Ming-3.0-tts-0.5B 對上 Qwen-Audio-3.0-TTS：免費權重對抗 78 Elo 分

把 Ming-3.0-tts-0.5B 放在 Qwen-Audio-3.0-TTS 旁邊，你首先會注意到的是，它們並不是同一類物件。Ming 是一個 2.96 GB 的檢查點；你下載後可依 MIT 授權，在自己的 GPU 上執行。Qwen-Audio-3.0-TTS 則屬於 Alibaba 列為 Qwen-Audio-3.0-TTS-Plus 的品質層級，是 Alibaba Cloud Model Studio 上的託管端點，任何地方都沒有權重。在獨立的 Artificial Analysis 語音競技場上，託管模型得分 1,266 Elo，可下載的模型得分 1,188——相差 78 分，且兩個信賴區間沒有重疊。這個差距確實存在。它有多大價值，取決於你買的是一個聲音，還是一項資產。像這類發布背後有紀錄的 AI 故障與代理事件，都收錄在 OrcaRouter AI Incident Archive 中，每個條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

在證據之前，先說簡答

如果這個語音功能本季要隨產品出貨，而且出問題時應該由別人值班待命，那麼 Qwen-Audio-3.0-TTS-Plus 是更好的選擇，而且差距還相當明顯。如果你要打造以中文為優先的內容、需要音色設計或方言控制，或者無法接受按字計費，那麼 Ming-3.0-tts-0.5B 是兩者中唯一能為你所用的選擇。這兩種答案一旦碰上預算試算表，都不可能原封不動地成立，而這正是本文接下來要談的重點。

每個模型實際上是什麼

Ming-3.0-tts-0.5B 是螞蟻集團透過 inclusionAI 發布的開放權重模型，以 Qwen2.5-0.5B 為骨幹，搭配擴散 Transformer 頭部與獨立的音訊分詞器。它分兩階段低調推出——權重於 2026 年 9 月上架 Hugging Face，推論程式碼於 10 月 19 日發布於 GitHub——而螞蟻並未對外宣布。此套件包含說話者編碼器與文字分詞器，可輸出 44.1 kHz 音訊，並支援聲音克隆、依文字描述設計聲音、14 種內嵌副語言標籤、情緒與屬性控制、七種語言及兩種中文方言。

Qwen-Audio-3.0-TTS 是 A​libaba 的託管式語音合成產品線，於 2026 年 7 月 20 日推出，分為兩個等級：Flash 用於即時處理，Plus 則追求最高品質。在競技場上有實測排名的是 Plus 等級，以下所有數字指的都是這個等級。它涵蓋 16 種語言加上 20 個中文方言區，支援語音複製與約 86 個行內語調標籤，且只能透過 A​libaba 的 API 使用。沒有權重、沒有本機部署，也沒有可稽核的授權條款。

有一個值得標示的日期怪異之處，因為你兩組日期都會看到：A​libaba 於七月推出該產品線，但 Plus 模型在 arena 榜單中的那一列所載發布日期是 2026 年 9 月 15 日。我們將其解讀為評分修訂版或榜單上線的日期，而不是第二個模型。若你在文件中引用發布日期，7 月 20 日是發布日，9 月 15 日則是 arena 的帳務紀錄。

分隔它們的數字

• Arena Elo，供應商語音 — Ming-3.0-tts-0.5B 1,188（區間 1,173–1,203）對比 Qwen-Audio-3.0-TTS-Plus 1,266（1,252–1,280）。兩者的區間並未重疊。

• 競技場 Elo、受控語音 — Ming 1,069（1,053–1,085）對 Qwen-Plus 1,126（1,113–1,139）。在全部模型皆固定使用的克隆語音上，仍有明顯差距，57 分。

• 價格 — Ming 沒有定價；你付的是算力費用。Qwen-Plus 在 arena 的標準化價格欄中列為每百萬字元 19.31 美元。

• 吞吐量 — 在相同的獨立測試框架上測得，Ming 於生成時間內每秒可產生 42.1 個字元，而 Qwen-Plus 為 25.6 個。

• 權重 — MIT 授權的檢查點 vs 無。

• 語言 — 七種，加上四川話與粵語，對比 16 種加上 20 個漢語方言區。

• 控制介面 — 自由形式指令、語音設計、14 種副語言標籤、明確的情緒／語速／音高／音量，對比約 86 種內嵌標籤與指令式表達控制。

吞吐量結果才是令人驚訝的地方。一個擁有五億參數、搭載 2.96 GB 模型包的稠密模型，在獨立量測中，每秒字元數比 A​libaba 的託管 Plus 方案快約 65%。這並不是在貶低 Q​wen——託管端點是為並行處理而配置的，而競技場的吞吐量數字是一次只處理一個請求——但這確實意味著在這項比較中，小模型並不是慢的那一個。

這 78 分從何而來

偏好 Elo 不會告訴你哪裡出了問題。讓兩個系統在同一段文字上實際聆聽則可以，而這個模式與 Ant 自家模型卡所承認的一致。

Ant 以異常直白的語言公布自身弱點：說話者相似度落後於內容準確度，法語相似度是最明顯的多語差距，多事件副語言句子仍不穩定，而開放式語音設計尚未能匹敵所評估的最強系統。在競技場上，這體現為一個具競爭力的克隆語音——在受控榜單上位居開放權重模型之首——以及一個並非如此的母語語音陣容。Ming 的供應商語音排名為 98 中之第 19，這是被 100 多種中文與五種英文內建語音拖累，而非克隆路徑。

Qwen 的優勢在於相反的形態。它的原生語音就是產品；Plus 方案從設計上就力求開箱即用、聽起來完成度十足，而無論是在供應商環境或受控環境中，量測結果也都如此。它還具備一家經營雲端業務的公司所帶來的語言廣度：16 種語言與 20 個中文方言區，相較於 Ming 的七種語言與兩個方言區。

就準確度而非偏好而言，這項比較比 Elo 分差所暗示的還要薄弱。Qwen-Audio-3.0-TTS 沒有 A​libaba 公布的詞錯誤率表，可供我們對照共同測試集來驗證；而 Ming 的 Seed-TTS 數字——中文 0.800%、英文 1.584%——是 Ant 自家的數據，是在 Ant 的測試框架上、以 Ant 建議的設定測得。雙方都沒有提供可直接對等比較的錯誤率。你手上只有雙方的偏好分數，以及其中一方的廠商表格。

兩種計費模式，以及無人列印的計量器

這不是 19.31 美元與零的價格比較，而是按字元計價的計量方式對上按 GPU 小時計價的計量方式；而後者要等到你的財務團隊要求查看時才會浮現。

Q​wen 依輸入文字的字元數計費。以每百萬字元 19.31 美元計算，一百萬字元的成品旁白費用為 19.31 美元，而且這個數字會以線性且可預測的方式增長。你甚至可以在寫下任何一行程式碼之前，就把它放進試算表裡。

Ming 以 GPU 時間計費。此版本已在 H800-80GB 和 H20-96G 上測試過，需要 PyTorch 2.6 搭配 CUDA 12.4，並附上 Dockerfile，但沒有託管端點。以 arena 測得的每秒 42.1 個字元計算，一百萬個字元在該等級硬體上約需生成 6.6 小時，這還不計模型載入、排隊或失敗請求。這是否比 19.31 美元便宜，完全取決於你的 GPU 每小時成本，以及你把 GPU 利用率維持到多滿——而這正是決定多數團隊這場對決的計算。

這也正是路由層能證明自身價值、又不必假裝託管任一模型的地方。OrcaRouter 並不承載 Ming-3.0-tts-0.5B 或 Qwen-Audio-3.0-TTS，這裡的任何內容都不應讓人以為如此；兩者都透過各自的管道存取：Q​wen 走 A​libaba 的 Model Studio，Ming 走你自己的基礎設施。我們真正承載的是 同一條管線的文字端，以供應商牌價加上 0% 加成——因此，我們所路由的文字供應商若調整價格，你的價格當天就會同步——並且針對負責撰寫腳本、標註情緒或驅動代理的模型，提供跨供應商的自動容錯移轉。語音是語音產品中昂貴又緩慢的那一半；它前面的那一半也不該同時成為脆弱的那一半。

後繼者問題

還有第三個模型應該納入這項決定，卻不在標題中：Qwen-Audio-3.1-TTS-Plus，於 2026 年 9 月 24 日發布。它在同一個競技場上獲得 1,300 Elo——比 3.0 Plus 層級高 34 分——且每百萬字元的價格同樣是 19.31 美元。

以買家的角度再讀一遍。阿里巴巴在這份比較中的模型推出五週後，就以不變的價格、同一個端點系列，推出了更好的模型。今天任何選擇 Qwen-Audio-3.0-TTS 的人，選的都是一個自家供應商已經在沒有任何折扣的情況下取代掉的模型。3.0 等級仍列在榜上，也依然不錯——在 98 個模型中以 1,266 Elo 排名第六——但這個系列中正確的託管選擇現在是 3.1，而不是 3.0。

Ming 沒有這個問題，因為它沒有後繼版本，也沒有固定節奏。對於想要穩定成品的團隊來說，這是實質優勢；對於想要在六個月內取得當時最佳語音的團隊來說，則是實質風險。一個未事先公告、且沒有路線圖承諾的版本，可能朝任一方向悄然無聲。

誰應該選哪個

選擇 Qwen-Audio-3.1-TTS-Plus——而非 3.0——如果你想要這個系列中經實測的最高品質、且價格是已知的每字元計費，需要廣泛的語言涵蓋範圍，或想讓別人負責維運可用性。接受這種計量收費，也接受下一代會無預警推出。

如果語音必須在你自己的內部環境中執行，就選 Ming-3.0-tts-0.5B；如果你的內容以中文為先，且需要四川話或粵語；如果你想根據描述設計聲音，而不是從角色庫中挑選；或者如果你的用量高到你自己已有的 GPU 會比按字計費更划算。要為工程成本做好預算：環境是固定版本，文字正規化需要一個沒有通用 wheel 的 FST 函式庫，而唯一已公開的吞吐量數據只來自一套獨立測試框架。

如果你需要支援合約，目前兩者都別選。Ming 沒有發布公告、沒有託管選項，也沒有明言的支援承諾；Qwen 三者兼備，但 3.0 版本已不再是值得入手的那一個。坦白說，這不是一場公平的較量，也從來無意如此——一個是附帶授權條款的研究發布，另一個是有價目表的雲端產品——而真正有用的問題是：你的專案實際上需要的是這兩者之中的哪一種。