Ming-3.0-tts-0.5B مقابل Voxtral 4B TTS: أحد هذه الأوزان ليس للبيع

اقرأ الترخيص قبل المعيار، لأن الترخيص في هذه المقارنة الثنائية يحسم الجدل أولًا. Ming-3.0-tts-0.5B مرخّص بموجب MIT — نزّله، واضبطه الدقيق، واشحنه داخل منتج تجاري، وانسب العمل إلى Ant Group وامضِ قدمًا. Voxtral 4B TT​S مرخّص بموجب CC BY-NC 4.0، وهو ترخيص موروث من مجموعات بيانات الأصوات المرجعية التي تقف خلفه، ما يعني أن أوزان Mistral AI غير مرخّصة للاستخدام التجاري على الإطلاق. المسار التجاري لـ Voxtral هو واجهة API بتكلفة 0.016 دولار لكل ألف حرف. لذا فالسؤال الحقيقي ليس أي النموذجين يبدو أفضل صوتًا. بل ما إذا كنت تشتري صوتًا تديره أنت أم تستأجر صوتًا تستدعيه، وواحد فقط من نقطتَي التحقق هاتين يتيح لك الاختيار. تُجمَّع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة المرتبطة بإصدارات كهذا الإصدار في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي حيث يحمل كل مدخل مصادره الخاصة ودرجة الخطورة ودرجة الثقة وعلامة كونه محلّ نزاع.

يبدو هذا التأطير وكأنه يسهّل المقارنة، لكنه لا يفعل ذلك، لأن النموذجين بارعان في أشياء مختلفة، ولأن النموذج المستضاف يأتي بما لا يستطيع النموذج المفتوح تقديمه: منحنى منشور للكمون والإنتاجية، جرى تشغيله على بنية تحتية حقيقية للخدمة، وعند ثلاثة مستويات من التزامن. نُشر Ming-3.0-tts-0.5B على Hugging Face في 24 سبتمبر 2026، ونُشر كود الاستدلال الخاص به على GitHub في 19 أكتوبر 2026، من دون أي إعلان من Ant Group عن أيٍّ منهما — عمر النموذج 19 يومًا كأثر منشور، وساعات فقط كشيء يمكن تشغيله فعليًا. أعلنت Mistral عن Voxtral 4B TTS في مارس 2026، وقد أتيح له سبعة أشهر ليُقاس. وفي ما يلي: الترخيص، وشكل النشر، والأرقام التي يمكن لكل طرف أن يدّعيها بصدق، والأسئلة التي لم يجب عنها أي من البائعين.

ترخيصان لا يمثّلان تنويعين على فكرة واحدة

• Ming-3.0-tts-0.5B — MIT. يُسمح بالاستخدام التجاري والتعديل وإعادة التوزيع والضبط الدقيق، مع الإسناد. نقطة تحقق بحجم 2.96 GB يمكنك وضعها في صورة حاوية، وتشغيلها على المسرّع الخاص بك، وشحنها إلى عميل دون طلب إذن من أي شخص.

• Voxtral 4B TT​S — CC BY-NC 4.0. غير تجاري. تنص بطاقة Mistral صراحةً على أن النموذج يرث ترخيص أصواته المرجعية، المستمدة من مصادر تشمل EARS وCML-TTS وIndicVoices-R ومجموعة صوتية عربية طبيعية. تنزيل الأوزان يعمل بلا مشكلة؛ الترخيص هو القيد، وليس الملف.

الفرق الذي يخطئ فيه الناس هو أن واجهة API ليست خاضعة للقيد نفسه. فاستدعاء Voxtral عبر خدمة Mistral معاملة تجارية مع المورّد، وسعرها 0.016 دولار لكل ألف حرف. أما استضافته ذاتيًا داخل منتج مدفوع فهو فعل مختلف، وهو الفعل الذي يمنعه الترخيص. إذا كان نشرك يجب أن يكون على الخوادم المحلية — بسبب إقامة البيانات، أو الاستدلال المعزول عن الشبكة، أو عميل لا يوافق على نقطة نهاية تابعة لطرف ثالث — فإن Voxtral 4B TT​S ليس خيارًا بأي سعر، بينما Ming-3.0-tts-0.5B متاح دون قيد أو شرط.

هذا حدّ صارم، ويستحق فصله عن الحد الأقل صرامة. فالرخصة غير التجارية لا تزال تسمح بالتقييم والبحث والتجريب الداخلي، لذا فطريقة القراءة المعقولة لهذا الجدول هي أن Voxtral خدمة يمكنك اختبارها مجانًا، بينما Ming منتج يمكنك امتلاكه ملكيةً كاملة.

ما الذي يحققه نصف مليار معامل، وما الذي لا يحققه

• الحجم والبنية — Ming-3.0-tts-0.5B هو نموذج كثيف بحجم 0.5B على هيكل Qwen2.5-0.5B الأساسي مع رأس محوّل انتشار، وتتضمن نقطة التحقق الخاصة به مُرمِّز الصوت ومُرمِّز المتحدث. Voxtral 4B TT​S هو نحو 4 مليارات معلمة، يُقدَّم عبر vLLM-Omni، ومبني على أساس Ministral-3-3B من Mistral.

• الإخراج — Ming بمعدل 44.1 kHz؛ وVoxtral بمعدل 24 kHz بصيغ WAV أو PCM أو FLAC أو MP3 أو AAC أو Opus. إن نسخة رئيسية بمعدل 44.1 kHz هي الفرق بين ملف يمكنك تسليمه إلى محرر فيديو وملف يلزم إعادة أخذ عينات منه أولًا، وهي أكثر أهمية في الدبلجة والبثّ مما هي في وكيل هاتفي.

• الأوضاع — يوفّر Ming مهامّ مُسمّاة (TTS، FREEFORM، VOICE_DESIGN، MULTILINGUAL، BASIC، EMOTION، DIALECT، IP) مع استثناءات متبادلة موثّقة. أمّا Voxtral فيدعم البثّ والمعالجة بالدفعات، دون نشر تصنيف مكافئ للمهامّ.

• الأصوات — توفّر Ming أكثر من 100 صوت صيني مدمج وخمسة أصوات إنجليزية مدمجة، إضافة إلى الاستنساخ بدون تدريب من مقطع قصير وتصميم الصوت من وصف باللغة الطبيعية. وتوفّر Voxtral 20 صوتًا معَدًّا مسبقًا وتتكيّف مع مقطع مرجعي قصير يصل إلى ثلاث ثوانٍ. عشرون قائمة منسّقة؛ ومئة قائمة ممثلين. ويعتمد ما تريده على ما إذا كنت تبني منتجًا بصوت واحد أو أداة تتيح لآخرين اختيار صوت.

• السمات شبه اللغوية — تغطي الوسوم المضمّنة الأربعة عشر في Ming التنفس والسعال والتنهد والضحك والتردد والمفاجأة والأسئلة، إضافة إلى عناصر تحكم صريحة في العاطفة والسرعة وطبقة الصوت ومستوى الصوت. ولا تنشر Mistral أي مفردات وسوم خاصة بـ Voxtral. وغياب التوثيق ليس غيابًا للقدرة، وليس دليلًا عليها أيضًا.

عدد المعاملات البالغ 0.5B هو الجزء الذي يُساء فهمه. فـMing ليس نسخة أصغر من Voxtral؛ بل تصميم مختلف، يراهن على أن عمودًا فقريًا مدمجًا مع مشفّر متحدثين مرفق ومُرمّز رموز يكفي للكلام القابل للتحكم، ويستثمر قدرته في التحكم لا في الحجم. وفي تقييم Ant متعدد اللغات الخاص بها، يتفوق على VoxCPM2 في دقة المحتوى في أربع من خمس لغات، بينما يخسر تشابه المتحدث في الخمس جميعًا — وهو ما يبدو عليه نموذج مُعايَر للكلمات على حساب الجرس، على بطاقة تقييم.

الرقم الوحيد الذي يملكه Voxtral ولا يملكه Ming

نشرت Mistral معيارًا مرجعيًا لخدمة النماذج، وهو أكثر عنصر مفيد في أيٍّ من الإصدارين لمن يخطط للقدرة الاستيعابية. على وحدة H200 واحدة تعمل بـ vLLM-Omni 0.18.0، مع إدخال من 500 حرف ومرجع صوتي مدته عشر ثوانٍ:

• التزامن 1 — زمن استجابة 70 مللي ثانية، معامل الزمن الحقيقي 0.103، حوالي 119 حرفًا في الثانية من زمن GPU.

• التزامن 16 — 331 مللي ثانية، RTF 0.237، حوالي 879 حرفًا في الثانية.

• التزامن 32 — 552 مللي ثانية، وRTF 0.237 مُرحّل، بنحو 1,431 حرفًا في الثانية.

تلك خطة سعة في ثلاثة أسطر: يبقى زمن الاستجابة دون الثانية إلى ما يتجاوز بكثير مستوى التزامن الذي تبلغه معظم منتجات الصوت فعليًا، وتزداد الإنتاجية بنحو اثني عشر ضعفًا عند الانتقال من تدفق واحد إلى اثنين وثلاثين تدفقًا. وهو أداة الاختبار الخاصة بـ Mistral، غير مُعاد إنتاجها، ويفترض البيئة المرجعية — لكنه إطار يمكنك تقدير حجم نشرٍ ما على أساسه.

الرقم المكافئ لـ Ming مستقل وليس مُبلَّغًا عنه من المورّد، وهو يقيس شيئًا مختلفًا قليلًا. تسجّل Artificial Analysis قيمة Ming-3.0-tts عند 42.1 حرفًا في الثانية من زمن التوليد على أداة الاختبار الخاصة بها، طلبًا واحدًا في كل مرة. وهذا يعادل نحو ثلث معدل المسار الواحد لـ Voxtral وفق طريقة مختلفة على عتاد مختلف، والقول الصادق هو أن الرقمين غير قابلين للمقارنة المباشرة: أحدهما إنتاجية Mistral عند مستوى تزامن مختار على H200، والآخر قياس طرف ثالث لمسار واحد على عتاد غير معلن. وما يمكن قوله هو أن كليهما سريع بما يكفي للكلام التفاعلي، ولا يشكّل أي منهما قيدًا متعلقًا بالزمن الحقيقي.

فرق الإنتاجية الذي يهم فعلًا مرتبط بالترخيص. منحنى Voxtral سبب لاستدعاء API بدلًا من البناء حول الأوزان — ف هندسة الخدمة جاهزة بالفعل، وتدفع لكل حرف بدلًا من لكل ساعة GPU. ومعدل Ming سبب لحساب نقطة التعادل الخاصة بك، لأنه عند 42.1 حرفًا في الثانية يكون مليون حرف نحو 6.6 ساعات من التوليد، وما إذا كان ذلك رخيصًا يعتمد كليًا على تكلفة مسرّعك عندما يكون خاملًا في غير ذلك.

تسع لغات مقابل سبع، ولا تشكّل أي من القائمتين ادعاءً بالجودة.

• Ming-3.0-tts-0.5B — الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، مع السيتشوانية والكانتونية كمهمتَي لهجة منفصلتين، واشتراط مُعرِّف لغة صريح للغات الخمس غير الصينية.

• Voxtral 4B TTS — الإنجليزية والفرنسية والإسبانية والألمانية والإيطالية والبرتغالية والهولندية والهندية والعربية. تصف البطاقة «لهجات متنوعة» ضمن هذا الدعم دون تعدادها.

التداخل هو خمس لغات: الإنجليزية والفرنسية والإسبانية والألمانية وواحدة من الكورية أو اليابانية حسب كيفية احتسابك للتغطية الإقليمية. يغطي كل نموذج شيئًا لا يغطيه الآخر — الإيطالية والبرتغالية والهولندية والهندية والعربية في جانب Voxtral؛ والكورية واليابانية والسيتشوانية والكانتونية في جانب Ming. إذا كانت خارطة طريقك تتضمن العربية أو الهندية، فالقرار يُحسم قبل قراءة أول اختبار أداء.

ما لا ينشره أيٌّ من المورّدين هو الجودة لكل لغة. لا تقدّم Mistral أي معدّل خطأ لأيٍّ من لغاتها التسع. اختبرت Ant خمس لغات غير صينية على مجموعة MiniMax ونشرت أرقامًا، لكنها أرقام أداة الاختبار الخاصة بـAnt مقابل منافسين اختارتهم Ant بنفسها، وهي لا تقول شيئًا عن الكورية أو اليابانية مقابل Voxtral لأن Voxtral لم يكن في الجدول. لذا فإن مقارنة اللغات هنا تتعلق بالتغطية لا بالكفاءة، وأي مقال يقدّمها على أنها كفاءة إنما يخمّن.

اللوحة التي تضم كليهما، نوعًا ما

يظهر كلا الطرازين على لوحات الصدارة الخاصة بالكلام لدى Artificial Analysis، لكن ليس في تاريخ التقاط واحد ولا ضمن نفس مجموعة المنافسين المحيطة، لذا اعتبر هذا توجيهًا أوليًا وليس نتيجة مواجهة مباشرة.

• Ming-3.0-tts-0.5B — صوت المزوّد 1,188 إيلو (الفاصل 1,173–1,203، نطاق الترتيب 17–23، الصف التاسع عشر في القائمة)؛ الصوت المُتحكَّم به 1,069 (1,053–1,085، نطاق الترتيب 10–18، الصف الثالث عشر). كلا اللقطتين من 19 أكتوبر 2026، وهو اليوم الذي رُفع فيه كود الاستدلال الخاص به.

• Voxtral 4B TTS — صوت مضبوط 1,005 Elo، نطاق الترتيب 24–30، الصف السادس والعشرون من التقاط 19 أكتوبر نفسه. لم يكن موضع صوت المزوّد الخاص به ضمن المواد التي أمكننا التحقق منها.

لوحة Controlled Voice هي الجديرة بالثقة، لأن كل نموذج عليها يستنسخ الأصوات المرجعية الثابتة نفسها، وعندها تتوقف تشكيلة الأصوات عن كونها عاملًا مُشوِّشًا. وفي اللقطة أعلاه، تفصل 64 نقطة بين 1,069 لـ Ming و1,005 لـ Voxtral، ومع تداخل نطاقات الترتيب فإن الاستنتاج الأمين هو أن Ming يسجّل أعلى في قياس أُجري لاحقًا مقابل مجال أكبر. لا تقرأ ذلك على أنه فوز محسوم بـ64 نقطة. بل اقرأه كدليل على أن نقطة تحقق مفتوحة بحجم 0.5B ليست خارج مستواها بجوار نموذج مورّد بحجم 4B في وفاء الصوت، وهذا هو الجزء المفاجئ.

ما الذي يكلّفك إياه خط أنابيب Ming المستضاف ذاتيًا فعليًا على صعيد الهندسة

اعتماد Ming ليس مجرد تنزيل واستدعاء دالة. البيئة المرجعية مثبّتة بإصدار محدّد: PyTorch 2.6 مع CUDA 12.4، تم اختبارها على H800-80GB وH20-96G، وflash-attention اختيارية مع بديل SDPA. يحتاج تطبيع النص إلى pynini 2.1.6 — وهي مكتبة سمعتها أنها صعبة التثبيت — أو أن تمرّر مفتاحًا يعطّل التطبيع وتقبل بأن تصل الأرقام والعملات والاختصارات إلى النموذج خامًا.

تلك هي التكاليف التي لا تظهر أبدًا في جدول مقارنة وتظهر دائمًا في سبرنت. تكاليف Voxtral المكافئة مخفية داخل سعر API: شخص آخر ثبّت البيئة، وشخص آخر يتولى التزامن، والمقايضة هي أنك لا تستطيع تغيير طاقم الأصوات بما يتجاوز التكيّف من مقطع مرجعي، ولا تستطيع وضع النموذج على جهاز تتحكم فيه لأغراض تجارية.

كما يجب أن يُقيَّم نضج Ming بصدق. فقد نُشر مستودع GitHub في 19 أكتوبر 2026، حاملًا أول commit شيفرة الاستدلال، وملف Dockerfile، وأمثلة بنقرة واحدة، وكتاب وصفات للمهام، مع توارد commits التوثيق حتى ظهيرة ذلك اليوم — ومن بينها واحد أشار إلى دعم vLLM-Omni. وvLLM-Omni هو حزمة الخدمة نفسها التي استخدمتها Mistral لمعيار Voxtral، وهو تزامن مفيد: فالمسار إلى النشر الإنتاجي لـ Ming هو المسار الذي وثّقته Voxtral بالفعل، على طبقة أدنى.

أين يندرج التوجيه، والجزء الذي لا يمسّه

لا يقدّم OrcaRouter النموذج Ming-3.0-tts-0.5B؛ فهو نقطة تحقق تشغّلها بنفسك. أما Voxtral 4B TTS فهو متاح عبر واجهة برمجة التطبيقات الخاصة بـ Mistral، ولا يدّعي هذا الجزء أننا نوجّهه. ما يصل إليه الموجّه في أي من المعماريتين هو النص المحيط بالصوت — السيناريو، وقرارات الوسوم الشبيهة بـ SSML، وخطوة الترجمة التي تحوّل سيناريو رئيسياً واحداً إلى تسع لغات قبل التركيب الصوتي، والملخّص الذي يختصر مقطعاً ليلائم فتحة زمنية. تحدث تلك الاستدعاءات مئات المرات لكل دقيقة صوتية، وهناك تتركّز فعلياً تكلفة خط المعالجة وأنماط فشله.

تلك هي الطبقة التي نُشغّلها: أكثر من 200 نموذج نصي خلف مفتاح واحد بسعر قائمة المزوّد دون إضافة أي هامش ربح بنسبة 0%، بحيث يصل إليك تخفيض سعر المزوّد في اليوم الذي يبدأ فيه سريانه بدلًا من موعد إعادة التسعير التالي؛ وتحويل تلقائي عند الفشل بين المزوّدين، بحيث لا تؤدي فترة تعثّر لدى مزوّد واحد إلى إيقاف توليد السكربت الذي يغذّي الصوت؛ ولغة توجيه DSL لتجميع عدة نماذج في استدعاء واحد عندما تحتاج خطوة الترجمة وإعادة كتابة الأسلوب إلى نماذج مختلفة. أما نموذج الصوت في نهاية السلسلة فهو لك لتختاره، وهذا المقال يدور حول اختياره.

ما لا تخبرك به أيٌّ من البطاقتين

ثلاثة أسئلة تحسم معظم عمليات النشر الفعلية، ولا يجيب أيٌّ من المورّدين عن أيٍّ منها.

• كيف تظل الجودة مستقرة في ظل التزامن؟ تقيس Mistral زمن الاستجابة والإنتاجية عند 32 تدفقًا، لكنها لا تنشر أي فرق في الجودة بين المعالجة الدفعية والبث. ولا يتضمن إصدار Ming أي حديث عن التزامن على الإطلاق — أداة اختبار لطلب واحد، وGPU مرجعية، ولا منحنى إنتاجية لـ vLLM، بل ملاحظة دعم فقط.

• كيف يبدو التوليد الفاشل صوتيًا؟ لا توثّق أي من البطاقتين سلوك الاقتطاع، أو حلقات التكرار، أو ما يحدث عندما يتصادم نصّ من 14 وسمًا مع جملة لا يستطيع النموذج تحليلها. بطاقة Ant صريحة على نحو غير معتاد بشأن نقاط ضعفها — التعدد الحدثي غير المستقر في العناصر شبه اللغوية، والتحكم في المشاعر الذي يتدهور عندما لا تحمل الكلمات أي مشاعر، والتشابه الفرنسي بوصفه أسوأ لغة لديها، وتصميم الصوت المفتوح النهاية الذي لا يضاهي أقوى نظام قُوِّم مقابلَه — لكن قسم القيود ليس تصنيفًا للفشل.

• من سيتولى صيانة هذا بعد عام؟ Mistral شركة لديها خدمة TTS تجارية وحافز واضح لإبقائها محدثة؛ وقد ظلت نقطة التحقق من مارس مستقرة لمدة سبعة أشهر بالفعل. أما Ming-3.0-tts-0.5B فلديه إعجاب واحد وستة تنزيلات ومستودع أُنشئ في اليوم الذي كُتب فيه هذا. وقد تدعمه Ant Group بالفعل — إذ تشمل عائلة Ming أنظمة ASR والصوت والمتغيرات الصغيرة، ما يوحي ببرنامج لا بجهد لمرة واحدة — لكن لا شيء في الإصدار يلتزم بأي شيء.

تلك النقطة الأخيرة هي التي ينبغي موازنتها مقابل ترخيص MIT. فالترخيص المتساهل يضمن لك الحق في استخدام الأوزان إلى الأبد؛ لكنه لا يضمن أن يقوم أي شخص بإصلاح خطأ في كود الاستدلال، ولا يصبح الفرق مرئيًا إلا في الشهر السابع.

القرار، بالترتيب الذي يصل به فعليًا

ابدأ بقيد النشر، لأنه يستبعد أحد الخيارين نهائيًا. إذا كان يتعيّن تشغيل النموذج على بنية تحتية تتحكم بها وكان الناتج يجب أن يكون قابلًا للاستخدام التجاري، فالإجابة هي Ming-3.0-tts-0.5B، وتبقى الأسئلة هندسية: ثبّت البيئة، وثبّت pynini أو اقبل نصًا غير مُطبّع، وخصّص نحو 6.6 ساعة GPU لكل مليون حرف، واقبل أن يكون الصوت أقل وفاءً لمقطع مرجعي بقليل من أفضل بديل مفتوح. وإذا كان على النموذج أن يتحدث العربية أو الهندية أو الإيطالية أو البرتغالية أو الهولندية، فالإجابة هي Voxtral 4B TT​S عبر API، وتبقى الأسئلة تجارية: $0.016 لكل ألف حرف، وعشرون صوتًا، وناتج 24 kHz قد يحتاج إلى إعادة أخذ عينات، ومورّد نشر منحنى الخدمة الذي ستحدد السعة بناءً عليه.

إذا لم يقيّدك أيّ من القيدين، فإنّ العامل الحاسم هو طبيعة منتجك. فخط إنتاج الدبلجة أو البث الذي يحتاج إلى أصوات كثيرة، وتغطية لهجات، وانفعالات مضمّنة يريد طاقم أصوات Ming وإخراجه بتردد 44.1 kHz، وسيدفع ثمن ذلك في العمليات. أما وكيل صوتي أو نظام IVR يحتاج إلى زمن استجابة يمكن توقعه، وبث متدفق، وشخص آخر متاح على الخط، فيريد واجهة Voxtral البرمجية API، وسيدفع ثمن ذلك لكل حرف وفي خسارة طاقم أصوات لا يمكنه تجاوز عشرين صوتًا.

الشيء الوحيد الجدير بالقيام به قبل أي منهما: اكتب قائمة باللغات التي ستطلقها فعليًا خلال الأشهر الاثني عشر المقبلة، وأيها سيسمح فريقك القانوني بمغادرته بنيتك التحتية. هاتان القائمتان تضيّقان الأمر من مقارنة بين نماذج إلى مرشح واحد أسرع من أي رقم Elo، وعلى عكس لوحات الصدارة، فإنهما محدّثتان.