Ming-3.0-tts 對決 Cartesia Sonic 3.6：一個能正確讀出你的發票號碼，另一個能在 90 毫秒內回答

把 Ming-3.0-tts 和 Cartesia Sonic 3.6 放在 Artificial Analysis 語音競技場的同一行，計分板顯示 Cartesia 勝出：Provider Voice 上 1,290 Elo 對 1,188，差距 102 分，而且雙方的信賴區間完全沒有重疊。把它們放到發音榜上，結果卻翻轉得如此徹底，看起來像是資料錯誤：93.2% 對 74.5%。同樣的兩套系統，由同一間實驗室、在同一個月測量，對於哪一套能朗讀英文，竟出現十八個百分點的歧異。這兩個數字都是正確的，而它們之所以能同時正確，正是這整套比較的重點所在。 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，其中每一筆條目都附有自己的來源、嚴重程度、可信度評級與爭議標記。

Ming-3.0-tts 是螞蟻集團以 MIT 授權的開放權重模型——一個可在你自己的 GPU 上執行的 0.5B 稠密檢查點，另有一個名為 Ming-3.0-tts-tiny 的 7.9B 混合專家兄弟模型。Cartesia Sonic 3.6 則是專有的即時端點，於 2026 年 8 月 17 日發布，按字元計價，主打首音延遲低於 90 毫秒，並涵蓋 44 種語言。一個是模型。另一個是為了接聽電話而打造的服務。你想要哪一個，取決於一個與 Elo 無關的問題：你的文本主要是散文，還是主要是一些必須一字不差說出來的內容？

真正重要的兩個數字，以及它們為何不一致

先從偏好看板開始，因為人們引用的就是那些。

• 供應商語音 Elo — Ming-3.0-tts 1,188（區間 1,174–1,202）對比 Sonic 3.6 1,290（1,276–1,304）。Sonic 在 97 個模型中排名第 4；Ming 排名第 18。

• 受控語音 Elo — Ming-3.0-tts 1,068（1,052–1,084）對上 Sonic 3.6 1,151（1,138–1,164）。Sonic 排名第 5；Ming 排名第 12。當兩個系統都複製同樣這八個聲音後，差距縮小 19 分。

• 發音穩健性（英文）——Ming-3.0-tts 93.2%（91.5–94.9）對比 Sonic 3.6 74.5%（71.4–77.5）。Ming 在 31 個受測系統中排名第 1；Sonic 排名第 19。

那些結果並不矛盾；它們衡量的是不同的東西。Elo 排行榜詢問人類聆聽者更喜歡哪個片段，而偏好會獎勵讓合成語音悅耳的特質——自然的韻律、令人信服的情感，以及聽起來不像在朗讀手冊的聲音。Sonic 3.6 在這方面非常出色。自八月以來，它一直是競技場中排名第四的系統，而它配得上這個名次。

發音評測提出一個更狹窄、更嚴苛的問題：系統有沒有把這個特定片段唸對？人工審閱者在英文文本中標註出被突顯的詞語和片語——品牌名稱、技術術語、檔案路徑、電子郵件地址、數字、日期、單位——並逐一評判。在該項測試中，Sonic 在 31 個已評分系統中落在後半段，而 Ming 則位居所有系統之首。

各項子分數比總分更能清楚呈現失敗的樣貌：

• 獨立條款 — Ming-3.0-tts 88.5% 對比 Sonic 3.6 72.6%

• 情境適切 — Ming 91.0% 對 Sonic 78.2%

• 保留精確序列 — Ming 90.6%（31 個中排名第 1）vs Sonic 60.8%

• 擴展縮寫 — Ming 96.5%（31 個中第 1）對比 Sonic 49.1%

Expanding Shorthand 才是該仔細檢視的項目。它涵蓋數字、日期、單位與符號寫法——「6'2"」、「Chapter XVII」、「1 tsp」。以這項標準衡量，Sonic 3.6 大約只做對其中一半的片段。對一個正式生產用的語音 API 來說，這是個驚人的數字，而這正是示範永遠不會暴露的問題，因為示範用的都是廠商自己挑選的散文。把訂單確認、劑量或測量值放到它面前，偏好排名就再也預測不出任何有用的東西。

在延遲與吞吐量方面，Cartesia 差得遠

Cartesia 的頭條賣點是首個音訊在 90 毫秒內輸出，這正是對話式代理最關鍵的數字：來電者會在判定你是機器人之前先聽到聲音。Ming-3.0-tts 完全沒有公布任何延遲數據。獨立測試框架所掌握的則是吞吐量，而這項數據對這個開源模型並不友善。

• 生成每秒字元數 — Sonic 3.6 為 146.9，Ming-3.0-tts 為 44.3。在相同硬體條件下，Cartesia 快 3.3 倍。

• 計分請求的生成時間中位數 — Sonic 3.6 為 9.20 秒，Ming 為 2.56 秒。請仔細閱讀這一項；它反映的是不同的請求長度，而非 Ming 具有速度優勢。

老實說，總結就是：Sonic 3.6 是為串流而打造，而 Ming-3.0-tts 是為批次處理而打造。以每秒 44.3 個字元——大約七個詞——的速度來看，自架模型確實跑得比真實語速快，因此長時間的旁白會比聽完它所需的時間更早完成。但它沒有的是一套串流方案、公開的首次音訊延遲，或工作階段處理。Cartesia 賣的正是這三件事。

如果你正在打造電話代理、即時翻譯工具，或任何需要人類等待第一個音節的應用，那比較就到此為止，你應該停止閱讀。本文其餘部分則是針對另一種情況：事先準備好的文字，或正確性比即時性更重要的文字。

雙方實際能帶給您什麼

Ming-3.0-tts 由螞蟻集團的 inclusionAI 團隊推出，以 2.96 GB 的檢查點形式發佈，內含主幹模型、diffusion-transformer patch head、音訊分詞器、說話者編碼器與文字分詞器，採用 MIT 授權，允許商業使用。它輸出 44.1 kHz 音訊，支援七種語言以及四川話和粵語，並提供聲音克隆、以文字描述的聲音設計、14 個行內副語言標籤，以及情緒與語速/音高/音量控制。螞蟻集團在 H800-80GB 與 H20-96G 上以 PyTorch 2.6 和 CUDA 12.4 進行測試，並附上 Dockerfile。

Cartesia 的 Sonic 3.6 是一個 API。它以單一模型處理 44 種語言、用十秒參考音訊複製語音、支援具情緒感知的語音表達與可插入的非言語提示，並接受自訂發音詞典——這正是廠商針對發音評測板所衡量問題給出的自家解答；值得注意的是，設定此功能的客戶，並非在 Arena 所測試的預設路徑上接受評分。Cartesia 也打造語音技術堆疊的其餘部分：語音轉文字、每分鐘 0.06 美元的語音代理、電話號碼，以及隨方案層級擴展的併發限制。

• 授權 — 你可保留的 MIT 權重 vs 不提供權重的商業 API

• 語言覆蓋範圍 — 7 種語言加 2 種方言，相較於 44

• 部署 — 你的 GPU 對比他們的端點

• 輸出取樣率 — 44.1 kHz，對比產品頁面未公布

• 語音複製 — 參考音訊、參考文字與明確的任務模式，對比 10 秒音訊、即時

• 計價基礎 — GPU 小時與點數之別：每字元一點

點數定價值得換算，因為「每個字元一點」不是多數團隊能據以編列預算的數字。Cartesia 自家的方案表指出，一分鐘音訊需要 750–800 點，換算下來，在 $5 Pro 方案上有效費率約為每分鐘 $0.038，在 $49 Startup 方案上為 $0.029，在 $299 Scale 方案上為 $0.028。arena 將其標準化為每百萬字元 $49，這是可與 Ming 的零元相比的數字。Ming 並非免費；那是一筆 GPU 小時帳單，你的財務團隊會將其視為基礎設施成本，而不是按字計價的單獨項目。

沒有人會在評測裡提到的三個月比較

這個決策有一個版本，其壽命比這兩個模型都長，而這才是對生產系統真正要緊的那一個：當你選用的模型被替換時，會發生什麼事。

Cartesia 在一年內推出了 Sonic 3、3.5 與 3.6，價格維持在每百萬字元 49 美元。Ant 於二月推出 Ming-omni-tts，六月推出 16.8B 版本，如今則是 Ming-3.0-tts——其技術報告在 roadmap 上仍未勾選，而 vLLM-Omni 加速路徑雖標記為完成，卻未在儲存庫中留下文件。兩家廠商動作都很快。誰都不會停下腳步。

對託管模型來說，這只是例行的版本更新。對自架檢查點來說，這是一次遷移：新的權重、新的相依套件，以及在你自己的文本上進行新一輪評估。MIT 授權保障你繼續執行舊版本的權利，這是一項實質優勢，也是團隊當初選擇開放權重的主要原因——但它擋不住你想要新版本。

這是路由層做出具體作為、而非空談的交界點。OrcaRouter 並未託管 Ming-3.0-tts 或 Cartesia Sonic 3.6，這裡的任何內容都不應暗示相反——Ming 來自該儲存庫，Sonic 則來自 Cartesia 自家的 API。型錄真正有提供的，是一組託管的語音模型，包括 G​oogle 的 G​emini T​TS 預覽版，以及 O​penAI 的 tts-1 與 gpt-4o-mini-tts，並與下列模型使用同一把金鑰：超過 200 個文字模型，以供應商定價提供、未額外加價，且在供應商之間自動容錯移轉。如果你的語音管線有備援路徑——任何處理即時流量的管線都應該要有——那個備援可以是一個端點，而不是第二份合約和第二個 SDK。供應商降價當天就會反映在我們這邊，因為中間沒有加成需要拆解。

該選哪一個，取決於工作量

如果你誠實地回答關於這段文字的問題，決定就很簡單。

若符合以下情況，請選擇 Sonic 3.6：有人正在等待第一段音訊、你需要不只少數幾種語言，或你希望由供應商負責維持可用性。102 點的偏好差距確有其事，聽眾會聽得出來。請針對產品實際會說出的詞彙設定發音字典，因為預設路徑在這方面的得分正是 74.5%。

選擇 Ming-3.0-tts，如果你的音訊是預先產生的——旁白、文件朗讀、IVR 提示、訓練教材、有聲書草稿——而且文字包含識別碼、單位、代碼或符號標記。在涵蓋這些範圍的三個類別上，它不是排名第一，就是與第一名相差不超過三分，而且排行榜上沒有任何託管系統比它更擅長保留精確序列。

兩者都別選，不過，如果你需要英文專有名詞正確無誤。Ming 在 Standalone Terms 的 88.5% 成績在 31 個中排第 21，而這是該模型明確處於中段的唯一類別。在產品示範中唸錯品牌名稱，代價比把日期讀得彆扭更高。

還有一種兩家廠商都不會建議的混合做法：互動介面採用託管的即時模型，批次語料則採用自架的檢查點，並以同一份留出文本評估兩者。這兩套系統失效的地方不同，而這正是讓這樣拆分值得付出維運成本的原因。

未解決的問題

Cartesia 的產品頁面表示，該公司在 Speech Arena 上排名第一。這句話在頁面撰寫時為真，如今已不再成立——HeyGen Voice、Q​wen-Audio-3.1-T​TS-Plus、Eleven v4 Turbo 和 Eleven v4 目前都排在 Sonic 3.6 之上，而 Sonic 本身位居第四。供應商排行榜的宣稱幾週就會過時。74.5% 的發音分數是這項比較中更持久的事實，因為它是由沒有產品要賣的人所測量，而且這個分數差到 Cartesia 自家必須推出發音字典功能來因應。

什麼會改變結論：Ming-3.0-tts 推出串流版本並公布首次音訊時間，或是 Sonic 3.7 修正簡寫展開問題。兩者都尚未宣布。在那之前，分界很明確——一邊是速度與覆蓋範圍，另一邊是精確度與掌控權——而正確的做法是別再尋找贏家，開始檢視你自己的語料庫。