GPT-Live-1 對決 Ming-3.0-TTS：MIT 授權條款遇上按分鐘計費

Ming-3.0-TTS於 2026 年 10 月 20 日推出，附帶的授權條款是大多數語音團隊夢寐以求的：MIT、權重放上 Hugging Face 與 ModelScope、推論程式碼放上 GitHub、每個字元零成本，語言清單裡還有四川話與粵語。GPT-Live-1 每分鐘要價 0.05 美元，不提供權重，只說 OpenAI 為它調校過的那些語言。比較這兩者，其實不是品質高低的問題，而是你的客戶實際上說哪種語言，以及你願不願意跑一張 GPU 來服務他們。

兩者都是真實存在的，兩者都是現行的，而且兩者都擅長對方做不到的事。以下是坦誠的區分。

Ming 系列有兩款型號，不是一款。

螞蟻集團（Ant Group）旗下的 inclusionAI 團隊開源了 Ming-3.0-TTS，以一對元件共用同一套生成框架——由語言模型銜接擴散式 Transformer 的 patch head，以及一個音訊 tokenizer。

• Ming-3.0-TTS-0.5B — 稠密模型，在 Qwen2.5-0.5B 骨幹上約有 5 億參數，下載檔案為 2.96GB，可在 H800-80GB 或 H20-96G 上執行。

• Ming-3.0-TTS-Tiny — 基於 Ant 的 Ling V3 架構打造的混合專家模型，總參數量 79 億，其中 13 億為活躍參數，也是加入多人播客模式的那一款。

0.5B 對任何評估過語音產品成本的人來說，都是最值得注意的一款。一個能塞進 3 GB 的五億參數 TTS 模型，不是得押上一座資料中心的承諾；它只需要一張你可能已經有的 GPU。Tiny 則是主打品質的路線，而 Ant 自家的註記指出，其播客輸出不如較早的 Ming-Omni-TTS——這是個坦率的限制，值得照字面接受。

功能組合：零樣本語音複製、依文字描述設計語音、內建超過 100 種中文語音與 5 種英文語音、14 個用於笑聲、嘆息與呼吸的內嵌副語言標籤、自然語言風格控制，以及 44.1kHz 輸出。語言包含中文、英文、德文、西班牙文、法文、韓文與日文，另加四川話與粵語方言。

GPT-Live-1 取而代之提供的是什麼

OpenAI 的模型是對話引擎，而非具備腳本介面的語音合成器。自 2026 年 9 月 10 日起於 API 提供，它接收音訊與文字輸入，輸出音訊與文字，並在說話的同時聆聽，當問題需要推理時，便把推理交給文字模型處理。單一端點：v1/live/sessions。每分鐘 0.05 美元，按秒計費。知識截止日為 2025 年 7 月，無文件記載的上下文視窗，且不提供免費方案存取。

它沒有明文記載的方言支援、沒有聲音複製、沒有按字元計費，也沒有辦法丟給它一份四千字的腳本、然後拿回一個檔案。它真正有的是行得通的一來一往——也就是每個串接式語音代理花了半年調校、卻仍在訊號不良的電話線上出錯的那件事。

語言問題優先

如果您的使用者說華語、粵語或四川話，這項比較就可以提早結束。Ming-3.0-TTS 是為這些語言打造，會公布各語言的詞錯誤率，並提供聽起來像母語者、而非經調適的語音。GPT-Live-1 的文件完全沒有說明方言處理，而我們能觀察到的部署——ChatGPT Voice，以及現在的 Perplexity 語音模式——都是以英文為優先的產品。

如果你的使用者只說英文，Ming 的優勢就會縮小到只剩其授權與價格，而 GPT-Live-1 的優勢則會變成整個對話層。那才是真正的分岔點，與 Elo 毫無關係。

Ming 的語言廣度唯一真正具有策略意義的地方，是必須同時服務多個市場的產品——同一版本要涵蓋德語、西班牙語、韓語和日語。Ant 表示，其德語與西班牙語的最佳詞錯誤率出現在 Tiny 變體，同時指出較新語言的說話者相似度較弱，且大多不在前三名。翻譯：覆蓋範圍廣、保真度不均，你應該逐市場試聽，而不是信任清單。

$0 主張，經審計

Ming 之所以免費，指的是授權本身不收費；但它並非免費，因為提供服務並非毫無成本，而每一篇談「零成本 TTS」的文章，都悄悄跳過了這一步。

Artificial Analysis 完全沒有記錄 Ming-3.0-TTS 的價格——該欄位顯示 N/A，因為 inclusionAI 沒有可計價的託管商業 API。你的成本是 GPU 時間，而誠實的公式是：（GPU 每小時費率 ÷ 每小時合成字元數）× 1,000,000。第二項請自行填入。沒有人公布 0.5B 的吞吐量數據，所以你在網路上讀到的任何每百萬價格——包括比較中流傳的 $6.58 損益平衡點——都建立在一個模型作者尚未公布的速率假設上。

在不憑空捏造數字的前提下，能說的是：以每 GPU 小時 2 美元的租用價格，你每小時需要合成大約五十萬個字元，才能把成本壓到每百萬字元 4 美元以下；這樣的速度要求模型以比即時快好幾倍的速度運行，而 0.5B 模型或許做得到，7.9B MoE 模型則或許做不到。在以此建立商業案例之前，先測量它。

相較於 GPT-Live-1，計算方式更單純，正因為計費標準是線性的：一小時對話為 3.00 美元，後端推理另行計費。沒有使用率風險，沒有 GPU 需要看管，也沒有必須在預算會議上辯護的假設。

為什麼兩者都報告 93.2%？

一個會讓任何比對規格表的人栽跟頭的有趣現象：Ming-3.0-TTS 在 Artificial Analysis 的測量中回報 93.2% 的發音穩健度，並聲稱整體排名第一。Fish Audio 的 Drama 3 回報了同樣的 93.2%，也聲稱排名第一。兩家實驗室、兩種架構，同一個數字，連小數位都一模一樣。

把這視為上限的證據，而非決勝關鍵。其餘的比例集中在那些讓所有 TTS 模型都失靈的情況：英數混合字串、罕見的專有名詞、需依上下文判讀的數字，以及同形異音詞。哪個模型對你而言勝出，取決於你的內容是包含料號還是詩歌，而這只有你自己的評估集能回答。

在佈告欄上，並附上注意事項

在 2026 年 10 月 29 日擷取的 Provider Voice Arena 上，Ming-3.0-TTS 以 1187 Elo 位居第三，在開放權重參賽項目中僅次於 1240 的 Drama 3 與 1228 的 Breeze TTS 2；而 Ant 自家儲存庫所回報的排名，在此看板上為開放權重中的第三名。在 Controlled Voice 看板上，每個模型都複製相同的八個聲音，Ant 自家儲存庫宣稱以 1069 Elo 在開放權重中排名第一、總排名第十三。

GPT-Live-1 不會出現在那些榜單上，因為它並非他們定義中的文字轉語音模型。它的分數記錄在別處：在 Speech-to-Speech Index 上為 83.2，在 21 個中排名第二；在 Speech Agent Arena 上為 1037–1041，任務成功率介於 87.4% 到 90.9% 之間。不同的衡量工具、不同的量表，不得相減。

每一個各自在哪裡落敗

Ming 在對話上輸了，就是這樣。它聽不到、無法打斷，也無法決定停止說話。任何需要在通訊另一端有真人參與的部署都不在範圍內，無論聲音品質多好。

Ming 在小型團隊的維運簡便性上也落居下風。GPU 這種東西會在凌晨三點掛掉、需要版本相符的驅動程式，而且當其他租戶共用同一張顯示卡時，還會悄悄降低效能。MIT 授權並不包含待命工程師。

GPT-Live-1 在文字量大的工作上，於成本結構方面處於劣勢；在品牌語調的掌控上也同樣吃虧。固定的模型語音意味著你無法推出創辦人的聲音，也無法推出授權角色。而按分鐘計費的做法，恰好懲罰了 TTS 最擅長的那類工作型態：冗長、照稿、重複性的輸出，而且根本不需要有人聆聽。

實際適用的路由角度

這兩者都不在 OrcaRouter 上，值得直說：Ming-3.0-TTS 是自行架設的開放權重，沒有可路由的託管端點；GPT-Live-1 則只提供單一工作階段端點，而我們並不提供該服務。我們實際路由的是中文語音代理背後的推理模型——Qwen3.8 Max、GLM-5.3、Kimi K3 與 Gemini 模型都置於單一金鑰與自動容錯移轉機制之後，並以供應商牌價原樣傳遞、0% 加價。

{{1}}對雙語部署來說，這比聽起來更重要。{{/1}}{{2}}TTS 的選擇通常只做一次，依據語言覆蓋範圍；其背後的推理模型則會隨著價格變動和新的中文模型檢查點推出而替換。讓這一段保持可路由，是整體技術堆疊中最便宜的未來保障做法。{{/2}}

該以哪一個為基礎

若產品使用中文，或服務多個亞洲與歐洲市場，若你掌控 GPU，且輸出是照腳本而非對話式，那就以 Ming-3.0-TTS 為基礎建置。MIT 授權是真正的策略資產：它無法被撤銷、重新定價或限流，而 0.5B 版本讓嘗試它的門檻大約只要一個下午。

如果你的產品是英文對話，且品質標準是「感覺像電話另一端有個人」，那就以 {{1}}GPT-Live-1{{/1}} 為基礎打造。你將永遠每分鐘支付 {{2}}$0.05{{/2}}，卻什麼都不擁有，而你會得到開放權重領域尚未以這種品質推出的那一項能力：一個邊說邊聽的模型。

不要只因為排行榜這樣說就採用其中任何一個。Ming 的 1187 和 Live 的 83.2 是兩個不同的工具，針對兩項不同的任務；而唯一能經得起實際部署考驗的比較，就是你在自己的音訊上所跑的那個比較。