Ming-3.0-tts-0.5B vs. Voxtral 4B TTS: Eines dieser Gewichte steht nicht zum Verkauf

Lesen Sie die Lizenz vor dem Benchmark, denn in dieser Paarung entscheidet sie den Streit vorab. Ming-3.0-tts-0.5B steht unter MIT – laden Sie es herunter, stimmen Sie es fein ab, liefern Sie es in einem kommerziellen Produkt aus, nennen Sie Ant Group als Quelle und machen Sie weiter. Voxtral 4B TT​S steht unter CC BY-NC 4.0, übernommen von den dahinterstehenden Referenzstimmendatensätzen, was bedeutet, dass die Gewichte von Mistral AI überhaupt nicht für die kommerzielle Nutzung lizenziert sind. Der kommerzielle Weg für Voxtral ist die API zu 0,016 US-Dollar pro tausend Zeichen. Die eigentliche Frage ist also nicht, welches Modell besser klingt. Sie lautet, ob Sie eine Stimme kaufen, die Sie selbst betreiben, oder eine Stimme mieten, die Sie aufrufen, und nur einer dieser beiden Checkpoints lässt Ihnen die Wahl. Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Veröffentlichungen wie dieser sind im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und Kennzeichnung als umstritten enthält.

Diese Darstellung klingt, als mache sie den Vergleich einfach, und das tut sie nicht, weil die beiden Modelle unterschiedliche Stärken haben und das gehostete etwas mitbringt, das das offene nicht bieten kann: eine veröffentlichte Latenz- und Durchsatzkurve, ermittelt auf echter Serving-Infrastruktur, bei drei Nebenläufigkeitsstufen. Ming-3.0-tts-0.5B wurde am 24. September 2026 auf Hugging Face veröffentlicht und sein Inferenzcode am 19. Oktober 2026 auf GitHub, ohne dass Ant Group eines von beiden angekündigt hätte — das Modell ist als Artefakt 19 Tage alt und als etwas, das man tatsächlich ausführen kann, erst Stunden alt. Voxtral 4B TT​S wurde im März 2026 von Mistral angekündigt und hatte sieben Monate Zeit, gemessen zu werden. Unten: die Lizenz, die Deployment-Form, die Zahlen, die jede Seite ehrlicherweise für sich beanspruchen kann, und die Fragen, die keiner der beiden Anbieter beantwortet hat.

Zwei Lizenzen, die keine Variationen eines Themas sind

• Ming-3.0-tts-0.5B — MIT. Kommerzielle Nutzung, Änderung, Weiterverbreitung und Fine-Tuning sind allesamt erlaubt, mit Namensnennung. Ein 2,96 GB großer Checkpoint, den Sie in ein Container-Image packen, auf Ihrem eigenen Beschleuniger ausführen und an einen Kunden ausliefern können, ohne jemanden um Erlaubnis bitten zu müssen.

• Voxtral 4B TT​S — CC BY-NC 4.0. Nicht kommerziell. In Mistrals Model Card steht ausdrücklich, dass das Modell die Lizenz seiner Referenzstimmen übernimmt, die aus Quellen wie EARS, CML-TTS, IndicVoices-R und einem arabischen Natural-Audio-Datensatz stammen. Die Gewichte lassen sich problemlos herunterladen; die Lizenz ist die Einschränkung, nicht die Datei.

Der Unterschied, den viele falsch verstehen, ist, dass die API nicht derselben Einschränkung unterliegt. Voxtral über Mistrals Dienst aufzurufen, ist eine kommerzielle Transaktion mit dem Anbieter, und 0,016 US-Dollar pro tausend Zeichen ist der Preis. Es innerhalb eines kostenpflichtigen Produkts selbst zu hosten, ist eine andere Handlung – und genau die verbietet die Lizenz. Wenn Ihre Bereitstellung vor Ort erfolgen muss – Datenresidenz, Air-Gap-Inferenz, ein Kunde, der einen Drittanbieter-Endpunkt nicht genehmigt –, dann ist Voxtral 4B TT​S zu keinem Preis eine Option, während Ming-3.0-tts-0.5B bedingungslos verfügbar ist.

Das ist eine harte Grenze, und es lohnt sich, sie von der weicheren zu trennen. Eine nichtkommerzielle Lizenz erlaubt weiterhin Evaluierung, Forschung und interne Experimente, daher sollte man diese Tabelle am sinnvollsten so lesen: Voxtral ist ein Dienst, den man kostenlos testen darf, und Ming ist ein Artefakt, das man vollständig besitzen kann.

Was eine halbe Milliarde Parameter bringt – und was nicht

• Größe und Architektur — Ming-3.0-tts-0.5B ist ein dichtes 0,5B-Modell auf einem Qwen2.5-0.5B-Backbone mit einem Diffusion-Transformer-Kopf, und der Checkpoint bündelt seinen Audio-Tokenizer und Speaker-Encoder. Voxtral 4B TT​S hat ungefähr 4 Milliarden Parameter, wird über vLLM-Omni bereitgestellt und basiert auf Mistrals Ministral-3-3B-Basis.

• Ausgabe — Ming mit 44,1 kHz; Voxtral mit 24 kHz in WAV, PCM, FLAC, MP3, AAC oder Opus. Ein 44,1-kHz-Master ist der Unterschied zwischen einer Datei, die man einem Videoeditor geben kann, und einer Datei, die zuerst neu abgetastet werden muss, und bei Synchronisation und Broadcast ist das wichtiger als bei einem Telefonagenten.

• Modi — Ming hat benannte Aufgaben (TT​S, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) mit dokumentierten gegenseitigen Ausschlüssen. Voxtral bietet Streaming und Batch, ohne eine vergleichbare veröffentlichte Aufgaben-Taxonomie.

• Stimmen — Ming bietet mehr als 100 integrierte chinesische Stimmen und fünf integrierte englische Stimmen sowie Zero-Shot-Cloning aus einem kurzen Clip und Voice Design aus einer natürlichsprachlichen Beschreibung. Voxtral bietet 20 voreingestellte Stimmen und passt sich an einen Referenzclip von nur drei Sekunden an. Zwanzig sind eine kuratierte Auswahl; hundert sind eine Besetzungsliste. Was Sie möchten, hängt davon ab, ob Sie ein Produkt mit einer einzigen Stimme bauen oder ein Tool, mit dem andere sich eine aussuchen können.

• Paralinguistik – Mings 14 Inline-Tags decken Atem, Husten, Seufzen, Lachen, Zögern, Überraschung und Fragen ab, dazu explizite Steuerungen für Emotion, Geschwindigkeit, Tonhöhe und Lautstärke. Mistral veröffentlicht kein Tag-Vokabular für Voxtral. Fehlende Dokumentation bedeutet nicht fehlende Fähigkeit – und ist auch kein Beleg dafür.

Die Parameterzahl von 0,5B ist der Teil, der missverstanden wird. Ming ist keine kleinere Version von Voxtral; es ist ein anderes Design, das darauf setzt, dass ein kompaktes Backbone plus ein mitgelieferter Speaker-Encoder und ein Tokenizer für kontrollierbare Sprache ausreichen, und das seine Kapazität eher in Kontrolle als in Skalierung investiert. In Ants eigener mehrsprachiger Evaluierung schlägt es VoxCPM2 bei der inhaltlichen Genauigkeit in vier von fünf Sprachen, verliert jedoch bei der Sprecherähnlichkeit in allen fünf – was auf einer Ergebnisübersicht so aussieht, als wäre ein Modell auf Wörter statt auf Timbre abgestimmt.

Die eine Zahl, die Voxtral hat, Ming aber nicht.

Mistral hat einen Serving-Benchmark veröffentlicht, und dieser ist für alle, die Kapazität planen, das Nützlichste in beiden Releases. Auf einem einzelnen H200 mit vLLM-Omni 0.18.0, bei einer Eingabe von 500 Zeichen und einer zehnsekündigen Audio-Referenz:

• Nebenläufigkeit 1 — 70 Millisekunden Latenz, Echtzeitfaktor 0,103, etwa 119 Zeichen pro Sekunde GPU-Zeit.

• Parallelität 16 — 331 Millisekunden, RTF 0,237, etwa 879 Zeichen pro Sekunde.

Parallelität 32 — 552 Millisekunden, RTF 0,237 übernommen, etwa 1.431 Zeichen pro Sekunde.

Das ist ein Kapazitätsplan in drei Zeilen: Die Latenz bleibt deutlich jenseits der Nebenläufigkeit, die die meisten Sprachprodukte tatsächlich erreichen, unter einer Sekunde, und der Durchsatz skaliert ungefähr um das Zwölffache von einem Stream auf zweiunddreißig. Es ist Mistrals eigener Prüfaufbau, nicht reproduziert, und er setzt die Referenzumgebung voraus – aber es ist eine Form, an der man ein Deployment dimensionieren kann.

Mings entsprechende Kennzahl ist unabhängig statt vom Anbieter gemeldet, und sie misst etwas leicht anderes. Artificial Analysis verzeichnet Ming-3.0-tts mit 42,1 Zeichen pro Sekunde Generierungszeit in seinem eigenen Testaufbau, jeweils eine Anfrage zur Zeit. Das ist etwa ein Drittel von Voxtrals Single-Stream-Rate, ermittelt mit einer anderen Methode auf anderer Hardware, und die ehrliche Aussage ist, dass die beiden Zahlen nicht direkt vergleichbar sind: Die eine ist Mistrals Durchsatz bei einer gewählten Parallelität auf einer H200, die andere eine Single-Stream-Messung eines Drittanbieters auf nicht veröffentlichter Hardware. Was sich sagen lässt, ist, dass beide schnell genug für interaktive Sprache sind und keines von beiden eine Echtzeit-Einschränkung darstellt.

Der Durchsatzunterschied, der wirklich zählt, ist an die Lizenzierung gekoppelt. Voxtrals Kurve ist ein Grund, die API aufzurufen, statt eine eigene Infrastruktur um die Gewichte herum aufzubauen – das Serving-Engineering ist bereits erledigt, und man zahlt pro Zeichen statt pro GPU-Stunde. Mings Rate ist ein Grund, den eigenen Break-even zu berechnen, denn bei 42,1 Zeichen pro Sekunde sind eine Million Zeichen etwa 6,6 Stunden Generierung, und ob das günstig ist, hängt vollständig davon ab, was der Beschleuniger kostet, wenn er ansonsten untätig ist.

Neun Sprachen gegen sieben – und keine der beiden Listen ist ein Qualitätsversprechen.

• Ming-3.0-tts-0.5B — Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch, wobei Sichuanesisch und Kantonesisch separate Dialektaufgaben sind und für die fünf nicht chinesischen Sprachen eine explizite Sprachkennung erforderlich ist.

• Voxtral 4B TT​S — Englisch, Französisch, Spanisch, Deutsch, Italienisch, Portugiesisch, Niederländisch, Hindi und Arabisch. Die Karte beschreibt „vielfältige Dialekte“ innerhalb dieser Unterstützung, ohne sie aufzuzählen.

Die Überschneidung umfasst fünf Sprachen: Englisch, Französisch, Spanisch, Deutsch und entweder Koreanisch oder Japanisch, je nachdem, wie man die regionale Abdeckung zählt. Jedes Modell deckt etwas ab, das das andere nicht abdeckt – Italienisch, Portugiesisch, Niederländisch, Hindi und Arabisch auf Voxtrals Seite; Koreanisch, Japanisch, Sichuanesisch und Kantonesisch auf Mings Seite. Wenn Ihre Roadmap Arabisch oder Hindi umfasst, ist die Entscheidung gefallen, bevor der erste Benchmark gelesen wird.

Was keiner der beiden Anbieter veröffentlicht, ist die sprachspezifische Qualität. Mistral gibt für keine seiner neun Sprachen eine Fehlerquote an. Ant testete fünf nichtchinesische Sprachen auf dem Mi​niMax-Set und veröffentlichte Zahlen, aber das ist Ants eigene Testumgebung gegen Ants eigene ausgewählte Wettbewerber, und sie sagen nichts über Koreanisch oder Japanisch im Vergleich zu Voxtral aus, weil Voxtral nicht in der Tabelle war. Der Sprachvergleich hier ist also Abdeckung, nicht Leistungsfähigkeit, und jeder Artikel, der ihn als Leistungsfähigkeit darstellt, spekuliert.

Das Board, das beides hat, sozusagen.

Beide Modelle erscheinen auf den Speech-Leaderboards von Artificial Analysis, jedoch nicht am selben Erfassungsdatum und nicht mit demselben umgebenden Vergleichsfeld, daher ist dies als Orientierung und nicht als Ergebnis eines direkten Vergleichs zu verstehen.

• {{1}}Ming-3.0-tts-0.5B{{/1}} — {{2}}Anbieter-Stimme{{/2}} {{3}}1.188 Elo{{/3}} ({{4}}Intervall 1.173–1.203{{/4}}, {{5}}Rangbereich 17–23{{/5}}, {{6}}neunzehnte Zeile der Liste{{/6}}); {{7}}Kontrollierte Stimme{{/7}} {{8}}1.069{{/8}} ({{9}}1.053–1.085{{/9}}, {{10}}Rangbereich 10–18{{/10}}, {{11}}dreizehnte Zeile{{/11}}). {{12}}Beide Messungen stammen vom 19. Oktober 2026, dem Tag, an dem sein Inferenzcode veröffentlicht wurde.{{/12}}

• Voxtral 4B TT​S — Controlled Voice 1.005 Elo, Rangbereich 24–30, sechsundzwanzigste Zeile derselben Erfassung vom 19. Oktober. Seine Position als Anbieterstimme war nicht in dem Material enthalten, das wir verifizieren konnten.

Das Controlled Voice Board ist das, dem man trauen sollte, denn jedes Modell dort klont dieselben festen Referenzstimmen, und die Stimmbesetzung ist kein Störfaktor mehr. In der obigen Erfassung liegen Mings 1.069 und Voxtrals 1.005 64 Punkte auseinander, und da sich die Rangbereiche überschneiden, lautet die ehrliche Schlussfolgerung, dass Ming bei einer später durchgeführten Messung gegen ein größeres Feld höher abschneidet. Man sollte dies nicht als einen endgültigen 64-Punkte-Sieg lesen. Wohl aber als Beleg dafür, dass ein offener 0,5B-Checkpoint neben einem 4B-Anbietermodell in puncto Stimmtreue nicht überfordert ist – und das ist der überraschende Teil.

Was eine selbst gehostete Ming-Pipeline dich tatsächlich an Engineering kostet

Ming einzuführen ist nicht mit einem Download und einem Funktionsaufruf getan. Die Referenzumgebung ist fixiert: PyTorch 2.6 mit CUDA 12.4, getestet auf einem H800-80GB und einem H20-96G, flash-attention optional mit einem SDPA-Fallback. Die Textnormalisierung benötigt pynini 2.1.6 – eine Bibliothek mit dem Ruf, schwierig zu installieren zu sein – oder man setzt ein Flag, das die Normalisierung deaktiviert, und akzeptiert, dass Zahlen, Währungen und Abkürzungen roh an das Modell gehen.

Das sind die Kosten, die nie in einer Vergleichstabelle auftauchen und immer in einem Sprint auftauchen. Die entsprechenden Kosten bei Voxtral verstecken sich im API-Preis: Jemand anderes hat die Umgebung gepinnt, jemand anderes kümmert sich um die Nebenläufigkeit, und der Kompromiss ist, dass man die Stimmenbesetzung nicht ändern kann, außer sie aus einem Referenzclip anzupassen, und dass man das Modell nicht für kommerzielle Zwecke auf einer Maschine betreiben kann, die man selbst kontrolliert.

Mings Reife muss ebenfalls ehrlich eingepreist werden. Das GitHub-Repository ging am 19. Oktober 2026 online, wobei der erste Commit den Inferenzcode, ein Dockerfile, Ein-Klick-Beispiele und ein Task-Cookbook enthielt, und bis zum Nachmittag gingen Dokumentations-Commits ein – darunter einer, der vLLM-Omni-Unterstützung markierte. vLLM-Omni ist derselbe Serving-Stack, den Mistral für seinen Voxtral-Benchmark verwendet hat, was ein nützlicher Zufall ist: Der Weg zu einem Produktionseinsatz für Ming ist der Weg, den Voxtral bereits dokumentiert hat – eine Ebene tiefer.

Wo Routing hineinpasst – und welchen Teil es nicht berührt

OrcaRouter bedient Ming-3.0-tts-0.5B nicht; es ist ein Checkpoint, den Sie selbst ausführen. Voxtral 4B TT​S ist über Mistrals eigene API verfügbar, und dieser Beitrag behauptet nicht, dass wir es routen. Was ein Router in beiden Architekturen tatsächlich erreicht, ist der Text rund um die Stimme – das Skript, die SSML-ähnlichen Tag-Entscheidungen, der Übersetzungsschritt, der ein Masterskript vor der Synthese in neun Sprachen verwandelt, der Summarizer, der eine Passage kürzt, damit sie in ein Zeitfenster passt. Diese Aufrufe erfolgen Hunderte Male pro Audio-Minute, und dort konzentrieren sich tatsächlich die Kosten einer Pipeline und ihre Fehlermodi.

Das ist die Ebene, die wir betreiben: mehr als 200 Textmodelle hinter einem Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preissenkung eines Anbieters Sie schon an dem Tag erreicht, an dem sie kommt, und nicht erst bei der nächsten Preisanpassung; automatisches Failover über Anbieter hinweg, sodass ein schlechter Nachmittag eines einzelnen Anbieters die Skriptgenerierung, die die Stimme speist, nicht stoppt; und eine Routing-DSL, um mehrere Modelle zu einem Aufruf zusammenzusetzen, wenn der Übersetzungsschritt und die Stilüberarbeitung unterschiedliche Modelle benötigen. Das Stimmmodell am Ende der Kette wählen Sie selbst, und dieser Artikel handelt von dieser Wahl.

Was dir keine der beiden Karten verrät

Drei Fragen entscheiden über die meisten realen Bereitstellungen, und keiner der beiden Anbieter beantwortet auch nur eine davon.

• Wie bleibt die Qualität unter Nebenläufigkeit? Mistral misst Latenz und Durchsatz bei 32 Streams, veröffentlicht aber kein Qualitätsdelta zwischen Batch- und Streaming-Verarbeitung. Mings Release enthält überhaupt keine Aussage zur Nebenläufigkeit – einen Single-Request-Harness, eine Referenz-GPU und keine vLLM-Durchsatzkurve, nur einen Support-Hinweis.

• Wie klingt eine fehlgeschlagene Generierung? Keine der beiden Karten dokumentiert Abschneideverhalten, Wiederholungsschleifen oder was passiert, wenn ein Skript mit 14 Tags auf einen Satz trifft, den das Modell nicht parsen kann. Ants Karte ist ungewöhnlich offen über ihre Schwachstellen — instabile Paralinguistik bei mehreren Ereignissen, Emotionssteuerung, die nachlässt, wenn die Wörter keine Emotion tragen, Französisch-Ähnlichkeit als ihre schlechteste Sprache und offene Stimmgestaltung, die nicht an das stärkste System heranreicht, gegen das sie evaluiert wurde —, aber ein Abschnitt zu Einschränkungen ist keine Fehlertaxonomie.

• Wer kümmert sich in einem Jahr noch darum? Mistral ist ein Unternehmen mit einem kommerziellen TTS-Dienst und einem offensichtlichen Anreiz, ihn aktuell zu halten; der März-Checkpoint ist bereits seit sieben Monaten stabil. Ming-3.0-tts-0.5B hat einen Like, sechs Downloads und ein Repository, das am Tag der Erstellung dieses Textes angelegt wurde. Ant Group unterstützt es womöglich durchaus — die Ming-Familie umfasst ASR-, Audio- und Tiny-Varianten, was eher auf ein Programm als auf eine einmalige Sache hindeutet —, aber nichts in der Veröffentlichung legt sich auf irgendetwas fest.

Der letzte Punkt ist der, den man gegen die MIT-Lizenz abwägen muss. Eine permissive Lizenz garantiert Ihnen das Recht, die Gewichte für immer zu nutzen; sie garantiert nicht, dass irgendjemand einen Fehler im Inferenzcode behebt, und der Unterschied wird erst im siebten Monat sichtbar.

Die Entscheidung – in der Reihenfolge, in der sie tatsächlich eintrifft

Beginnen wir mit der Bereitstellungsbedingung, denn sie schließt eine Option von vornherein aus. Wenn das Modell auf einer Infrastruktur laufen muss, die Sie kontrollieren, und die Ausgabe kommerziell nutzbar sein muss, lautet die Antwort Ming-3.0-tts-0.5B, und die verbleibenden Fragen sind technischer Natur: die Umgebung festzulegen, pynini zu installieren oder unnormalisierten Text zu akzeptieren, etwa 6,6 GPU-Stunden pro Million Zeichen einzuplanen und zu akzeptieren, dass die Stimme einer Referenzaufnahme gegenüber der besten offenen Alternative etwas weniger treu sein wird. Wenn das Modell Arabisch, Hindi, Italienisch, Portugiesisch oder Niederländisch sprechen muss, lautet die Antwort Voxtral 4B TTS über die API, und die verbleibenden Fragen sind kommerzieller Natur: 0,016 US-Dollar pro tausend Zeichen, zwanzig Stimmen, eine Ausgabe mit 24 kHz, die möglicherweise neu abgetastet werden muss, und ein Anbieter, der die Serving-Kurve veröffentlicht hat, an der Sie die Dimensionierung ausrichten werden.

Wenn keine der beiden Einschränkungen greift, gibt den Ausschlag, was Ihr Produkt ist. Eine Synchron- oder Broadcast-Pipeline, die viele Stimmen, Dialektabdeckung und Inline-Emotionen benötigt, will Mings Cast und dessen 44,1-kHz-Ausgabe – und wird dafür mit Betriebsaufwand bezahlen. Ein Voice-Agent oder ein IVR, der vorhersehbare Latenz, Streaming und jemand anderen im Bereitschaftsdienst benötigt, will Voxtrals API – und wird dafür pro Zeichen bezahlen sowie mit dem Verlust einer Stimmenbesetzung, die er nicht über zwanzig hinaus erweitern kann.

Das Einzige, was vor beidem wirklich lohnt: Schreib auf, welche Sprachen du in den nächsten zwölf Monaten tatsächlich ausliefern wirst und welche davon dein Rechtsteam deine Infrastruktur verlassen lässt. Diese beiden Listen verengen das schneller als jede Elo-Zahl von einem Modellvergleich auf einen einzigen Kandidaten – und anders als die Bestenlisten sind sie aktuell.