Ming-3.0-tts-0.5B مقابل VoxCPM2: أحدهما يتفوق في الكلمات، والآخر يتفوق في الصوت

توجد مقارنة منشورة واحدة فقط بين Ming-3.0-tts-0.5BوVoxCPM2، وقد كتبتها مجموعة Ant Group. وفي بطاقة النموذج الخاصة بها، تختبر Ant النموذجين متعددي اللغات للكلام على مجموعة اختبار Mi​niMax عبر الألمانية والإسبانية والفرنسية والكورية واليابانية. ينتج Ming-3.0-tts-0.5B كلمات أكثر دقة في أربع من اللغات الخمس. وينتج VoxCPM2 صوتًا أكثر مطابقة في اللغات الخمس جميعها. هذا النمط الواحد — دقة المحتوى لنقطة التحقق 0.5B، وتشابه المتحدث لنقطة التحقق 2B — هو أكثر ما نشره أي شخص فائدةً عن هذه المواجهة، وهو جدول البائع نفسه، لذا فهو أيضًا أكثر ما يحتاج إلى تحفظ. تفوز Ant بمعدل الخطأ الذي اختارت نشره وتخسر درجة التشابه في الصفحة نفسها. إن الإخفاقات الموثقة للذكاء الاصطناعي وحوادث الوكلاء وراء إصدارات كهذا الإصدار مجمعة في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وإشارة كونه محل نزاع.

كلا النموذجين مفتوح الأوزان، وكلاهما يسمح بالاستخدام التجاري، وكلاهما تشغّله أنت بدلاً من استدعائه كخدمة. Ming-3.0-tts-0.5B هو نموذج كثيف مرخّص بموجب MIT من Ant Group، قائم على هيكل Qwen2.5-0.5B مع رأس محوّل انتشار، نُشر على Hugging Face في 24 سبتمبر 2026، ولحق به كود الاستدلال على GitHub في 19 أكتوبر 2026، دون أي إعلان من المورّد لأيّ منهما. أما VoxCPM2 فهو نقطة تحقق بترخيص Apache-2.0 من OpenBMB تعود إلى أبريل 2026، وهو نموذج انتشاري-انحداري بحجم 2B بلا مُرمّز رموز على هيكل MiniCPM-4. كل ما يلي متفرّع عن ذلك الفارق في الحجم والترخيص، وعن حقيقة أن أحدهما لديه نتيجة مستقلة في الساحة والآخر ليس لديه.

ما الذي يقوله جدول Ant نفسه في الواقع

تُبلغ مجموعة اختبار Mi​niMax متعددة اللغات عن خطأ في المحتوى — معدل خطأ الكلمات للألمانية والإسبانية والفرنسية، ومعدل خطأ الأحرف للكورية واليابانية — إلى جانب جيب تمام تشابه المتحدث. انخفاض الخطأ أفضل؛ وارتفاع التشابه أفضل. أجرت Ant الاختبار على كلا النموذجين بنفسها. لم يُعِد أحد هنا إنتاج أي شيء من قبل طرف ثالث، ولم ينشر القائمون على VoxCPM2 جدول تفنيد استطعنا العثور عليه.

• الألمانية — Ming-3.0-tts-0.5B خطأ 0.365، تشابه 0.753؛ VoxCPM2 خطأ 0.963، تشابه 0.790.

• الإسبانية — Ming 1.099، التشابه 0.763؛ VoxCPM2 1.324، التشابه 0.836.

• الفرنسية — Ming 4.264، التشابه 0.675؛ VoxCPM2 3.380، التشابه 0.761. هذه هي اللغة الوحيدة التي ينقلب فيها ترتيب الأخطاء.

• الكورية — Ming 1.728، التشابه 0.793؛ VoxCPM2 3.547، التشابه 0.839.

• اليابانية — Ming 3.765، التشابه 0.765؛ VoxCPM2 4.358، التشابه 0.825.

ثمة أمران جديران بالملاحظة قبل أن يُنسب الفضل إلى أيٍّ من النموذجين. أولاً، الفجوة الخاصة بالألمانية كبيرة — 0.365 مقابل 0.963 — في حين أن الفجوتين الخاصة بالكورية واليابانية أصغر، ونتيجة الفرنسية تسير في الاتجاه المعاكس، لذا فإن «أكثر دقة» ادعاء يخص كل لغة على حدة، وليس ادعاءً عاماً. ثانياً، معدلات الخطأ الفرنسية مرتفعة بالنسبة إلى كل نموذج في ذلك الجدول؛ إذ يسجل منافس مذكور إلى جانبها 19.878 هناك. إن لغة تتجمع فيها كل الساحة عند أرقام سيئة هي لغة تكون فيها مجموعة الاختبار، لا النماذج، هي التي تقوم ببعض العمل. تعامل مع الفرنسية على أنها غير حاسمة بدلاً من اعتبارها فوزاً لـ VoxCPM2.

لماذا يُعدّ عمود التشابه هو الذي يجب قراءته مرتين

يقيس تشابه المتحدث ما إذا كان الصوت الناتج يبدو مثل الصوت المرجعي. وهو المقياس الذي يفصل العرض التجريبي عن المنتج: فالصوت المستنسخ الذي ينحرف يُخرج المستمع من المشهد حتى عندما تكون كل كلمة صحيحة، ولن تخبرك أي درجة لاحقة للتعرف الآلي على الكلام بأن ذلك قد حدث.

يخسر Ming في اللغات الخمس كلها، بفوارق تتراوح بين 0.037 (الإسبانية) و0.086 (الفرنسية). هذه مسافات جيب تمام على مقياس محدود، لذا فإن الفجوات متواضعة لكنها متسقة، وكونها متسقة عبر خمس لغات أصعب في التخلص منه بالتفسير من صف سيئ واحد. التفسير الصريح موجود في بطاقة Ant نفسها، التي تنص بوضوح على أن تشابه المتحدث يتخلف عن دقة المحتوى. فقد ضُبط النموذج نحو إتقان الكلمات.

هناك سبب ثانٍ وأكثر تحديدًا لتوقّع ذلك، وهو سبب معماري. فـ VoxCPM2 يفكّ الترميز عند 48 kHz عبر مرحلة تحسين دقة فائقة مدمجة في مُرمّز AudioVAE V2 الخاص به، ويقبل مقطعًا مرجعيًا بتردد 16 kHz مع إنتاجه خرجًا بتردد 48 kHz. أما Ming-3.0-tts-0.5B فيعمل عند 44.1 kHz. معدل العينات ليس تشابهًا — فالمعدل الأعلى لا يجعل الصوت أكثر وفاءً — لكن خط معالجة VoxCPM2 مبني صراحةً حول الحفاظ على طابع الصوت المرجعي عبر خطوة إعادة أخذ العينات، وهذا خيار تصميمي لا يتخذه نموذج بحجم 0.5B مع مشفّر متحدث مضمّن.

إذن فالقراءة الصادقة ليست أن "‏VoxCPM2 يستنسخ بشكل أفضل لأنه أكبر حجمًا"، بل إن النموذجين يحسّنان نصفين مختلفين من الهدف نفسه، وجدول المورّد يُظهر كلًّا منهما وهو يفوز في نصفه الخاص.

اقتطاع الصوت: واجهتا API، وفلسفتان

كلاهما يستنسخ بأسلوب zero-shot من مقطع قصير. تختلف الآليات بما يكفي ليؤثر إذا كنت تكتب التكامل.

• Ming-3.0-tts-0.5B — نقطة إدخال واحدة، ومعامل مهمة. MingTTS("inclusionAI/Ming-3.0-tts-0.5B")، ثم synthesize(task=...)باستخدام prompt_wav_path، prompt_text وuse_spk_emb. تشمل المهام TTS وVOICE_DESIGN وMULTILINGUAL وDIALECT وEMOTION وFREEFORM وIP. تضم نقطة التحقق العمود الفقري ورأس DiT ومُرمِّز الصوت ومُرمِّز المتحدث Campplus، لذا فإن الاستنساخ مهمة من الدرجة الأولى بدلاً من أن يكون خط أنابيب منفصلاً.

• VoxCPM2 — pip install voxcpm، ثم VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). تصميم الصوت هو بادئة بين قوسين على النص نفسه، "(description)text"، مع cfg_value=2.0 وinference_timesteps=10 كنقاط بداية موثّقة.

النتيجة هي أن سطح التحكم في Ming مُهيكل، بينما سطح VoxCPM2 نصّي. يمنحك Ming مهامًا مسماة مع حالات استبعاد متبادل موثّقة — لا يمكن الجمع بين FREEFORM وتصميم الصوت أو صوت مدمج أو العاطفة أو اللهجة أو عناصر التحكم في السمات، وتتطلب المهمة متعددة اللغات إدخالًا صريحًا language_id للغات الخمس غير الصينية. هذا يعني تعلّمًا أكثر وتخمينًا أقل. سلسلة VoxCPM2 الواحدة أسرع في التجربة وأصعب في جعلها حتمية؛ وتنصح بطاقة OpenBMB الخاصة بها بتوليد من مرشح واحد إلى ثلاثة مرشحين لأن تصميم الصوت والأسلوب يتغيران بين التشغيلات.

إذا كنت تبني واجهة مستخدم يتيح فيها للمنتج اختيار صوت من قائمة، فإن أكثر من 100 صوت صيني مدمج وخمسة أصوات إنجليزية مدمجة في Ming تشكّل قائمة يمكنك عرضها. ولا يمتلك VoxCPM2 قائمة مكافئة — إذ تُصمَّم أصواته أو تُستنسخ، ولا تُعدَّد.

اللغات واللهجات والطبقة شبه اللغوية

• عدد اللغات — يغطي Ming-3.0-tts-0.5B الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، إضافةً إلى السيشوانية والكانتونية بوصفهما مهمّتي لهجة منفصلتين. وتزعم VoxCPM2 تغطية 30 لغة. وقد اختبرت Ant خمس لغات غير صينية؛ ولا تنشر OpenBMB أي جدول أخطاء لكل لغة يمكننا التحقق منه، لذا فإن الـ30 ادعاء تغطية دون ادعاء جودة مرفق به.

• اللهجات — يعرض Ming اللهجة السيتشوانية والكانتونية كمهمة دون وسيط لغة. قائمة VoxCPM2 التي تضم 30 لغة ليست مفصّلة حسب اللهجة في المواد التي اطّلعنا عليها، واعتبار التنويعات الإقليمية مشمولة لأن اللغة مشمولة هو الخطأ الذي توجد هذه النقطة لمنعه.

• تحكم مضمّن — يوفّر Ming 14 وسمًا للتنفس والسعال والتنهد والضحك والتردد والمفاجأة والأسئلة، بالصينية أو الإنجليزية، إضافةً إلى تحكم صريح في المشاعر والسرعة وحدّة الصوت ومستوى الصوت. لا يملك VoxCPM2 أي مفردات وسوم؛ إذ يتمثل التحكم فيه في بادئة وصف باللغة الطبيعية.

• نقطة ضعف، باعتراف Ant نفسها — الجمل متعددة الأحداث ذات العناصر ما وراء اللغوية غير مستقرة، ويتدهور التحكم في المشاعر عندما لا يحمل النص أي إشارة عاطفية، ولا يضاهي تصميم الصوت المفتوح النهاية أقوى نظام قيّمته Ant مقارنةً به. وهذا الأخير وصف منصف للفجوة تجاه صوت رائد مستضاف، وينطبق على VoxCPM2 أيضًا.

التقسيم العملي: اختر Ming إذا كان نصّك يحتاج إلى ضحكة أو تنهيدة أو وقفة تردّد في منتصف الجملة. اختر VoxCPM2 إذا كان نصّك يحتاج إلى لغة لا يغطّيها Ming، أو إلى صوت مصمَّم من وصف مكتوب بدلًا من إعداد مسبق مسمّى.

تشغيلها: 8 جيجابايت مقابل دبوس CUDA

• Ming-3.0-tts-0.5B — تم اختباره على NVIDIA H800-80GB وH20-96G مع CUDA 12.4. Flash-attention اختياري مع بديل SDPA. يحتاج تطبيع النص إلى pynini==2.1.6، أو أن تمرر --no_text_normalization وتقبل تمرير الأرقام والاختصارات الخام إلى النموذج. PyTorch 2.6 هو البيئة المرجعية. معدل عينات الخرج 44.1 kHz.

• VoxCPM2 — نحو 8 غيغابايت من VRAM بصيغة bf16 للتطوير، وذروة تبلغ نحو 22 غيغابايت على بطاقة بسعة 24 غيغابايت، ويتطلب Python 3.10 أو أحدث، وPyTorch 2.5.0 أو أحدث، وCUDA 12.0 أو أحدث. معامل الزمن الحقيقي الموثّق هو نحو 0.30 على RTX 4090 في PyTorch العادي ونحو 0.13 مع Nano-VLLM — أي أسرع بنحو مرتين إلى ثلاث مرات من الزمن الحقيقي، أو ثماني مرات مع طبقة تقديم الخدمة.

يصف هذان الفقرتان بعد ظهريْن هندسييْن مختلفيْن جذريًا. حزمة Ming هي الأحدث والأكثر هشاشة: مكتبة FST مثبّتة على إصدار محدد، ونواة اختيارية، وبيئة مرجعية مثبّتة على بناء CUDA محدد. صدر VoxCPM2 منذ أبريل، وقد استوعب ستة أشهر من تقارير التركيب الواردة من المجتمع. ميزة النضج تلك حقيقية، لكنها مؤقتة — فقد نُشر كود الاستدلال الخاص بـ Ming في اليوم الذي كُتب فيه هذا النص، واكتسب المستودع ملاحظة دعمه لـ vLLM-Omni في commit توثيقي في ظهيرة اليوم نفسه.

لا يقدّم أيٌّ من النموذجين مزوّد استدلال مستضاف تمكّنا من تحديده، وهذا ليس ثغرة في هذه المقارنة بقدر ما هو فرضها المسبق: فكلاهما نقاط تفتيش تقوم بتنزيلها. لكنه يعني أن الأدلة المستقلة غير متوازنة. لدى Ming-3.0-tts-0.5B صف في Artificial Analysis على كلٍّ من لوحتي الصوت — 1,188 نقطة Elo على Provider Voice (الفاصل 1,173–1,203، ونطاق الترتيب 17–23، وهو الصف التاسع عشر في القائمة التي التقطناها في 19 أكتوبر 2026) و1,069 على Controlled Voice (1,053–1,085، ونطاق الترتيب 10–18، والصف الثالث عشر في اليوم نفسه). ولا يوجد لـ VoxCPM2 أي صف على أيٍّ من اللوحتين وفق أحدث عمليات الالتقاط لدينا، وقد ظل هذا الغياب ثابتًا منذ أبريل plutôt من كونه إغفالًا حديثًا. لذا فإن الرقم المستقل الوحيد في هذا المقال يعود إلى Ming، وهو رقم محترم؛ ولا يملك VoxCPM2 ما يواجهه به، ولا يمكن لأي مقال أمين أن يختلق نتيجة Elo وجهاً لوجه لم يقسها أحد.

الترخيص والضبط الدقيق والسؤال الذي لا يطرحه أحد

كلا الترخيصين يسمح بالاستخدام التجاري. Ming بترخيص MIT، وهو من أكثر التراخيص تسامحًا ويشترط الإسناد فقط. VoxCPM2 بترخيص Apache 2.0، الذي يضيف منحًا صريحًا للبراءات واستثناءً للعلامات التجارية. بالنسبة لمعظم الفرق، الفرق إداري أكثر منه قانونيًا، وكلاهما إجابة واضحة على استبيان المشتريات، في حين أن الترخيص غير التجاري ليس كذلك.

التباين الحقيقي هو الضبط الدقيق. يوثّق VoxCPM2 الضبط الدقيق الخاضع للإشراف الكامل وLoRA على خمس إلى عشر دقائق من الصوت، ما يعني أنك تستطيع توجيه النموذج نحو متحدث أو أسلوب معين باستخدام مجموعة بيانات صغيرة وبطاقة GPU واحدة. أما Ming-3.0-tts-0.5B فلا يتضمن أي وصفة للضبط الدقيق، ولا سكربت تدريب، ولا مسار LoRA في الإصدار الذي اطّلعنا عليه. إذا كان منتجك يحتاج إلى نموذج يخصّك أنت بدلاً من نموذج توجّهه بالمطالبات، فليست هذه فجوة في القياس المرجعي، بل فجوة في القدرات، وهي التي تحسم الاختيار قبل الرجوع إلى أي رقم Elo.

إجابة Ming عن الحاجة نفسها هي تصميم الصوت إلى جانب الاستنساخ: صِف الصوت، أو قدّم مقطعًا صوتيًا. يغطي ذلك معظم احتياجات الإنتاج، ولا يغطي أيًا من الاحتياجات التي تتضمن التدريب على صوت مملوك على نطاق واسع.

أين تستحق طبقة التوجيه وجودها هنا

لا تستضيف OrcaRouter نموذج Ming-3.0-tts-0.5B أو VoxCPM2. ولا يمكننا تزويدك بنقطة نهاية لأي منهما، ولن يدّعي هذا المقال غير ذلك. ما يصل إليه الموجّه فعلاً في خط أنابيب الكلام هو كل ما يسبق الموجة الصوتية: النموذج الذي يصوغ النص، ويوسّع الاختصارات، ويقرر أين توضع علامة الضحك، ويعيد كتابة الجملة التي خرجت في 3.8 ثانية بينما كانت الخانة 3.2. تلك استدعاءات نصية، ونوجّه أكثر من 200 نموذج نصي خلف مفتاح واحد بسعر القائمة لدى المزوّد دون إضافة أي هامش ربح — لذا عندما يخفض أحد المزوّدين السعر، يصبح التخفيض فعّالاً لدينا في اليوم نفسه لا عند إعادة التسعير التالية. ويحافظ التبديل التلقائي عند الفشل على استمرار ذلك النصف من خط الأنابيب في الاستجابة، بينما نصف الصوت عبارة عن تنزيل تشغّله بنفسك.

هذا هو الحد الصادق. فالموجّه أداة خاطئة لنقطة تفتيش تشغّلها على وحدة معالجة الرسومات الخاصة بك، وهو الأداة الصحيحة للنماذج التي تقرر ما يُطلب من نقطة التفتيش أن تقوله.

الاختيار، دون لوحة صدارة نختبئ خلفها

اختر Ming-3.0-tts-0.5B إذا كان محتواك متعدد اللغات وكانت دقة الكلمات هي المقياس الذي يتجادل حوله أصحاب المصلحة لديك، أو إذا كنت بحاجة إلى تغطية صوتية تعطي الأولوية للصينية مع إعدادات مسبقة مسمّاة، أو إذا كانت الوسوم العاطفية المضمّنة جزءًا من تنسيق النص، أو إذا أردت نقطة حفظ MIT بحجم 2.96 GB تناسب بأريحية الأجهزة المتواضعة، أو إذا كان عدد المعلمات البالغ 0.5B هو الفرق بين تكلفة وحدة مجدية وتكلفة غير مجدية. كن على علم مسبقًا بأن الصوت سيكون أقل وفاءً للمرجع قليلًا من صوت VoxCPM2، وأن شيفرة الاستدلال عمرها ساعات فقط، وأنه لا يوجد مسار للضبط الدقيق.

اختر VoxCPM2 إذا كانت هوية الصوت هي المنتج — الدبلجة، وأداء الشخصيات، وأي شيء سيلاحظ فيه المستمع انحراف النسخة المستنسخة — أو إذا كنت تحتاج إحدى اللغات التي لا يغطيها Ming، أو إذا كنت تنوي الضبط الدقيق على تسجيلاتك الصوتية الخاصة، أو إذا كنت تريد منظومة ظلت قابلة للتثبيت دون مفاجآت منذ أبريل.

عامل الحسم زهيد التكلفة، ولا يغني عنه أي من الأرقام أعلاه. خذ مئة جملة من نصك أنت، ومقطعًا مرجعيًا واحدًا، وشغّل كلا النموذجين. قيّم الكلمات باستخدام نموذج ASR، وقيّم الصوت بمقياس جيب التمام نفسه الذي استخدمه Ant. ستحصل على إجابة لكل لغة في غضون بعد ظهر واحد، على محتواك، وبلكناتك — وهذا أكثر مما يمكن أن يقدمه لك جدول مورّد مبني على مجموعة اختبار عامة، وأكثر بكثير من لوحة صدارة لا تدرج سوى أحد النموذجين.