Ming-3.0-tts-0.5B vs. VoxCPM2: Der eine gewinnt bei den Worten, der andere bei der Stimme

Es gibt genau einen veröffentlichten Vergleich von Ming-3.0-tts-0.5B und VoxCPM2, und Ant Group hat ihn verfasst. In seiner eigenen Modellkarte benchmarkt das Unternehmen die beiden mehrsprachigen Sprachmodelle auf dem Mi​niMax-Testsatz in Deutsch, Spanisch, Französisch, Koreanisch und Japanisch. Ming-3.0-tts-0.5B liefert in vier der fünf Sprachen die genaueren Wörter. VoxCPM2 liefert in allen fünf die originalgetreuere Stimme. Dieses eine Muster — Inhaltsgenauigkeit beim 0,5B-Checkpoint, Sprecherähnlichkeit beim 2B-Checkpoint — ist das Nützlichste, was jemand zu dieser Gegenüberstellung veröffentlicht hat, und da es die eigene Tabelle eines Anbieters ist, ist es zugleich das, was am dringendsten eines Vorbehalts bedarf. Ant gewinnt bei der Fehlerrate, die das Unternehmen zu veröffentlichen beschloss, und verliert beim Ähnlichkeitswert auf derselben Seite. Die dokumentierten KI-Fehlfunktionen und Agentenvorfälle hinter Releases wie diesem sind in dem OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Vertrauensgrad und seine Kennzeichnung als umstritten trägt.

Beide Modelle haben offene Gewichte, beide erlauben kommerzielle Nutzung, und beide werden von Ihnen betrieben, statt als Dienst abgerufen zu werden. Ming-3.0-tts-0.5B ist Ant Groups MIT-lizenziertes dichtes Modell auf einem Qwen2.5-0.5B-Backbone mit einem Diffusion-Transformer-Kopf, veröffentlicht auf Hugging Face am 24. September 2026, gefolgt vom Inferenzcode auf GitHub am 19. Oktober 2026, ohne Anbieterankündigung für eines von beiden. VoxCPM2 ist OpenBMBs Apache-2.0-Checkpoint von April 2026, ein 2B großes tokenizer-freies diffusion-autoregressives Modell auf einem MiniCPM-4-Backbone. Alles Folgende ergibt sich aus diesem Größen- und Lizenzunterschied und aus der Tatsache, dass eines der beiden einen unabhängigen Arena-Score hat und das andere nicht.

Was in Ants eigener Tabelle tatsächlich steht

Der mehrsprachige Testdatensatz von MiniMax meldet Inhaltsfehler – Wortfehlerrate für Deutsch, Spanisch und Französisch, Zeichenfehlerrate für Koreanisch und Japanisch – zusammen mit einem Sprecherähnlichkeits-Kosinus. Niedrigere Fehler sind besser; höhere Ähnlichkeit ist besser. Ant hat beide Modelle selbst getestet. Nichts davon wurde von einem Drittanbieter reproduziert, und die Maintainer von VoxCPM2 haben keine Widerlegungstabelle veröffentlicht, die wir finden konnten.

• Deutsch — Ming-3.0-tts-0.5B Fehler 0,365, Ähnlichkeit 0,753; VoxCPM2 Fehler 0,963, Ähnlichkeit 0,790.

Spanisch — Ming 1,099, Ähnlichkeit 0,763; VoxCPM2 1,324, Ähnlichkeit 0,836.

• Französisch — Ming 4,264, Ähnlichkeit 0,675; VoxCPM2 3,380, Ähnlichkeit 0,761. Dies ist die einzige Sprache, in der sich die Rangfolge der Fehler umkehrt.

• Koreanisch — Ming 1.728, Ähnlichkeit 0.793; VoxCPM2 3.547, Ähnlichkeit 0.839.

• Japanisch — Ming 3.765, Ähnlichkeit 0.765; VoxCPM2 4.358, Ähnlichkeit 0.825.

Bevor einem der beiden Modelle Anerkennung zuteilwird, lohnen zwei Punkte einen Blick. Erstens ist die deutsche Lücke groß – 0,365 gegenüber 0,963 –, während die koreanischen und japanischen Lücken kleiner sind und das französische Ergebnis in die entgegengesetzte Richtung geht; „genauer“ ist also eine sprachspezifische und keine allgemeine Aussage. Zweitens sind die französischen Fehlerraten für jedes Modell in dieser Tabelle hoch; ein in derselben Tabelle aufgeführter Wettbewerber kommt dort auf 19,878. Eine Sprache, in der das gesamte Feld bei schlechten Zahlen dicht beieinanderliegt, ist eine Sprache, in der der Testdatensatz – und nicht die Modelle – einen Teil der Arbeit leistet. Französisch sollte als nicht aussagekräftig gelten und nicht als Sieg für VoxCPM2.

Warum man die Ähnlichkeitsspalte zweimal lesen sollte

Die Sprecherähnlichkeit misst, ob die Ausgabe wie die Referenzstimme klingt. Sie ist die Kennzahl, die eine Demo von einem Produkt unterscheidet: Eine geklonte Stimme, die abdrifftet, reißt die Zuhörer aus der Szene, selbst wenn jedes Wort stimmt – und kein nachgelagerter ASR-Score wird Ihnen jemals sagen, dass das passiert ist.

Ming verliert in allen fünf Sprachen – mit Abständen zwischen 0,037 (Spanisch) und 0,086 (Französisch). Da es sich um Kosinusdistanzen auf einer begrenzten Skala handelt, sind die Abweichungen moderat, aber konsistent, und Konsistenz über fünf Sprachen hinweg lässt sich schwerer wegerklären als eine einzelne schlechte Zeile. Die offene Erklärung steht in Ants eigener Modellkarte, die unmissverständlich sagt, dass die Sprecherähnlichkeit hinter der inhaltlichen Genauigkeit zurückbleibt. Das Modell wurde darauf abgestimmt, die Wörter richtig zu treffen.

Es gibt einen zweiten, spezifischeren Grund, dies zu erwarten, und er ist architektonischer Natur. VoxCPM2 dekodiert mit 48 kHz über eine integrierte Super-Resolution-Stufe in seinem AudioVAE V2-Tokenizer und akzeptiert einen 16-kHz-Referenzclip, während es dennoch eine Ausgabe mit 48 kHz erzeugt. Ming-3.0-tts-0.5B arbeitet mit 44,1 kHz. Die Abtastrate ist keine Ähnlichkeit – eine höhere Rate macht eine Stimme nicht originalgetreuer –, aber die VoxCPM2-Pipeline ist ausdrücklich darauf ausgelegt, den Charakter einer Referenzstimme über den Resampling-Schritt hinweg zu bewahren, und das ist eine Designentscheidung, die ein 0,5B-Modell mit einem mitgelieferten Sprecher-Encoder nicht trifft.

Die ehrliche Lesart ist also nicht „VoxCPM2 klont besser, weil es größer ist“. Sie ist vielmehr, dass die beiden Modelle unterschiedliche Hälften desselben Ziels optimieren und die Anbietertabelle zeigt, dass jedes Modell seine eigene Hälfte gewinnt.

Eine Stimme clippen: zwei APIs, zwei Philosophien

Beide klonen Zero-Shot aus einem kurzen Clip. Die Mechanismen unterscheiden sich genug, um relevant zu sein, wenn Sie die Integration schreiben.

• Ming-3.0-tts-0.5B — ein einziger Einstiegspunkt, ein Aufgabenargument. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), dann synthesize(task=...) mit prompt_wav_path, prompt_text und use_spk_emb. Zu den Aufgaben gehören TT​S, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM und IP. Der Checkpoint bündelt das Backbone, den DiT-Head, den Audio-Tokenizer und einen Campplus-Speaker-Encoder, sodass Cloning eine erstklassige Aufgabe statt einer separaten Pipeline ist.

• VoxCPM2 — pip install voxcpm, dann VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Voice-Design ist ein Klammer-Präfix direkt am Text, "(Beschreibung)Text", mit cfg_value=2.0 und inference_timesteps=10 als den dokumentierten Ausgangswerten.

Die Konsequenz ist, dass Mings Steuerungsoberfläche strukturiert und die von VoxCPM2 textuell ist. Ming bietet Ihnen benannte Aufgaben mit dokumentierten gegenseitigen Ausschlüssen — FREEFORM lässt sich nicht mit Voice-Design, einer integrierten Stimme, Emotions-, Dialekt- oder Attributsteuerung kombinieren, und die mehrsprachige Aufgabe erfordert eine explizite language_id für die fünf nicht-chinesischen Sprachen. Das bedeutet mehr Lernaufwand und weniger Rätselraten. Die einzelne Zeichenfolge von VoxCPM2 ist schneller auszuprobieren und schwerer deterministisch zu machen; die eigene Model Card von OpenBMB empfiehlt, ein bis drei Kandidaten zu generieren, da Voice-Design und Stil zwischen den Durchläufen variieren.

Wenn Sie eine UI entwickeln, in der ein Producer eine Stimme aus einer Liste auswählt, sind Mings über 100 integrierte chinesische Stimmen und fünf integrierte englische Stimmen ein Menü, das Sie rendern können. VoxCPM2 hat kein vergleichbares Verzeichnis – seine Stimmen werden entworfen oder geklont, nicht aufgezählt.

Sprachen, Dialekte und die paralinguistische Ebene

• Sprachanzahl — Ming-3.0-tts-0.5B deckt Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch ab, außerdem Sichuanesisch und Kantonesisch als separate Dialektaufgaben. VoxCPM2 beansprucht 30 Sprachen. Ant testete fünf nichtchinesische Sprachen; OpenBMB veröffentlicht keine sprachspezifische Fehlertabelle, die wir verifizieren konnten, daher sind die 30 eine Abdeckungsangabe ohne daran geknüpfte Qualitätsaussage.

• Dialekte — Ming führt Sichuanesisch und Kantonesisch als Aufgabe ohne Sprachargument auf. Die 30-Sprachen-Liste von VoxCPM2 wird in dem Material, das wir gelesen haben, nicht nach Dialekt aufgeschlüsselt, und regionale Varietäten als abgedeckt zu behandeln, weil die Sprache abgedeckt ist, ist genau der Fehler, den dieser Punkt verhindern soll.

• Inline-Steuerung — Ming bietet 14 Tags für Atem, Husten, Seufzen, Lachen, Zögern, Überraschung und Fragen, auf Chinesisch oder Englisch, plus explizite Emotion, Geschwindigkeit, Tonhöhe und Lautstärke. VoxCPM2 hat kein Tag-Vokabular; seine Steuerung ist das natürlichsprachliche Beschreibungspräfix.

• Schwachstelle, wie Ant selbst einräumt – paralinguistische Sätze mit mehreren Ereignissen sind instabil, die Emotionskontrolle verschlechtert sich, wenn der Text kein emotionales Signal trägt, und offene Stimmgestaltung entspricht nicht dem stärksten System, gegen das Ant getestet hat. Der letzte Punkt beschreibt die Lücke zu einer gehosteten Frontier-Stimme fair, und er gilt auch für VoxCPM2.

Die praktische Unterscheidung: Wählen Sie Ming, wenn Ihr Skript mitten in einem Satz Lachen, ein Seufzen oder eine zögernde Pause braucht. Wählen Sie VoxCPM2, wenn Ihr Skript eine Sprache braucht, die Ming nicht abdeckt, oder eine Stimme, die anhand einer schriftlichen Beschreibung statt einer benannten Voreinstellung entworfen wurde.

Sie ausführen: 8 GB gegen einen CUDA-Pin

• Ming-3.0-tts-0.5B — getestet auf einer NVIDIA H800-80GB und einer H20-96G mit CUDA 12.4. Flash-Attention ist optional, mit einem SDPA-Fallback. Die Textnormalisierung benötigt pynini==2.1.6, oder Sie übergeben --no_text_normalization und akzeptieren, dass rohe Zahlen und Abkürzungen an das Modell gehen. PyTorch 2.6 ist die Referenzumgebung. Die Ausgabe erfolgt mit 44,1 kHz.

• VoxCPM2 — etwa 8 GB VRAM in bf16 für die Entwicklung und rund 22 GB Spitzenwert auf einer 24-GB-Karte, Python 3.10 oder neuer, PyTorch 2.5.0 oder neuer, CUDA 12.0 oder neuer. Der dokumentierte Echtzeitfaktor liegt bei etwa 0,30 auf einer RTX 4090 in reinem PyTorch und bei etwa 0,13 mit Nano-VLLM — rund zwei- bis dreimal schneller als Echtzeit bzw. achtmal mit der Serving-Schicht.

Diese beiden Absätze beschreiben sehr unterschiedliche Engineering-Nachmittage. Mings Stack ist der neuere und der fragilere: eine gepinnte FST-Bibliothek, ein optionaler Kernel, eine Referenzumgebung, die auf einen bestimmten CUDA-Build festgelegt ist. VoxCPM2 ist seit April verfügbar und hat sechs Monate an Installationsberichten aus der Community aufgenommen. Dieser Reifegradvorteil ist real und er ist vorübergehend – Mings Inferenzcode ging an dem Tag online, an dem dies geschrieben wurde, und das Repository bekam seinen vLLM-Omni-Support-Hinweis noch am selben Nachmittag in einem Dokumentations-Commit.

Keines der beiden Modelle wird von einem gehosteten Inferenzanbieter angeboten, den wir identifizieren konnten, und das ist weniger eine Lücke in diesem Vergleich als vielmehr dessen Prämisse: Beides sind Checkpoints, die man herunterlädt. Das bedeutet allerdings, dass die unabhängige Evidenz einseitig ist. Ming-3.0-tts-0.5B hat einen Artificial-Analysis-Eintrag auf beiden Sprach-Bestenlisten – 1.188 Elo bei Provider Voice (Intervall 1.173–1.203, Rangbereich 17–23, die neunzehnte Zeile der Liste, die wir am 19. Oktober 2026 erfasst haben) und 1.069 bei Controlled Voice (1.053–1.085, Rangbereich 10–18, dreizehnte Zeile am selben Tag). VoxCPM2 hat nach unseren jüngsten Erfassungen auf keiner der beiden Bestenlisten einen Eintrag, und das Fehlen ist seit April stabil und keine jüngste Auslassung. Die einzige unabhängige Zahl in diesem Artikel gehört also Ming, und sie ist respektabel; VoxCPM2 hat nichts, was sie dem entgegensetzen könnte, und kein ehrlicher Artikel kann ein direktes Elo erfinden, das niemand gemessen hat.

Lizenz, Feinabstimmung und die Frage, die niemand stellt

Beide Lizenzen erlauben die kommerzielle Nutzung. Ming steht unter MIT, was ungefähr so permissiv ist, wie eine Lizenz nur sein kann, und lediglich die Namensnennung verlangt. VoxCPM2 steht unter Apache 2.0, was eine ausdrückliche Patentgewährung und eine Markenausnahme hinzufügt. Für die meisten Teams ist der Unterschied administrativer statt rechtlicher Natur, und beide sind eine saubere Antwort auf einen Beschaffungsfragebogen, während eine nicht-kommerzielle Lizenz dies nicht ist.

Die eigentliche Asymmetrie ist das Fine-Tuning. VoxCPM2 dokumentiert vollständiges überwachtes Fine-Tuning und LoRA auf fünf bis zehn Minuten Audio, was bedeutet, dass Sie das Modell mit einem kleinen Datensatz und einer einzigen GPU auf einen bestimmten Sprecher oder Stil hin bewegen können. Ming-3.0-tts-0.5B liefert in der von uns gelesenen Version kein Fine-Tuning-Rezept, kein Trainingsskript und keinen LoRA-Pfad. Wenn Ihr Produkt ein Modell braucht, das Ihres ist, statt eines Modells, das Sie nur prompten, dann ist das keine Benchmark-Lücke – es ist eine Fähigkeitslücke, und sie entscheidet die Wahl, bevor irgendeine Elo-Zahl herangezogen wird.

Mings Antwort auf denselben Bedarf ist Stimmdesign plus Cloning: die Stimme beschreiben oder einen Clip liefern. Das deckt die meisten Produktionsbedürfnisse ab – und keines derjenigen, bei denen proprietäres Audio in großem Umfang für das Training genutzt wird.

Wo eine Routing-Schicht hier ihren Platz verdient

OrcaRouter hostet Ming-3.0-tts-0.5B oder VoxCPM2 nicht. Keines davon ist ein Modell, für das wir Ihnen einen Endpoint bereitstellen können, und dieser Beitrag tut nicht so, als wäre es anders. Was ein Router in einer Sprachpipeline tatsächlich abdeckt, ist alles, was der Wellenform vorgelagert ist: das Modell, das das Skript entwirft, Abkürzungen ausschreibt, entscheidet, wohin der Lach-Tag gehört, und den Satz umschreibt, der mit 3,8 Sekunden herauskam, obwohl der Slot 3,2 Sekunden betrug. Das sind Textaufrufe, und wir leiten mehr als 200 Textmodelle über einen einzigen Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag weiter — wenn also ein Anbieter einen Preis senkt, ist die Senkung bei uns noch am selben Tag live und nicht erst bei der nächsten Preisanpassung. Automatisches Failover sorgt dafür, dass diese Hälfte der Pipeline weiter antwortet, während die Sprach-Hälfte ein Download ist, den Sie selbst betreiben.

Das ist die ehrliche Grenze. Ein Router ist das falsche Werkzeug für einen Checkpoint, den du auf deiner eigenen GPU betreibst, und das richtige Werkzeug für die Modelle, die entscheiden, was der Checkpoint sagen soll.

Auswählen, ohne sich hinter einer Bestenliste verstecken zu können.

Wählen Sie Ming-3.0-tts-0.5B, wenn Ihre Inhalte mehrsprachig sind und Wortgenauigkeit die Kennzahl ist, über die Ihre Stakeholder streiten, wenn Sie eine auf Chinesisch ausgerichtete Stimmabdeckung mit benannten Presets benötigen, wenn Inline-Emotions-Tags Teil des Skriptformats sind, wenn Sie einen 2.96 GB großen MIT-Checkpoint möchten, der problemlos auf bescheidener Hardware läuft, oder wenn eine Parameteranzahl von 0.5B den Unterschied zwischen tragbaren und untragbaren Stückkosten ausmacht. Seien Sie sich bewusst, dass die Stimme etwas weniger treu an der Referenz sein wird als die von VoxCPM2, dass der Inferenzcode erst wenige Stunden alt ist und dass es keinen Fine-Tuning-Weg gibt.

Wähle VoxCPM2, wenn die Stimme als Identität das Produkt ist – Synchronisation, Figurenarbeit, alles, bei dem ein Zuhörer bemerken würde, dass der Klon abdriftet –, wenn du eine der Sprachen brauchst, die Ming nicht abdeckt, wenn du vorhast, mit deinem eigenen Audio zu fine-tunen, oder wenn du einen Stack willst, der seit April ohne Überraschungen installierbar ist.

Der Tie-Breaker ist günstig, und keine der oben genannten Zahlen ersetzt ihn. Nehmen Sie hundert Sätze Ihres eigenen Textes, einen Referenzclip und lassen Sie beide laufen. Bewerten Sie die Wörter mit einem ASR-Modell und bewerten Sie die Stimme mit derselben Kosinus-Metrik, die Ant verwendet hat. Sie erhalten an einem Nachmittag eine Antwort pro Sprache – mit Ihren Inhalten und Ihren Akzenten. Das ist mehr, als Ihnen eine Anbietertabelle bieten kann, die auf einem öffentlichen Testdatensatz basiert, und deutlich mehr als eine Rangliste, die nur eines der beiden Modelle aufführt.