Ming-3.0-tts 对比 Qwen-Audio-3.0-TTS：开放权重对决按字符计费的语音

Ming-3.0-tts和Qwen-Audio-3.0-TTS是2026年发布的两款最可信的中文文本转语音系统，除了输出质量之外，它们几乎在所有方面都存在分歧。Ming-3.0-tts是蚂蚁集团以MIT许可证发布的开源权重模型，由inclusionAI团队于2026年10月20日作为Ming-3.0语音系列的一部分发布。Qwen-Audio-3.0-TTS是阿里巴巴的闭源、仅提供API的语音合成器，于2026年7月20日在WAIC上发布Plus和Flash两个版本，完全未公开权重。一个是你下载并运行的；另一个是按字符租用的。这一差异正是比较的核心，而质量差距比商业模式差距更小。

还有一个大多数对这两个模型的比较都会忽略的细节，而它会改变推荐结论：Qwen-Audio-3.0-TTS 不再是你实际会购买的 Qwen 语音模型。阿里巴巴于 2026 年 9 月 23 日用 Qwen-Audio-3.1-TTS 取代了它，并在前一天将合成价格下调了约 70%。因此，本页将标题中提到的模型与 Ming-3.0-tts 进行比较，因为这是人们正在搜索的内容，然后告诉你更新的 Qwen 会如何改变答案。

标题中的模型已被取代

Qwen-Audio-3.0-TTS 在 WAIC 上发布，并提出了一个实打实的说法：在 Artificial Analysis 的 Provider Voice Arena 中排名第一，领先于 Gemini 3.1 Flash TTS 以及一长串商业系统。它分为两个档位发售——Plus 主打质量，Flash 面向实时交互，首包延迟约为 300 毫秒——标价分别约为每百万字符 27.60 美元和 15 美元。

九周后，Qwen-Audio-3.1-TTS 亮相云栖大会。对本次比较而言重要的变化如下：

• 价格 — 合成降价约 70%，实时降价约 85%，自 2026 年 9 月 22 日起适用于北京和新加坡区域。这使得 3.1 TTS Flash 的价格约为每百万输入 token ¥1.5、每百万输出 token ¥12，并使 Plus 等效版本按旧计费单位计算接近每百万字符 $8。

• 控制 — 用于情绪、节奏和风格的自由形式自然语言指令取代了 3.0 的 86 个内联演绎标签。这是可用性层面的变化，而非质量变化，并且是最有可能影响你能否发布的一项变化。

• 克隆——跨普通话、粤语、英语和日语的跨语言音色迁移，并可直接处理含噪或混响的参考音频。

• 验证——截至撰写本文时，尚无独立的 arena 评分。3.1 的质量声明均为供应商声明。

因此，公平的表述不是“Ming 对比 Qwen”，而是“Ming 对比 Qwen 的当前一代，其价格现在大约是 3.0 当时定价的三分之一”。Ming 的成本优势相应缩小。架构差异则没有。

两个不同的产品，而不是同一个产品的两个版本。

• 交付模式 — Ming-3.0-tts 是以 MIT 许可证发布的权重，托管在 Hugging Face 和 ModelScope 上，推理代码位于单独的 GitHub 仓库中。Qwen-Audio-3.0-TTS 不发布权重；它通过阿里云百炼（Model Studio）提供服务。

• 规模 — Ming 的默认检查点为 0.5B 参数、稠密模型，基于 Qwen2.5-0.5B 骨干，约 2.96 GB。其同系列 Ming-3.0-tts-tiny 是总参数 7.9B、激活参数 1.3B 的 MoE，基于蚂蚁的 Ling V3 骨干。Qwen 未披露这两个档位的参数数量。

• 输出质量上限 — Ming 最高仅支持 44.1 kHz。Qwen-Audio-3.0-TTS 已提升至 48 kHz，并支持最长三分钟的一次性合成。

• 语言覆盖 — Ming 覆盖中文、英语、德语、西班牙语、法语、韩语和日语，另含四川话和粤语。Qwen 覆盖 16 种语言和 20 个中文方言区，3.0 版本新增了阿拉伯语、越南语、马来语和菲律宾语。

• 语音 — Ming 提供 100 多种中文语音和五种英文语音。Qwen 的语音目录是托管式精选，你无法管理。

• 控制维度 — Ming 支持通过文本描述进行音色设计、用于自由形式表达指令的“导演模式”、14 个内联副语言标签，以及显式的情感、语速、音高和音量控制。Qwen 3.0 提供自由风格的导演提示词以及细粒度标签；3.1 则用指令取代了标签。

那个列表中的规律是一致的：Ming 让你对更窄的语言集合拥有更多控制权，而 Qwen 提供更广泛的覆盖范围，但对底层情况的可见性更低。

质量：竞技场说了什么，又没说什么

两个模型都有独立的测量结果，这相当罕见，值得谨慎对待。陷阱在于跨不同板卡进行比较。

在 Provider Voice Arena 上——模型使用各自内置音色说话，这才是同类对比——Qwen-Audio-3.0-TTS-Plus 在 2026 年 8 月获得 1,238 Elo，到 9 月升至 1,259，排名第二。Ming-3.0-tts 获得 1,188 Elo，在开放权重模型中排名第三，总榜约第 18 名。在该榜单上，Qwen 领先约 50 到 70 Elo，这是一个真实但不算巨大的差距——大致相当于商业语音相邻两个档位之间的差距。

Ming 在同一榜单上有两项 Qwen 无法匹敌的成绩。它在发音稳健性（Pronunciation Robustness）上以 93.2% 并列总榜第一，并在 Controlled Voice Arena 上以 1,069 Elo 在开放权重模型中排名第一；该榜单由覆盖美国和英国口音的八个克隆声音构建而成。Qwen 未出现在该受控语音榜单上，因为没有可用于运行该测试的本地检查点。

把这些数字放在一起看，说明了一个很具体的问题。Ming 最擅长的是复现你给它的声音，最弱的是只能从自己那套规模不大的英语音色库里取材。Qwen 在自有音色上很强，并声称在全部 16 种语言上都达到了最先进的说话人相似度——这是厂商的说法，并非独立验证。如果你的工作负载是“克隆我们的创始人并朗读新闻简报”，那么 Ming 表现最强的那个榜单才是关键。如果是“给我们 12 种语言下的 40 个音色”，那么 Qwen 的覆盖范围就是决定性事实。

有一个厂商报告的数字值得特别指出，因为它既不寻常又很实际：Qwen-Audio-3.0-TTS 的吞吐量据报告约为每秒 16 个字符，而 Sonic 3.5 约为 120，Simba 3.2 为 30。这很慢。这正是 Flash 档位存在的原因，也是质量排行榜永远不会展示给你的那类局限。Ming 的 0.5B 检查点没有可比的公开吞吐量数据，这本身就是一处空白。

费用，以各自收费所用的单位计

这两个模型并不使用同一单位，因此必须先进行换算，比较才有意义。按语音大约每秒 14 个字符计算，一百万个字符大约是 19 到 20 小时的音频。

• Qwen-Audio-3.0-TTS-Plus — 每百万字符 27.60 美元，按标价约每音频小时 1.40 美元。

• Qwen-Audio-3.0-TTS-Flash — 每百万字符约 15 美元，或每音频小时约 0.76 美元。

• Qwen-Audio-3.1-TTS — 在九月降价后，约为 3.0 价格的三分之一，因此同等合成效果下大约为每音频小时 0.40 至 0.45 美元。

• Ming-3.0-tts——不按字符计费。采用 MIT 许可的权重，取而代之的是 GPU 账单。租用一台 H800 的价格约为每 GPU 小时 2 美元，运行 0.5B 模型时速度远快于实时，每实际小时可产出数小时音频；经批处理后，其有效费率低于上述任何按量计费价格在持续规模下所能达到的水平。

分界点才是整个论证的关键。每月只处理几小时音频时，自托管很不划算：GPU 有 99% 的时间闲置，依赖栈要花一天搭建，而按量计费 API 的成本比电费还低。每月处理几百小时音频时，按量计费 API 则明显是昂贵选项，而且差距会随着每增加一小时而扩大，因为下一次生成的边际成本几乎为零。你的分界点究竟落在哪里取决于 GPU 价格和利用率，但它是以每月数百小时来衡量，而不是数千小时。

还有第二项成本，它不会出现在两份价目表中的任何一份上：模型在你使用期间发生变化所带来的成本。在大约九周里，Qwen-Audio-3.0-TTS 是 Alibaba 所售的最好的语音模型。任何基于其 86 个标签的控制语法构建产品的人，都花了整个九月把提示词改写为自然语言指令。Ming 的 MIT 权重无法被弃用，只能由你来改进。

控制、克隆与部署的现实

Ming 的语音设计是 Qwen 没有对应功能的一项特性。你用文字描述一位说话者——年龄、音色、语速、口音——模型便会合成出与之匹配的声音，无需参考音频。在还没有录音的情况下为角色或品牌声音做原型设计时，这与从目录中挑选音色是截然不同的工作流程。

Qwen 的对位优势是稳健性。其 3.1 版本专门处理含噪和混响的参考音频，而这正是在真实部署中让克隆失效的典型故障模式：有人用笔记本在会议室里录了一段样本，克隆出来的声音却像另一个人。Ming 的模型卡坦承，说话人相似度落后于内容准确度，其中法语是最明显的多语言短板。

部署是两者在投入上差异最为悬殊的环节。

• Ming — 克隆 GitHub 仓库，安装 CUDA 12.4 和 PyTorch，可选地构建 flash-attn，安装用于文本归一化的 pynini，并运行 infer.py 或 ming_tts.MingTTS Python API。Hugging Face 仅托管检查点，并在提示框中说明了这一点。这个微型模型需要独立的环境。撰写本文时，Hugging Face 上没有托管推理提供商。

• Qwen——只需一个 API 密钥和一个区域端点。无需基础设施、无需依赖栈，也无需规划 GPU 容量。但你也无法锁定版本、检查模型或离线运行。

对于已经拥有 GPU 基础设施、并且出于合规原因需要将音频保留在内部处理的团队来说，Ming 是显而易见的选择，所需投入不过是零头。对于这两者都不具备的团队来说，Qwen 本季度更便宜，但规模化后会更贵，而且供应商锁定是真实存在的。

路由器的适用场景

这两个模型都不在 OrcaRouter 上。我们不托管 Ming-3.0-tts，也不转售 Qwen-Audio-3.0-TTS，而在对比页面上假装并非如此并不合适。在我们这条流水线中，属于我们这一侧的是围绕语音的一切：负责起草和改写脚本的语言模型，以及托管的语音模型，例如 Gemini 3.1 Flash TTS Preview，以及在自托管 Ming 是错误取舍的情况下使用的 GPT-4o mini TTS。

对于本页真正要讨论的决策来说，这一点最重要。语音流水线并不是一个模型；它由脚本生成器、规范化器、合成器和回退机制组成。把文本部分统一放在一个 API 密钥之后——200 多个模型、按供应商标价零加价，当供应商性能下降时自动故障转移——意味着你唯一需要承诺投入的就是语音模型本身。如果你自托管 Ming，而它在你的英文品牌名上的表现比竞技场评测所暗示的更弱，那么更换语音层只是更换一个组件，而不是重新搭建平台。如果你基于 Qwen 的托管 API 构建，那么当端点响应变慢或触发速率限制时，路由层就是让流水线其余部分保持运转的关键，而透传定价意味着阿里巴巴的下一次降价在落地当天就能惠及你，而不是等到经销商方便的时候。

该选哪一个

• 选择 Ming-3.0-tts如果你有 GPU，需要克隆或设计的语音而非目录中的现成语音，希望采用能通过法律审查的 MIT 条款，并且能接受研究级工具和较单薄的英语语音集，就选择它。它是此处唯一可以让你完全拥有的选项。

• 仅当你有特定理由必须锁定 Qwen-Audio-3.0-TTS 时才选择它——例如已有的阿里云合同，或基于其 86 标签语法构建的工作流。否则，你选择的将是一个已被取代的模型，且价格也已被取代。

• 选择 Qwen-Audio-3.1-TTS如果你想要一个托管式、覆盖广泛的语音 API，并且九月的降价改变了你的成本账，那就选择它。但要接受：它在独立排行榜上尚未得到验证，而且其基于指令的控制是一套你需要学习的新语法。

两个系列之间的质量差距已经小到不应由它来决定这个问题。在两者唯一直接竞争的那个榜单上，Qwen 领先大约 50 到 70 Elo。在衡量克隆能力的榜单上，Ming 位居榜首，而 Qwen 缺席。真正让它们区分开来的，是声音究竟是你租用的服务，还是你拥有的产物——而在 Alibaba 于九周内替换掉自家旗舰之后，这种区别看起来更像是采购风险，而不是意识形态。