榜上推断。无论哪种情况，实际解读都一样：3.0 Plus 档位并未过时，但它已不再是 Alibaba 已评测过的最新选项，买家在把它的价格与任何其他价格作比较之前，应先确认自己实际签约的是哪个 SKU。

对于 Ming-3.0-tts-tiny 来说，根本不存在层级问题——只有一个检查点，没有带日期的路线图，还有一条 vLLM-Omni 支持说明，它与代码在同一天出现在文档中。

这些存储库未能确立的内容

在任何人围绕这个模型制定计划之前，有四个缺口值得明确指出。

• 没有独立评分——没有竞技场榜单行，没有第三方词错误率，没有实测吞吐量。那行看似属于 Ming-3.0-tts-tiny，实际上属于 0.5B。

• 没有技术报告——路线图中该项未勾选，且模型卡于10月16日被编辑，删除了对技术报告的提及。

• 无托管端点——既没有第一方 API，也没有定价，因此通往生产环境的唯一路径就是你自己的基础设施。

• 没有微调配方——该仓库记录的是推理任务，而不是训练。对该检查点进行 LoRA 或全量微调并未记录在文档中，这与此类附带训练脚本的模型情况不同。

在抓取时，Hugging Face 仓库显示有 20 次下载和 3 个点赞，而 GitHub 仓库只有几个星标，且没有任何发布版本。这除了说明此次发布很低调之外，不能证明任何事，而这也是本文唯一有把握的说法。

这种比较在实践中有什么价值

如果你本月需要在生产环境中使用语音，涉及不止两三种语言，并且希望由别人来承担正常运行时间保障，那么 Qwen-Audio-3.0-TTS-Plus 是站得住脚的选择：它有评分、有定价、有文档、有支持，而且 1,266 Elo 是实测出来的，不是声称出来的。

如果你需要真正拥有这个模型——克隆那些你无法发送给第三方的声音，在按字符计费占据主导的规模下进行生成，以允许再分发的许可证发布——Ming-3.0-tts-tiny 是两者中唯一能真正属于你的那个。作为交换，你需要接受：你将是第一个对它进行基准测试的一方；韩语是其自家供应商公开承认的已知短板；而且这条流水线才刚问世一周。

OrcaRouter 不路由这两个模型中的任何一个，本文任何内容都不应被理解为声称相反；语音通过各厂商自己的渠道访问，而 Ming-3.0-tts-tiny 检查点则通过你自己的硬件访问。我们实际路由的是同一流程中的文本部分——一个密钥背后有 200 多个模型，按提供商标价且不额外加价，因此文本提供商的价格变动当天就会成为你的价格。对于语音产品，脚本、类似 SSML 的指令以及决定说什么的代理都是文本，而正是在这一部分，再签一家供应商合同对你毫无收益。

能一锤定音的那个数字目前还不存在。它不是 Elo 分数；而是在一块 H800 上花一个下午，让那个微型检查点跑在 Ant 所用的同一批参考片段上，并把结果与测试框架一并公布。在有人做到这一点之前，诚实的立场就是本文所采取的立场：两个可信的产物，一个有评分，一个没有；比较只能基于归属、价格形态和语言风险，而不是基于质量。