Ming-3.0-tts 對決 Qwen-Audio-3.0-TTS：開放權重對上按字元計費的語音

Ming-3.0-tts與Qwen-Audio-3.0-TTS是 2026 年推出的兩套最受信賴的中文文字轉語音系統，而除了輸出品質之外，它們幾乎在所有事情上都不一致。Ming-3.0-tts 是螞蟻集團以 MIT 授權的開放權重模型，由 inclusionAI 團隊於 2026 年 10 月 20 日發布，屬於 Ming-3.0 語音系列的一部分。Qwen-Audio-3.0-TTS 是阿里巴巴的封閉式、僅提供 API 的語音合成器，於 2026 年 7 月 20 日在 WAIC 上發布 Plus 與 Flash 版本，完全沒有公開權重。一個是你下載後自行運行；另一個則按字元計費租用。這項差異正是比較的核心，而品質差距小於商業模式差距。

還有一個大多數這兩個模型的比較都會漏掉的細節，而它會改變推薦結論：Qwen-Audio-3.0-TTS 已不再是你實際會購買的 Qwen 語音模型。阿里巴巴已於 2026 年 9 月 23 日以 Qwen-Audio-3.1-TTS 取代它，並在前一天將語音合成價格調降約 70%。因此，本頁將標題所指的模型與 Ming-3.0-tts 比較，因為那是人們正在搜尋的內容，然後說明較新的 Qwen 會如何改變這個答案。

標題中的型號已被取代

Qwen-Audio-3.0-TTS 於 WAIC 發表，並提出了一項貨真價實的宣稱：在 Artificial Analysis 的 Provider Voice Arena 上拿下第一名，領先 Gemini 3.1 Flash TTS 以及一大票商業系統。它推出兩個版本——Plus 主打品質，Flash 主打即時互動、首包延遲約 300 毫秒——定價分別約為每百萬字元 27.60 美元與 15 美元。

九週後，Qwen-Audio-3.1-TTS 在雲棲大會登場。對這項比較而言，重要的變化如下：

• 價格 — 合成降價約 70%，即時降價約 85%，自 2026 年 9 月 22 日起適用於北京與新加坡區域。這使 3.1 TTS Flash 約為每百萬輸入 token 人民幣 1.5 元、每百萬輸出 token 人民幣 12 元，並使 Plus 同等級方案在舊計價單位下約為每百萬字元 8 美元。

• 控制 — 以自由形式的自然語言指令來指定情緒、節奏與風格，取代 3.0 的 86 個行內表達標籤。這是可用性的改變，而非品質的改變，而且是最可能影響你能否順利交付的一項改變。

• 複製 — 跨語言音色轉換，涵蓋華語、粵語、英語及日語，並可直接處理含噪音或殘響的參考音訊。

• 驗證 — 截至撰寫本文時，尚無獨立的 Arena 分數。3.1 的品質宣稱屬於廠商說法。

所以公平的說法不是「Ming 對上 Qwen」，而是「Ming 對上 Qwen 目前的世代，其價格現在大約是 3.0 收費的三分之一」。Ming 的成本優勢也相應縮小。架構上的差異則不然。

兩個不同的產品，而不是同一個產品的兩個版本

• 交付模式 — Ming-3.0-tts 是採用 MIT 授權的權重，發佈於 Hugging Face 與 ModelScope，推論程式碼則位於獨立的 GitHub 儲存庫。Qwen-Audio-3.0-TTS 未公開權重；其透過阿里雲 Model Studio 提供服務。

• 大小 — Ming 的預設檢查點是 0.5B 參數、稠密模型，基於 Qwen2.5-0.5B 主幹，約 2.96 GB。其同系列 Ming-3.0-tts-tiny 是總參數 7.9B、活躍參數 1.3B 的 MoE，基於螞蟻集團的 Ling V3 主幹。Qwen 並未揭露這兩個層級的參數數量。

• 輸出品質上限 — Ming 最高僅支援 44.1 kHz。Qwen-Audio-3.0-TTS 已提升至 48 kHz，並支援單次合成最長三分鐘。

• 語言涵蓋範圍 — Ming 涵蓋中文、英文、德文、西班牙文、法文、韓文與日文，以及四川話和粵語。Qwen 涵蓋 16 種語言和 20 個漢語方言區，並在 3.0 版中新增阿拉伯文、越南文、馬來文與菲律賓文。

• 語音 — Ming 內建超過 100 種中文語音及五種英文語音。Qwen 的目錄則是代管式精選，你無法自行管理。

• 控制介面 — Ming 提供從文字描述進行語音設計、可自由輸入演繹指示的「導演模式」、14 個內嵌的副語言標籤，以及明確的情緒、語速、音調與音量控制。Qwen 3.0 提供自由風格的導演提示詞加上細緻標籤；3.1 則以指示取代了標籤。

那份清單呈現的模式相當一致：Ming 讓你對較窄的語言集合擁有更多掌控，而 Qwen 則提供更廣泛的涵蓋範圍，但對底層細節的可見度較低。

品質：競技場說了些什麼，以及沒說些什麼

兩個型號都有獨立的量測結果，這種情況相當罕見，值得審慎運用。陷阱在於跨不同電路板進行比較。

在 Provider Voice Arena 上——模型以各自的原廠語音發聲，這是同條件的比較——Qwen-Audio-3.0-TTS-Plus 於 2026 年 8 月獲得 1,238 Elo，到 9 月達到 1,259，排名第二。Ming-3.0-tts 獲得 1,188 Elo，在開放權重模型中排名第三，總體約第 18 名。在該榜單上，Qwen 領先約 50 至 70 Elo，這是真實但不算巨大的差距——大約相當於商用語音兩個相鄰級別之間的差異。

Ming 在同一個榜單上有兩項 Qwen 無法匹敵的成績。它在「發音穩健性」以 93.2% 整體並列第一，並在「受控語音競技場」以 1,069 Elo 在開放權重模型中排名第一；這個榜單由八個克隆語音組成，涵蓋美國與英國口音。Qwen 並未出現在受控語音榜單上，因為沒有可在本地針對該測試執行的檢查點。

綜合來看，這些數字傳達了具體訊息。Ming 最擅長的是重現你提供給它的聲音，最弱的時候則是從它自己小型英語聲音資料庫中取樣。Qwen 在自家聲音上表現強勁，並宣稱在全部 16 種語言中都具備最先進的語者相似度——這是供應商的說法，並非獨立驗證。如果你的工作負載是「複製我們創辦人的聲音來朗讀電子報」，那麼 Ming 最強的那張榜單才是關鍵。如果是「給我們 12 種語言中的 40 種聲音」，Qwen 的涵蓋範圍就是決定性因素。

有一個廠商回報的數字值得特別提出，因為它既不尋常又很實際：Qwen-Audio-3.0-TTS 的吞吐量據回報約為每秒 16 個字元，相較之下 Sonic 3.5 約為 120，Simba 3.2 約為 30。這很慢。這正是 Flash 層級存在的原因，而這也是品質排行榜永遠不會顯示給你看的那種限制。Ming 的 0.5B 檢查點沒有可比的公開吞吐量數據，這本身也是一個缺口。

費用，以各自收費的單位計

這兩個模型使用的單位不同，因此在比較具有意義之前，必須先進行換算。以每秒約 14 個字元的語速計算，一百萬個字元大約相當於 19 到 20 小時的音訊。

• Qwen-Audio-3.0-TTS-Plus — 每百萬字元 $27.60，或依定價約每音訊小時 $1.40。

• Qwen-Audio-3.0-TTS-Flash — 每百萬字元約 15 美元，或每音訊小時約 0.76 美元。

• Qwen-Audio-3.1-TTS — 在九月降價之後，價格約為 3.0 的三分之一，因此同等語音合成大約落在每音訊小時 0.40 至 0.45 美元。

• Ming-3.0-tts——不按字元計價。採用 MIT 授權的權重，改付 GPU 費用。租用一台 H800，每 GPU 小時約 $2，執行 0.5B 模型且速度遠超即時，每實際小時可產出數小時的音訊；若採批次處理，有效費率會低於上述任何按量計價方案在持續用量下所能達到的水準。

交叉點就是整個論點的核心。每月只有幾小時音訊時，自架主機並不划算：GPU 有 99% 的時間閒置，相依性堆疊要花一天處理，而按用量計費的 API 比電費還便宜。每月數百小時時，按用量計費的 API 反而是貴得多的選項，而且每多一小時，差距就擴大，因為下一次生成的邊際成本幾乎為零。你的交叉點確切落在哪裡，取決於 GPU 價格與使用率，但它的衡量單位是每月數百小時，不是數千小時。

還有第二項成本不會出現在任何一份價目表上：模型在你腳下改變的成本。Qwen-Audio-3.0-TTS 大約有九週時間是阿里巴巴賣過最好的語音模型。任何以其 86 標籤控制語法打造產品的人，都花了整個九月把提示改寫成自然語言指令。Ming 的 MIT 權重無法被棄用，只能由你來改進。

控制、複製與部署的現實

Ming 的語音設計是 Qwen 沒有對應功能的特色。你用文字描述說話者——年齡、音色、語速、口音——模型就會合成出相符的語音，無需參考音檔。若要在還沒有錄音前先製作角色或品牌語音的原型，這與從型錄中挑選是截然不同的工作流程。

Qwen 的制衡點在於穩健性。其 3.1 版本特別針對嘈雜與帶混響的參考音訊進行處理，而這正是實際部署中扼殺聲音克隆的失敗模式：有人在會議室裡用筆記型電腦錄下一段樣本，克隆出來的聲音卻像另一個人。Ming 的模型卡坦承，說話者相似度落後於內容準確度，其中法語是最明顯的多語言落差。

部署正是兩者在投入程度上差異最為懸殊的環節。

• Ming — 複製 GitHub 儲存庫、安裝 CUDA 12.4 與 PyTorch、視需要建置 flash-attn、安裝 pynini 以進行文字正規化，然後執行 infer.py 或使用 ming_tts.MingTTS 的 Python API。Hugging Face 僅託管檢查點，並在提示方塊中說明此事。這個微型模型需要專屬的環境。撰寫本文時，Hugging Face 上並沒有託管的推論服務供應商。

• Qwen — 一組 API 金鑰與一個區域端點。無需基礎設施、無需相依性堆疊、無需規劃 GPU 容量。你也無法固定版本、檢視模型或離線執行。

對於已有 GPU 資源、且有合規理由必須將音訊留在內部的團隊，Ming 是顯而易見的選擇，投入的努力微不足道。對於兩者皆無的團隊，Qwen 本季較便宜，但規模化後較貴，而且供應商鎖定確實存在。

路由器適合的位置

這兩款模型都不在 OrcaRouter 上。我們不託管 Ming-3.0-tts，也不轉售 Qwen-Audio-3.0-TTS，而比較頁面絕不是適合假裝並非如此的地方。在流程中屬於我們這一端的，是圍繞語音的一切：負責起草與改寫腳本的語言模型，以及託管的語音模型，例如 Gemini 3.1 Flash TTS Preview，以及在自行託管 Ming 並非正確取捨的情況下所使用的 GPT-4o mini TTS。

這對本頁真正要做的決策最為重要。語音管線不是單一模型；它包含腳本產生器、正規化器、合成器與備援機制。把文字部分放在單一 API 金鑰之後——200 多個模型，供應商牌價零加成，供應商效能下降時自動容錯移轉——意味著你唯一要承諾綁定的部分，就是語音模型本身。如果你自行託管 Ming，而它在你的英文品牌名稱上表現得比競技場所示還弱，那麼更換語音層只是變更一個元件，而不是重新平台化。如果你建構在 Qwen 的託管 API 上，路由層能在端點變慢或受到速率限制時，讓管線其餘部分繼續運作；而直通定價意味著阿里巴巴下一次降價會在降價當天反映到你身上，而不是等到經銷商方便的時候。

該選哪一個

• 選擇 Ming-3.0-tts如果你有 GPU、需要的是複製或設計過的語音而非型錄中的現成聲音、希望採用能通過法務審查的 MIT 條款，並且能接受研究級工具與偏少的英文語音集，就選擇它。這是這裡唯一你能完全擁有的選項。

• 選擇 Qwen-Audio-3.0-TTS，唯有在你因特定理由而必須固守它時——例如既有的阿里雲合約，或建立在其 86 標籤文法之上的工作流程。否則，你選的就是一個已被取代的模型，而且價格也同樣已被取代。

• 選擇 Qwen-Audio-3.1-TTS如果你想使用受託管、覆蓋範圍廣泛的語音 API，而且九月的降價改變了你的成本效益評估，那就選它。同時請接受：它在獨立排行榜上尚未獲得驗證，而其基於指令的控制方式是一套你將需要學習的新語法。

兩個家族之間的品質差距窄到不應由它來決定這個問題。在雙方直接競爭的唯一一個排行榜上，Qwen 領先約 50 到 70 Elo。在衡量複製的排行榜上，Ming 位居榜首，而 Qwen 則缺席。真正區分兩者的是：這個聲音是你租用的服務，還是你擁有的產物——而在阿里巴巴於九週內替換掉自家旗艦之後，這種區別看起來不太像意識形態，更像是採購風險。