Ming-3.0-tts-tiny 與 Qwen-Audio-3.0-TTS：一個有價目表，另一個有儲存庫

大家都想要的比較，是把兩個分數並排放在一起；但這件事今天無法誠實地做到。Ming-3.0-tts-tiny是螞蟻集團 inclusionAI 的 79 億參數混合專家（MoE）語音檢查點，以 MIT 授權釋出權重，沒有託管端點，也沒有獨立評測。Qwen-Audio-3.0-TTS是 Alibaba Cloud Model Studio 上的託管合成端點，於 2026 年 7 月 20 日推出，分為 Flash 與 Plus 兩級販售，任何地方都沒有權重，也沒有公布錯誤率表。一方有排行榜名次和價格。另一方有可下載的管線與廠商基準測試套件。這裡有用的工作，不是從那兩份產物中挑出贏家；而是弄清楚哪些數字可以並列，哪些不可以。這類發布背後有記錄的 AI 故障與代理事件，都彙整於OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議旗標。

這些日期很重要，因為這兩款產品都不是以發布貼文所暗示的方式問世。Ming-3.0-tts-tiny 的 Hugging Face 儲存庫建立於 2026 年 9 月 22 日，而檢查點本身則於 9 月 24 日上傳。長達三個半星期的時間裡，它只是一個存放權重、卻無法執行的資料夾：推論程式碼、一鍵範例和任務指南直到 10 月 19 日 08:58 UTC 才登上 GitHub，而且是同一個下午分成九次提交。Ant 並未宣布此事，沒有部落格文章、沒有模型卡影片，也沒有技術報告。相較之下，Qwen-Audio-3.0-TTS 有過正式的發布，而且仍列在阿里巴巴的價目表上——而對品質至關重要的 Plus 等級，即使 3.1 世代已於九月推出，仍位居阿里巴巴語音合成產品階梯的頂端。

排行榜的那一列是錯誤的檢查點，而儲存庫並沒有說明這一點

從這裡開始，因為這是第一批比較文章會犯的錯誤。Artificial Analysis 維護兩個語音排行榜，而兩者都收錄了一個名為 Ming-3.0-tts 的模型。截至 10 月 19 日，它在 Provider Voice 排行榜上為 1,188 Elo，在 Controlled Voice 排行榜上為 1,069。

那個條目是0.5B 模型，不是這一個。Ming-3.0-tts-tiny 完全沒有 arena 列——既沒有排名，也不在未排名之列，更不是預覽條目。GitHub README 在其結果章節中重現了 1,188 和 1,069 這兩個數字，卻沒有區分它們是由哪個檢查點產生的，而這正是一個數字在兩次轉發後就得到錯誤標籤的方式。

所以，當你看到「Ming-3.0-tts 1,188 vs Qwen-Audio-3.0-TTS-Plus 1,266」時，實際被拿來比較的是 Ant 的五億參數稠密模型與 Alibaba 最大的託管層級，而本文標題中的模型並未出現在排行榜上。這 78 分的差距對 0.5B 而言確實存在。但這對小型 MoE 沒有任何說明，無論往哪個方向解讀都一樣。這個小模型可能更好；只是還沒有人把它放到偏好評測小組面前。

缺席並非低分。它是一個未評分的模型，而這項區別正是本節存在的全部原因。

每一方實際上是什麼

撇開行銷話術不談，這兩個物件先是本質上的不同，然後才談得上品質高下。

• 形式 — Ming-3.0-tts-tiny 是可下載的檢查點：約 18 GB，BF16 中有 8,980,964,372 個參數，加上 F32 中的 40,096 個參數，內含 Ling V3 骨幹、擴散 Transformer 頭、音訊 tokenizer、CAM++ 說話者編碼器及文字 tokenizer。Qwen-Audio-3.0-TTS 是會回傳音訊的 HTTP 端點；無需下載任何內容，也沒有授權需要稽核。

• 參數 — 總計 7.9B，每個 token 約有 1.3B 個活躍參數，屬於稀疏混合專家模型；相較於 Alibaba 未公布參數數量的託管模型。

• 授權 — 權重與程式碼皆採用 MIT 授權，並附帶使用說明，要求未經同意不得冒充他人，且須標註合成音訊。至於託管服務，則適用商業 API 條款。

• 語言 — 中文、英文、德文、西班牙文、法文、韓文與日文，並在提供方言參考音檔時支援四川話與粵語。Qwen-Audio-3.0-TTS 列出 16 種語言與 20 個中文方言區。

• 控制介面 —— 零樣本克隆、依描述設計語音、自由形式的風格指令、14 種內嵌副語言標籤、明確的情緒、語速、音高與音量設定，以及多說話者播客任務。Qwen-Audio-3.0-TTS 提供克隆功能，外加約 86 種內嵌表達標籤與指令式控制。

• 價格 — Ming-3.0-tts-tiny 方面未列出費率；你需為 GPU 時間付費。Qwen-Audio-3.0-TTS-Plus 在 Alibaba 的北京價目表上為每 10,000 個字元人民幣 1.4 元，Artificial Analysis 將其標準化為每百萬個字元 19.31 美元。

• 獨立評分——Ming-3.0-tts-tiny 無。Qwen-Audio-3.0-TTS-Plus 在供應商語音上為 1,266 Elo，在受控語音上為 1,126，兩者的信賴區間皆未觸及 Ming-3.0-tts 那一列的 1,188 與 1,069。

兩種無法彼此轉換的證據

競技場衡量的是偏好。Ant 的表格衡量的是誤差與相似度。兩者無法互相轉換，也應抗拒把 Elo 差距視為品質倍數的誘惑。

Qwen-Audio-3.0-TTS 给你的是群眾對其原生語音的相對判斷，背後附有樣本數與區間。Ant 給你的則是實驗室對自家模型在固定測試集上的測量，其測試框架、參考音檔與評分程式碼全由打造該模型的同一團隊選定。兩者都合理。誰也無法取代誰，而本文標題所指的模型只有其中一種。

Ant 的套件範圍很廣，在否定它之前，值得先了解裡面有什麼。在中文 Seed-TTS 集上，這個微型模型在 0.781 的說話者相似度下達到 0.820% 的詞錯誤率——這是 Ant 已發表表格中任何地方最佳的相似度數字，包括其自家 0.5B 同系列模型的 0.758。英文在 0.728 相似度下達到 1.666%。德文落在 0.325% 字元錯誤率，西班牙文落在 0.971%，兩者在 Ant 的八系統比較中都排名第一。日文為 3.427%，法文為 3.470%。在 NVBench 的單一事件副語言測試中，它在全部六個類別居首，中文 PCER 為 17.23，英文為 32.95。方言套件在 WSC-Eval-TTS easy 上達到 86.09% 準確率，在 WSYue base 上達到 92.90；情緒集在 CV3 上平均 74.00%，語音設計在 InstructTTSEval-ZH 上為 75.37%。這一切全是 Ant 自家的測試框架，由 Ant 執行、由 Ant 報告，且無人重現。

誠實的總結是，Qwen-Audio-3.0-TTS 是由陌生人評判的，而 Ant 是由其作者評判的。這不是在貶低任何一方；這是在說明這兩個數字究竟代表什麼。

Ant 唯一公布的正面對比，而且是與自己比。

在那套評測套件中，有一個結果表現得像真正的比較，因為競爭對手是 Ant 自家的 0.5B 模型，而且差異大到足以在換用不同評測框架後依然成立。

在韓語上，Ming-3.0-tts-tiny 達到 6.000% 的字元錯誤率。0.5B 則達到 1.728%。同一團隊、同一測試集、同一回報日——差距約為三點五倍，而且這個方向並不是任何人預期較大模型會有的表現。模型卡並未解釋這點，而限制章節將韓語列為已知弱點之一，卻未提供機制說明。

有一種結構性解釋可用，且應標示為假設，而非研究發現：稀疏模型會將每個 token 路由給一部分專家，因此在混合模型中獲得較少訓練訊號的語言，退化速度可能比在總規模相當的稠密模型中更快。這很合理，但尚未經過測量。站得住腳的是操作性結論，而它的範圍更窄：如果你的產品包含韓文，這個檢查點就不是該優先選用的，直到有人在真實韓文文本上執行它並公布結果為止。

Qwen-Audio-3.0-TTS 在其 16 種語言中涵蓋韓語，而 Alibaba 並未公布任何逐語言錯誤率，可用來與 Ant 的 6.000% 對照。因此，即使是這個弱點，也無法轉化為一項比較。它只能被解讀為一則警告。

百萬字元，雙倍計價

這就是這兩項產品不再只是抽象概念的地方。

Qwen-Audio-3.0-TTS 依字元計費。以該競技場標準化後的每百萬字元 19.31 美元計算，一百萬字元的成品旁白費用為 19.31 美元，一億字元則為 1,931 美元。這個數字呈線性、可預測，而且在你寫下任何程式碼之前就能得知。在相同獨立測試框架下，生成期間的吞吐量為每秒 25.61 個字元；在該 API 的規模下，這屬於併發問題，而非計費問題。

Ming-3.0-tts-tiny 以 GPU 小時計費，而其中的計算中間有個缺口。0.5B 的同系列模型測得每秒 42.1 個字元；tiny 模型則完全沒有測量。你不能借用其同系列模型的吞吐量，因為 tiny 模型每個 token 啟用的參數大約是兩倍半，且佔用約 18 GB，而非 2.96 GB。Ant 建議的顯示卡是 H800，而鎖定的環境——Python 3.10.15、torch 與 torchaudio 2.7.1 搭配 CUDA 11.8、transformers 4.46.3——是此次發布中唯一的效能宣稱。

那就把計算攤開來做，而不是假裝這件事已成定局。以每秒 20 個字元計算，一百萬個字元約需生成 14 小時；以每秒 10 個字元計算，則約需 28 小時。把這些小時數乘上你自己的 GPU 每小時成本，再加上模型載入時間、排隊與重試，然後和 $19.31 比較。每月低於幾百萬個字元時，一旦把人力時間算進去，託管服務的費率通常在總成本上勝出。超過這個量之後，在你已經擁有並持續保持忙碌的硬體上，這個 checkpoint 每小時的邊際成本與第一小時相同——這是任何價目表都無法比擬的結構性優勢。

有一点是比價不該掩蓋的：這兩個模型在任何價位上都不是同一款產品。Qwen-Audio-3.0-TTS 的 Plus 層級是一套完整的成品語音目錄，涵蓋 16 種語言；而 Ming-3.0-tts-tiny 則是一條由你自行操作的流水線，其輸出品質也得由你自己衡量。

A​libaba 尚未解決的分層問題

如今選擇 Qwen-Audio-3.0-TTS 的人，所選的其實是一個早已在其腳下改朝換代的系列。Qwen-Audio-3.1 產品線於 2026 年 9 月 23 日發布，而 Artificial Analysis 將 Qwen-Audio-3.1-TTS-Plus 列在 Provider Voice 的 1,300 Elo 與 Controlled 的 1,186 Elo——在兩個榜單上都高於 3.0 Plus，日期為 9 月 24 日，價格同為每百萬字元 19.31 美元。

但 Alibaba 的公開價目表只列出適用於 3.1 TTS 的 Flash SKU，因此 3.1 Plus 層級目前是否可呼叫，應向供應商自家的控制台確認，而不是從排行榜推斷。無論如何，實務上的解讀都一樣：3.0 Plus 層級並未過時，但它已不再是 Alibaba 最新納入評分的項目；買方在拿它的價格與任何其他方案比較之前，應先確認自己實際簽約的是哪個 SKU。

對 Ming-3.0-tts-tiny 而言，根本沒有分級問題——只有一個檢查點、沒有附日期的路線圖，以及一則與程式碼同一天出現在文件中的 vLLM-Omni 支援說明。

儲存庫未能確立的事項

在任何人圍繞這個模型制定計畫之前，有四個缺口值得先點明。

• 沒有獨立評分——沒有競技場列、沒有第三方詞錯誤率、沒有實測吞吐量。看起來像 Ming-3.0-tts-tiny 的那一列，其實是 0.5B 的。

• 沒有技術報告——路線圖上該項未勾選，且模型卡於 10 月 16 日被修改，移除了對它的提及。

• 不提供託管端點——既沒有第一方 API，也沒有價格，因此通往正式環境的唯一途徑就是你自己的基礎設施。

• 沒有微調配方——該儲存庫記錄的是推論任務，而非訓練。在此檢查點上進行 LoRA 或完整微調並無文件記載，這與隨附訓練腳本的模型情況不同。

在擷取當下，Hugging Face 儲存庫顯示 20 次下載與 3 個讚，而 GitHub 儲存庫則只有寥寥幾顆星，且沒有任何發布版本。這除了說明這次發布相當低調之外，並不構成任何事情的證據；而「低調」正是這篇文章唯一有把握的論斷。

這個比較在實務上有何價值

如果你這個月就需要在生產環境中導入語音功能、涵蓋超過兩三種語言，而且由其他人負責承擔正常運作時間，那麼 Qwen-Audio-3.0-TTS-Plus 就是個站得住腳的選擇：它有評分、有定價、有文件，也有支援，而且 1,266 的 Elo 是實測得出的，並非憑空宣稱。

如果你需要擁有模型——複製你無法傳送給第三方的聲音、以按字元計費佔主導的用量生成、以允許再分發的授權條款發布——Ming-3.0-tts-tiny 是兩者中唯一能屬於你的。作為交換，請接受你將是第一個對它進行基準測試的一方、韓語是其自家供應商已公開的已知弱點，以及這套管線才問世一週。

OrcaRouter 不會路由這兩個模型中的任何一個，且本文任何內容都不應被解讀為另有此類主張；語音是透過各供應商自身的通道存取，而 Ming-3.0-tts-tiny 檢查點則透過你自己的硬體存取。我們實際路由的是同一條流程中的文字部分——超過 200 個模型，只要一組金鑰，依供應商牌價提供，不額外加價，因此文字供應商調價時，你的價格當天就會同步。對語音產品而言，腳本、類似 SSML 的指示，以及決定要說什麼的代理程式，全都屬於文字，而這正是多簽一家供應商合約也無法為你帶來任何好處的部分。

能讓這件事有定論的那個數字還不存在。它不是 Elo 分數；而是在 H800 上花一個下午，用那個小型檢查點跑 Ant 所使用的同一批參考片段，並把結果與 harness 一併公布。在有人這麼做之前，誠實的立場就是這篇文章所採取的立場：兩件可信的產物，一件有評分、一件沒有，而比較必須建立在所有權、價格結構與語言風險上，而不是品質上。