Ming-3.0-tts 与 Cartesia Sonic 3.6：一个能准确读出你的发票号码，另一个能在 90 毫秒内响应

把 Ming-3.0-tts 和 Cartesia Sonic 3.6 放在 Artificial Analysis 语音竞技场的同一赛道上，记分牌会显示 Cartesia 胜出：在 Provider Voice 上以 1,290 Elo 对 1,188，领先 102 分，且置信区间完全不相交。把它们放到发音榜上，结果却反转得如此彻底，看起来就像数据错误：93.2% 对 74.5%。同样这两个系统，由同一家实验室在同一个月测量，却在“谁更擅长朗读英语”上相差十八个百分点。两个数字都是正确的，而它们之所以能同时正确，原因正是整场比较的核心。 像本次发布这样的版本背后，有记录的 AI 故障和智能体事件都收录在 OrcaRouter AI Incident Archive 中，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。

Ming-3.0-tts 是蚂蚁集团以 MIT 许可证发布的开源权重模型——一个可在你自己的 GPU 上运行的 0.5B 稠密检查点，还有一个 7.9B 的混合专家同系列模型，名为 Ming-3.0-tts-tiny。Cartesia Sonic 3.6 是一个专有实时端点，于 2026 年 8 月 17 日发布，按字符计费，以首段音频延迟低于 90 毫秒以及覆盖 44 种语言作为卖点。一个是模型。另一个是为接听电话而构建的服务。你想要哪一个，取决于一个与 Elo 毫无关系的问题：你的文本主要是普通行文，还是主要是必须一字不差说出来的内容？

真正重要的两个数字，以及它们为何彼此矛盾

从偏好板开始，因为人们引用的正是它们。

提供商语音 Elo — Ming-3.0-tts 为 1,188（区间 1,174–1,202），Sonic 3.6 为 1,290（1,276–1,304）。Sonic 在 97 个模型中排名第 4；Ming 排名第 18。

• 受控音色 Elo——Ming-3.0-tts 1,068（1,052–1,084）对比 Sonic 3.6 1,151（1,138–1,164）。Sonic 排名第 5，Ming 排名第 12。当两个系统克隆相同的八个音色后，差距缩小了 19 分。

• 发音稳健性（英语）——Ming-3.0-tts 为 93.2%（91.5–94.9），Sonic 3.6 为 74.5%（71.4–77.5）。在 31 个被测系统中，Ming 排名第 1，Sonic 排名第 19。

这些结果并不矛盾；它们衡量的是不同的方面。Elo 榜单询问人类听众更喜欢哪段音频，而偏好会奖励那些让合成语音听起来悦耳的特质——自然的韵律、有说服力的情感，以及不像在念说明书的嗓音。Sonic 3.6 在这方面非常出色。自八月以来，它一直是该竞技场中排名第四的系统，这个位置名副其实。

发音评测板提出了一个更窄、更苛刻的问题：系统是否正确地读出了这个特定片段？人工评审员标出了英文文本中高亮的单词和短语——品牌名、技术术语、文件路径、电子邮件地址、数字、日期、单位——并逐一作出评判。在这项测试中，Sonic 在已评分的 31 个系统中位列后半段，而 Ming 则在所有这些系统中位居榜首。

各项子分数比汇总分数更清晰地揭示了失败的形态：

• 独立条款 — Ming-3.0-tts 88.5% 对比 Sonic 3.6 72.6%

• 语境适宜性 — Ming 91.0% vs Sonic 78.2%

• 保留精确序列 — Ming 90.6%（31 个中排名第 1）vs Sonic 60.8%

• 扩展速记 — Ming 96.5%（31 个中排名第 1）对比 Sonic 49.1%

Expanding Shorthand 是最值得重点关注的。它涵盖数字、日期、单位和记号——“6'2"”、“Chapter XVII”、“1 tsp”。按这一标准衡量，Sonic 3.6 大约只能正确处理其中一半的片段。对于一个生产级语音 API 来说，这是个惊人的数字，而这类问题在演示中从不会暴露出来，因为演示内容是用厂商自己挑选的散文写成的。把一份订单确认、一个剂量或一项测量结果摆在它面前，偏好排名就不再能预测任何有用的东西。

在延迟和吞吐量方面，Cartesia 差距明显

Cartesia 的头号宣称是首个音频在 90 毫秒内返回，而这正是对话式智能体最看重的数字：来电者在判定你是机器之前，就已经听到了人声。Ming-3.0-tts 则完全没有公布任何延迟数据。独立测试框架能提供的是吞吐量，而它对这个开源模型并不友好。

• 每秒生成字符数——Sonic 3.6 为 146.9，Ming-3.0-tts 为 44.3。在相同硬件条件下，Cartesia 快 3.3 倍。

• 一次评分请求的生成时间中位数——Sonic 3.6 为 9.20 s，Ming 为 2.56 s。请仔细看这一项；它反映的是请求长度不同，而不是 Ming 具有速度优势。

实事求是的总结是：Sonic 3.6 是为流式场景打造的，而 Ming-3.0-tts 是为批处理打造的。以每秒 44.3 个字符——大约七个词——的速度，这个自托管模型确实跑赢了真实语速，因此一段长旁白会在听完它所需的时间之前就完成。它所缺少的，是流式方案、已公布的首音频延迟时间，以及会话处理。Cartesia 卖的正是这三样东西。

如果你要构建的是电话代理、实时翻译工具，或任何人类正在等待第一个音节的应用，那么比较就到此为止，你不必继续读下去。本文余下部分针对的是另一种情况：提前准备好的文本，或者正确性比即时性更重要的文本。

每一方实际能给你什么

Ming-3.0-tts 由蚂蚁集团旗下的 inclusionAI 团队发布，以 2.96 GB 的检查点形式分发，包含骨干模型、扩散 Transformer patch 头、音频分词器、说话人编码器和文本分词器，采用 MIT 许可证，允许商业使用。它可输出 44.1 kHz 音频，支持七种语言以及四川话和粤语，并提供声音克隆、文本描述的语音设计、14 个内联副语言标签，以及情感和语速/音高/音量控制。蚂蚁在 H800-80GB 和 H20-96G 上使用 PyTorch 2.6 和 CUDA 12.4 对其进行了测试，并随附 Dockerfile。

Cartesia 的 Sonic 3.6 是一个 API。它通过一个模型处理 44 种语言，能用十秒参考音频克隆声音，支持情绪感知式表达和可插入的非语言提示，并接受自定义发音词典——这正是厂商针对发音榜单所衡量问题给出的自家解决方案；值得注意的是，配置了它的客户并不会按照竞技场测试的默认路径来评分。Cartesia 还构建了语音技术栈的其余部分：语音转文本、每分钟 0.06 美元的语音代理、电话号码，以及随套餐层级扩展的并发限制。

• 许可 — MIT 权重由你保留，对比不提供权重的商业 API

• 语言覆盖范围——7 种语言加 2 种方言，对比 44 种

• 部署 — 你的 GPU 对比他们的端点

• 输出采样率 — 44.1 kHz，而产品页面上未公布

• 声音克隆——参考音频、参考文本和显式任务模式，对比 10 秒音频、即时

• 定价依据 — GPU 小时与积分对比，每字符一积分

把积分定价换算一下是值得的，因为“每个字符一个积分”并不是大多数团队能用来做预算的数字。Cartesia 自己的套餐表显示，一分钟音频要消耗 750–800 个积分，换算下来，$5 的 Pro 套餐每分钟实际费率接近 $0.038，$49 的 Startup 套餐为 $0.029，$299 的 Scale 套餐为 $0.028。Arena 将其归一化为每百万字符 $49，这是与 Ming 的零进行对比的可比数字。Ming 并非免费；它是一笔 GPU 小时账单，你的财务团队会把它视为基础设施，而不是按词计费的单列项目。

没人会写进评测里的三个月对比

这个决策有一种版本会比两个模型都存续更久，而它才是对生产系统真正重要的那个版本：当你选定的模型被替换时会发生什么。

Cartesia 在一年内推出了 Sonic 3、3.5 和 3.6，价格始终为每百万字符 49 美元。Ant 在 2 月推出了 Ming-omni-tts，6 月推出了 16.8B 变体，现在又推出了 Ming-3.0-tts——其路线图上的技术报告仍未勾选，而 vLLM-Omni 加速路径虽已标记为完成，但仓库中却没有文档说明。两家厂商都行动迅速。谁都不会停下。

对于托管模型来说，这只是一次常规的版本升级。对于自托管检查点来说，这却是一次迁移：新的权重、新的依赖项，以及在你自己的文本上重新进行一轮评估。MIT 许可证保护你继续运行旧版本的权利，这是一个实实在在的优势，也是团队最初选择开放权重的首要原因——但它并不能阻止你想要新版本。

这正是路由层真正做实事、而非空谈的衔接点。OrcaRouter 并不托管 Ming-3.0-tts 或 Cartesia Sonic 3.6，这里也不应有任何暗示并非如此——Ming 来自该仓库，Sonic 来自 Cartesia 自己的 API。产品目录确实提供的是一组托管语音模型，包括 Google 的 Gemini TTS 预览版以及 OpenAI 的 tts-1 和 gpt-4o-mini-tts，它们与 200 多个文本模型，按提供商标价、不加价，使用同一密钥，并支持提供商之间的自动故障转移。如果你的语音管线有回退路径——任何处理实时流量的管线都应有——该回退可以只是一个端点，而不是第二份合同和第二个 SDK。供应商降价当天就会落到我们这边，因为中间没有需要解除的加价。

按工作量该选哪一个

如果你就文本如实作答，决定就很简短。

选择 Sonic 3.6，如果有真人正在等待第一段音频、你需要的不止少数几种语言，或者你希望由供应商来负责正常运行时间。102 个百分点的偏好差距是真实存在的，听众会听得出来。请针对你的产品实际会说的术语配置发音词典，因为默认路径在这方面的得分恰好是 74.5%。

选择 Ming-3.0-tts，如果你的音频是提前生成的——旁白、文档朗读、IVR 提示语、培训材料、有声书草稿——并且文本中包含标识符、单位、代码或符号记法。在涵盖这些片段的三个类别中，它要么排名第一，要么与第一名相差不超过三分，而且榜单上没有任何托管系统能比它更好地保留精确的序列。

两者都别选，不过，如果你需要英语专有名词准确无误，那就另当别论。Ming 在独立术语上的 88.5% 在 31 个中排第 21，而这是该模型明确处于中游的唯一类别。在产品演示中读错品牌名的代价，比把日期读得别扭更高。

还有一种两家供应商都不会建议的混合方案：交互界面使用托管式实时模型，批处理语料库使用自托管检查点，并在同一份留出文本上评估二者。这两个系统会在不同地方出错，这正是这种拆分值得付出运维成本的原因。

悬而未决的问题

Cartesia 的产品页面称，该公司在 Speech Arena 上排名第一。这在页面撰写时属实，如今已不再属实——HeyGen Voice、Q​wen-Audio-3.1-T​TS-Plus、Eleven v4 Turbo 和 Eleven v4 如今都排在 Sonic 3.6 之上，而 Sonic 自己的位置是第四。厂商排行榜上的说法几周就会过时。在这个对比中，74.5% 的发音得分是更持久的事实，因为它是由没有产品要卖的一方测得的，而且这个分数差到 Cartesia 自家的发音词典功能存在就是为了绕过它。

什么会改变结论：Ming-3.0-tts 推出流式版本并公布首次音频时间，或者 Sonic 3.7 修复简写展开。两者都尚未发布。在此之前，分野很清楚——一边是速度与覆盖范围，另一边是精确性与掌控权——正确的做法是不要再寻找赢家，而开始审视你自己的语料库。