Ming-3.0-tts-tiny مقابل VoxCPM2: نقطتا تفتيش، إحداهما تنشر سرعتها

هذه هي المقارنة الوحيدة في سلسلة Ming-3.0-tts-tiny حيث يمكن فعليًا تشغيل كلا الطرفين، وهذا يغيّر موضوع الجدل. Ming-3.0-tts-tiny، من inclusionAI التابعة لـ Ant Group، نموذج خليط خبراء بعدد 7.9 مليار معامل يُنشّط نحو 1.3 مليار لكل رمز (token)، برخصة MIT، بحجم يقارب 18 GB على القرص، مع ذكر H800 كالبطاقة الموصى بها. VoxCPM2، من OpenBMB، نموذج خالٍ من المُرمِّز بعدد 2 مليار معامل على هيكل MiniCPM-4 الأساسي، برخصة Apache 2.0، بحجم نحو 8 GB عند bfloat16، صدر في أبريل 2026. لا يملك أيٌّ منهما صفًا في لوحة الصدارة. ولا يملك أيٌّ منهما سعرًا مستضافًا. عندما يكون النموذجان قابلين للتنزيل وكلاهما بلا تقييم، تتوقف المقارنة عن كونها مسألة تفضيل وتصبح مسألة حساب: ساعات من الصوت لكل ساعة GPU، والذاكرة لكل عملية، وما إذا كان بإمكانك تخصيص النموذج دون كتابة كود التدريب بنفسك. تُجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة الكامنة وراء إصدارات كهذا الإصدار في أرشيف حوادث الذكاء الاصطناعي OrcaRouter حيث يحمل كل إدخال مصادره الخاصة ودرجة الخطورة ودرجة الثقة وعلامة كونه محل خلاف.

تستحق تواريخ الإصدار أن تُذكر بوضوح لأنها تفسّر فجوة النضج. فـ VoxCPM2 متاح للعموم منذ أبريل، وجمع نحو 847,000 تنزيل في الشهر الماضي، ويشحن سكربتات التدريب إلى جانب الاستدلال. أُنشئ مستودع Ming-3.0-tts-tiny في 22 سبتمبر 2026، ووصلت الأوزان في 24 سبتمبر، ولم يكن الكود اللازم لتشغيلها موجودًا علنًا حتى 19 أكتوبر الساعة 08:58 UTC، عندما وصلت تسع عمليات commit في ظهيرة واحدة. ولم تُعلن Ant عن النموذج. لا يوجد تقرير فني؛ فخارطة الطريق تدرجه كمربع غير محدد، وحُرّرت بطاقة النموذج في 16 أكتوبر تحديدًا لإزالة إشارة إلى تقرير كهذا. لذا فإن أحد هذين مشروع عمره خمسة أشهر ولديه قاعدة مستخدمين، والآخر خط معالجة عمره أسبوع واحد اعتبارًا من كتابة هذه السطور.

الأول منهما ينشر والآخر لا ينشر

تذكر بطاقة VoxCPM2 معامل زمن واقعي يبلغ نحو 0.30 في PyTorch القياسي على RTX 4090، وينخفض إلى نحو 0.13 مع Nano-VLLM. معامل الزمن الواقعي هو ثواني الحوسبة لكل ثانية من الصوت، لذا يعني هذان الرقمان أن ساعة GPU واحدة توفر نحو 3.3 ساعات من الكلام النهائي في الحالة الأولى ونحو 7.7 في الثانية.

Ming-3.0-tts-tiny لا ينشر أي معدل إنتاجية على الإطلاق. لا عامل زمن حقيقي، ولا عدد حروف في الثانية، ولا أي شيء مقاس على بطاقة. ما يقدمه الإصدار فعلاً هو البيئة التي تم التحقق منه فيها — Python 3.10.15، وtorch وtorchaudio 2.7.1 مع CUDA 11.8، وtransformers مثبتة عند 4.46.3، وH800، وسكربت فحص أولي يتحقق من تثبيتك قبل أن تهدر تشغيلاً — إضافة إلى البنية: 8,980,964,372 معاملًا بصيغة BF16، و40,096 بصيغة F32، وحزمة خبراء بإجمالي 7.9B مع نحو 1.3B نشطة لكل توكن.

لا يمكنك استعارة إنتاجية النموذج الشقيق 0.5B لسد الفجوة. فقد قِيس ذلك النموذج عند 42.1 حرفًا في الثانية على منصة اختبار مستقلة، ويشغل 2.96 GB؛ أما النموذج الصغير فينشّط نحو مثلي ونصف عدد المعاملات لكل رمز، ويشغل نحو ستة أضعاف مساحة القرص. ويستعيد التوجيه المتناثر بعض تكلفة الإجمالي الأكبر، وهذا هو المقصد كله من هذه البنية، لكن لم يضع أحد خارج Ant رقمًا يحدد مقدار ذلك.

إجراء حساب التكلفة مع وجود ثغرة فيه

لأن أحد الطرفين ينشر سرعته بينما لا يفعل الآخر، فإن النسخة الصادقة من هذه المقارنة هي نطاق وليس رقمًا. وهذا هو شكلها.

• VoxCPM2 على بطاقة RTX 4090 باستخدام PyTorch — بمعدل RTF قدره 0.30، أي 3.3 ساعات من الصوت لكل ساعة GPU. ويعادل مليون حرف من السرد، بمعدل تقريبي يبلغ 15 حرفًا في الثانية من الكلام، نحو 18.5 ساعة من الصوت النهائي، أو ما يقارب 5.6 ساعات GPU.

• VoxCPM2 على البطاقة نفسها، مع Nano-VLLM — بمعدل 0.13 RTF، أي 7.7 ساعات لكل ساعة GPU، أو نحو 2.4 ساعة GPU لنفس المليون حرف. ويضاعف مكدس الخدمة الإخراج أكثر من الضعف دون المساس بالأوزان.

• Ming-3.0-tts-tiny — غير معروف. عند افتراض 20 حرفًا في الثانية، سيحتاج إلى نحو 14 ساعة من التوليد؛ وعند 10 أحرف في الثانية، نحو 28. لا يمثّل أي من الرقمين قياسًا، وينبغي التعامل مع كليهما كقيم مؤقتة إلى أن ينشر أحدهم قياسًا.

• الذاكرة — يذكر VoxCPM2 نحو 8 GB عند bf16، وهو ما يناسب بطاقة استهلاكية بسعة 24 GB مع مساحة للمعالجة الدفعية. أما Ming-3.0-tts-tiny، فمع 18 GB من الأوزان إضافة إلى التنشيطات ومُفكِّك ترميز الصوت، فإن الهدف المنطقي هو H800 بسعة 80 GB، وليس بطاقة بسعة 24 GB.

• حدّ طول التسلسل — يبلغ VoxCPM2 سقفه الأقصى عند 8,192 رمزًا، وهو قيد حقيقي على الأعمال الطويلة ويستحق أن تتحقق منه مقابل أطول فقرة لديك قبل أن تلتزم. أما Ming-3.0-tts-tiny فلا يعلن عن حدّ مماثل؛ فمساره للأعمال الطويلة هو مهمة البودكاست، التي تتلقى نصًا مكتوبًا بدلًا من عبارة واحدة.

الاستنتاج الذي يظل قائمًا رغم الرقم المفقود يتعلق بالاستغلال لا بالسرعة. فالبطاقة التي تبقى عاطلة تخسر أمام كل API مستضاف بأي سعر كان، أما البطاقة التي تملكها بالفعل وتُبقيها مشغولة فتتفوق من حيث التكلفة الحدية أيًّا كان الخيار الذي تشغّله من هذين. والفارق بين 0.30 و0.13 RTF يعادل معامل 2.3 في التكلفة لكل ساعة صوت، وهو أكبر مما تتوقعه معظم الفرق من تغيير في حزمة الخدمة، وأكبر مما توحي به الفروق في أعداد المعاملات.

الضبط الدقيق هو النقطة التي يتوقف عندها الاثنان عن كونهما قابلين للمقارنة.

توفّر VoxCPM2 توثيقًا لكل من الضبط الدقيق الكامل الخاضع للإشراف وLoRA على خمس إلى عشر دقائق فقط من الصوت، مع سكربت تدريب وإعداد لكل منهما. هذا ليس هامشًا؛ إنه الفرق بين نموذج تستأجر سلوكه ونموذج تملك سلوكه.

إن Ming-3.0-tts-tiny يوثّق الاستدلال، لا التدريب. المستودع كتاب وصفات للمهام — استنساخ الصوت بالبذرة، وتعدد اللغات، والسمات شبه اللغوية، والبودكاست، والسمات الأساسية، والعاطفة، واللهجة، والصيغة الحرة، وتصميم الصوت، ومهمة «ip» — يلتف حول MingTinyTTS.from_pretrained كنقطة دخول واحدة. لا توجد وصفة LoRA، ولا إعداد SFT، ولا أي بيان حول ما إذا كان الضبط الدقيق مدعومًا على الإطلاق. قد يكون ذلك ممكنًا بالفعل؛ فنقطة التحقق هي نقطة تحقق. لكن «ممكنًا» و«موثّقًا بسكريبت عامل» مقداران مختلفان من الهندسة، والثاني هو ما يوفّره VoxCPM2.

بالنسبة إلى صوت علامة تجارية، أو مجال خاضع للتنظيم، أو لغة لا يتعامل معها أي من النموذجين جيدًا بشكل جاهز، فإن هذا هو التفاوت الحاسم. خمس دقائق من الصوت المرجعي وإعدادات مُقدَّمة تساوي أسبوعًا من العمل. أما الهندسة العكسية لمسار تدريب لنموذج متناثر بحجم 7.9B دون أي تطبيق مرجعي، فتساوي ربع سنة.

اللغات واللهجات وما الذي تجلبه «30 لغة»

• Ming-3.0-tts-tiny — الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، بالإضافة إلى السيتشوانية والكانتونية عندما توفّر مقطعًا مرجعيًا باللهجة. المجموع تسعة إذا احتسبت اللهجتين.

• VoxCPM2 — 30 لغة بما في ذلك الكانتونية والسيشوانية، وتشير البطاقة إلى أنه لا حاجة إلى وسم اللغة: تُعطيه نصًا فيستنتج اللغة. هذه ميزة مريحة تنطوي على نمط فشل، إذ إن النص المختلط اللغات سيحلّه النموذج بدلًا منك.

في اللغات المشتركة بينهما، نشر طرف واحد فقط معدلات الخطأ حسب كل لغة، وهو Ant. الألمانية 0.325% خطأ في الأحرف، والإسبانية 0.971%، واليابانية 3.427%، والفرنسية 3.470%، والكورية 6.000%، وكلها على أداة الاختبار الخاصة بـ Ant، وكلها غير مُعاد إنتاجها. لا ينشر VoxCPM2 أي جدول حسب كل لغة، لذا لا يمكن التحقق من ميزة الاتساع مقابل ادعاء العمق. أي شخص يعلن فائزًا في جودة اللغة هنا إنما يقارن جدول بيانات مورد واحد بصمت مورد آخر.

يستحق رقم الكورية جملة خاصة به، لأنه أوضح عيب في سجل Ming-3.0-tts-tiny: معدل خطأ أحرف قدره 6.000%، أي نحو ثلاثة أمثال ونصف ما يسجله شقيقه 0.5B على اللغة نفسها وهو 1.728%. وتُدرج البطاقة الكورية ضمن نقاط الضعف المعروفة ولا تقدّم أي آلية. وتفسير التوجيه المتناثر معقول لكنه غير مقاس.

مسألة الترخيص، حيث تبدو الفجوة أصغر مما تبدو عليه

كلاهما متساهلان بشأن الاستخدام التجاري، وهو أمر غير معتاد في هذا المجال ويستحق القول بوضوح. إن Ming-3.0-tts-tiny مرخّص بموجب MIT للأوزان والشيفرة، مع ملاحظة استخدام تطلب عدم انتحال شخصية الأشخاص دون موافقة ووسم الصوت الاصطناعي — وهو طلب في التوثيق وليس شرطًا في المنحة. أما VoxCPM2 فهو Apache 2.0، مجاني صراحةً للاستخدام التجاري، وله صياغته الخاصة بشأن الاستخدام المقبول.

لا يفرض أيٌّ من الترخيصين مراجعة قانونية تنهي المشروع، ولا يتضمن أيٌّ منهما استثناء الخدمة المستضافة الذي يجعل بعض إصدارات الكلام مفتوحة الأوزان غير صالحة للاستخدام في الإنتاج. وبالنسبة للنشر ذاتي الاستضافة، فإن الترخيصين متقاربان إلى حدٍّ يجعل الترخيص غير جدير بأن يكون عامل الحسم؛ بل ينبغي أن تكون قصة التدريب وبصمة الذاكرة والسرعة هي الفيصل.

لا يوجد أيٌّ منهما على اللوحة، ويُستعار رقم واحد على أي حال.

تُدرج Artificial Analysis إدخالاً لـMing-3.0-tts عند 1,188 نقطة Elo في Provider Voice و1,069 في Controlled Voice. هذا هو نموذج 0.5B. لا يحتوي Ming-3.0-tts-tiny على صف في الساحة — لا مُصنَّف ولا غير مُصنَّف ولا إدخال معاينة — ويعيد README على GitHub إنتاج الرقمين 1,188 و1,069 دون ذكر نقطة التحقق التي أنتجتهما.

لا يظهر VoxCPM2 في أي صف على الإطلاق، في أيٍّ من اللوحتين، وتشير صفحته على Hugging Face إلى أنّ لا مزوّد استدلال ينشره. هذا الغياب ليس نتيجة منخفضة، بل يعني أنّ أحدًا لم يعرض أيًّا من هذين النموذجين على لجنة تفضيل، لذا فإنّ الدليل الوحيد على الجودة في هذه المقارنة هو مجموعة اختبارات Ant الخاصة من جهة، ولا شيء من الجهة الأخرى.

إذا كنت بحاجة إلى رقم قبل أن تبدأ، فالبديل المفيد هو ذلك الذي ينشره VoxCPM2 فعلًا: معامل الزمن الحقيقي. إنه ليس مقياس جودة، لكنه مُقاس، ويمكن إعادة إنتاجه على بطاقتك الخاصة، ويخبرك بتكلفة تشغيل النموذج. أما المكافئ الخاص بـ Ming-3.0-tts-tiny فهو نطاق سيتعين عليك إنتاجه بنفسك.

ما هو الغرض الفعلي من كل واحد منها

اختر VoxCPM2 عندما يكون عبء العمل طويلاً وحساساً للتكلفة، وعندما تحتاج إلى لغة خارج اللغات التسع التي يغطيها Ant، وعندما تشكّل سعة 8 غيغابايت من VRAM فرقاً لأن نشرك قائم على بطاقة استهلاكية واحدة، أو عندما يكون تدريب LoRA على خمس دقائق من صوتك ضمن خططك المستقبلية. إن التصميم الخالي من المُرمِّز وإخراج 48 كيلوهرتز عبر الدقة الفائقة المدمجة في AudioVAE V2 ميزتان هندسيتان حقيقيتان، كما أن خمسة أشهر من الاستخدام العام تعني أن أنماط الفشل موثّقة من قِبَل غرباء لا من قِبَل البائع.

اختر ‎Ming-3.0-tts-tiny‎ عندما تحتاج إلى الأشياء التي يقدمها وحده: مهمة بودكاست متعددة المتحدثين في تمريرة واحدة، و14 وسمًا شبه لغوي مضمّنًا مع عناصر تحكم صريحة في الانفعال والسرعة والنغمة ومستوى الصوت، وطاقم أصوات صيني يضم أكثر من 100 صوت مع خمسة أصوات إنجليزية، ونموذج يضع الصينية أولًا بُنيت معالجته للهجات بدلًا من استنتاجها. اقبل في المقابل أن تكون أول فريق يجري تقييمًا مرجعيًا له، وأن الكورية ضعف معلن، وأن الضبط الدقيق غير موثّق، وأن الإصدار بأكمله مضى عليه أسبوع واحد.

لا يوجّه OrcaRouter أيًا من النموذجين، ولا ينبغي قراءة هذا المقال على أنه يشير إلى غير ذلك — فالوصول إلى كليهما يتم عبر تنزيلهما وتشغيلهما بنفسك. ما يوجد في الكتالوج هو الشطر النصي من المسار نفسه: أكثر من 200 نموذج خلف مفتاح واحد بسعر قائمة المزوّد دون أي هامش ربح مضاف، لذا يصل إليك تغيير سعر المورّد في اليوم نفسه، مع تحويل تلقائي عند الفشل بين المزوّدين للنموذج الذي يكتب السكربت أو يشغّل الوكيل. وبما أن خياري الصوت مستضافان ذاتيًا ولا يتحمل أي منهما فاتورة لكل حرف، فإن التكلفة المتكررة التي يمكنك مقارنتها شهرًا بشهر فعليًا هي طبقة النص، وهي التي تستحق أن توضع خلف نقطة نهاية واحدة.

ينتهي المقارنة من حيث بدأت: نقطتا تحقّق، ولا لوحة نتائج مشتركة، وقرار يتوقف على ما إذا كنت بحاجة إلى السرعة والضبط الدقيق على عتاد متواضع، أم إلى تحكّم صيني أولًا على عتاد كبير. يجيب VoxCPM2 عن الأول بأرقام منشورة. ويجيب Ming-3.0-tts-tiny عن الثاني بكتيّب مهام دون أي رقم للإنتاجية، وهو الشيء الأكثر فائدة الذي يمكن أن تنشره Ant تاليًا.