Ming-3.0-tts-tiny vs. VoxCPM2: Zwei Checkpoints, von denen eines seine Geschwindigkeit veröffentlicht

Dies ist der einzige Vergleich in der Ming-3.0-tts-tiny-Reihe, bei dem beide Seiten tatsächlich ausgeführt werden können, und das ändert, worum es in der Argumentation geht. Ming-3.0-tts-tiny, von Ant Groups inclusionAI, ist ein Mixture-of-Experts-Modell mit 7,9 Milliarden Parametern, das pro Token etwa 1,3 Milliarden aktiviert, MIT-lizenziert, rund 18 GB auf der Festplatte, wobei eine H800 als empfohlene Karte genannt wird. VoxCPM2, von OpenBMB, ist ein tokenizerfreies Modell mit 2 Milliarden Parametern auf einem MiniCPM-4-Backbone, Apache 2.0, etwa 8 GB bei bfloat16, veröffentlicht im April 2026. Keines von beiden hat einen Leaderboard-Eintrag. Keines von beiden hat einen Hosting-Preis. Wenn beide Modelle herunterladbar und beide unbewertet sind, geht es beim Vergleich nicht mehr um Vorlieben, sondern um Arithmetik: Stunden Audio pro GPU-Stunde, Speicher pro Prozess und ob man das Modell feinabstimmen kann, ohne den Trainingscode selbst zu schreiben. Die dokumentierten KI-Fehlfunktionen und Agenten-Vorfälle hinter Veröffentlichungen wie dieser sind gesammelt in dem OrcaRouter AI Incident Archive wobei jeder Eintrag eigene Quellen, Schweregrad, Vertrauensgrad und ein Disputed-Flag enthält.

Die Release-Historien sollte man klar benennen, denn sie erklären die Reifegradlücke. VoxCPM2 ist seit April öffentlich, hat im letzten Monat etwa 847.000 Downloads angesammelt und wird mit Trainingsskripten zusammen mit der Inferenz ausgeliefert. Das Repository von Ming-3.0-tts-tiny wurde am 22. September 2026 erstellt, die Gewichte kamen am 24. September an, und der Code zu ihrer Ausführung existierte öffentlich erst ab dem 19. Oktober um 08:58 UTC, als neun Commits an einem Nachmittag eintrafen. Ant hat das Modell nicht angekündigt. Es gibt keinen technischen Bericht; die Roadmap führt ihn als nicht abgehaktes Kästchen, und die Model Card wurde am 16. Oktober eigens bearbeitet, um einen Verweis darauf zu entfernen. Das eine ist also ein fünf Monate altes Projekt mit einer Nutzerbasis, und beim anderen handelt es sich um eine Pipeline, die zum Zeitpunkt dieses Textes gerade einmal eine Woche alt ist.

Die Nummer eins von ihnen veröffentlicht und die andere nicht.

Das Datenblatt von VoxCPM2 gibt einen Echtzeitfaktor von etwa 0,30 in Standard-PyTorch auf einer RTX 4090 an, der unter Nano-VLLM auf rund 0,13 fällt. Der Echtzeitfaktor ist Sekunden Rechenzeit pro Sekunde Audio; diese beiden Werte bedeuten also, dass eine GPU-Stunde im ersten Fall etwa 3,3 Stunden fertige Sprache liefert und im zweiten etwa 7,7.

Ming-3.0-tts-tiny veröffentlicht überhaupt keinen Durchsatz. Weder einen Echtzeitfaktor noch Zeichen pro Sekunde, nichts, was auf einer Karte gemessen wurde. Was das Release Ihnen jedoch liefert, ist die Umgebung, in der es validiert wurde – Python 3.10.15, torch und torchaudio 2.7.1 mit CUDA 11.8, transformers auf 4.46.3 gepinnt, eine H800 und ein Preflight-Skript, das Ihre Installation prüft, bevor Sie einen Lauf verschwenden – plus die Architektur: 8.980.964.372 Parameter in BF16, 40.096 in F32, ein Experten-Stack mit insgesamt 7,9B und rund 1,3B aktiven Parametern pro Token.

Man kann nicht den Durchsatz des 0,5B-Geschwisters heranziehen, um die Lücke zu schließen. Dieses Modell wurde auf einem unabhängigen Prüfstand mit 42,1 Zeichen pro Sekunde gemessen und belegt 2,96 GB; das winzige Modell aktiviert pro Token etwa zweieinhalbmal so viele Parameter und belegt rund sechsmal so viel Plattenplatz. Sparses Routing holt einen Teil der Kosten des größeren Gesamtumfangs zurück, was der ganze Sinn der Architektur ist, aber niemand außerhalb von Ant hat eine Zahl dafür genannt, wie viel.

Die Kostenkalkulation mit einer Lücke darin durchführen

Da die eine Seite ihre Geschwindigkeit veröffentlicht und die andere nicht, ist die ehrliche Version dieses Vergleichs eine Bandbreite statt einer konkreten Zahl. So sieht sie aus.

• VoxCPM2 auf einer RTX 4090, PyTorch — 0,30 RTF, also 3,3 Stunden Audio pro GPU-Stunde. Eine Million Zeichen Erzähltext sind bei grob 15 Zeichen pro Sekunde Sprache etwa 18,5 Stunden fertiges Audio oder rund 5,6 GPU-Stunden.

• VoxCPM2 auf derselben Karte, Nano-VLLM — 0,13 RTF, also 7,7 Stunden pro GPU-Stunde oder rund 2,4 GPU-Stunden für dieselbe Million Zeichen. Der Serving-Stack mehr als verdoppelt die Ausgabe, ohne die Gewichte anzutasten.

• Ming-3.0-tts-tiny — unbekannt. Bei hypothetischen 20 Zeichen pro Sekunde würde es etwa 14 Stunden Generierung benötigen; bei 10 Zeichen pro Sekunde etwa 28. Keine der beiden Zahlen ist eine Messung, und beide sollten als Platzhalter behandelt werden, bis jemand eine veröffentlicht.

• Speicher — VoxCPM2 gibt bei bf16 etwa 8 GB an, was auf eine 24-GB-Consumer-Karte mit Spielraum für Batching passt. Die 18 GB Gewichte von Ming-3.0-tts-tiny plus Aktivierungen und der Audio-Decoder bedeuten, dass eine 80-GB-H800 das sinnvolle Ziel ist und eine 24-GB-Karte nicht.

• Sequenzlimit — VoxCPM2 ist auf 8.192 Tokens begrenzt, was für Langform-Arbeiten eine echte Einschränkung darstellt und es wert ist, vor der Entscheidung mit Ihrem längsten Absatz abgeglichen zu werden. Ming-3.0-tts-tiny gibt kein entsprechendes Limit an; sein Langform-Pfad ist die Podcast-Aufgabe, die ein Skript statt einer einzelnen Äußerung entgegennimmt.

Die Schlussfolgerung, die auch ohne die fehlende Zahl Bestand hat, betrifft eher die Auslastung als die Geschwindigkeit. Eine Karte, die ungenutzt bleibt, verliert gegen jede gehostete API, egal zu welchem Preis, und eine Karte, die man bereits besitzt und ausgelastet hält, gewinnt bei den Grenzkosten, egal welche der beiden man betreibt. Der Unterschied zwischen 0,30 und 0,13 RTF entspricht einem Faktor von 2,3 bei den Kosten pro Stunde Audio, was mehr ist, als die meisten Teams von einer Änderung am Serving-Stack erwarten, und mehr, als der Unterschied in den Parameteranzahlen vermuten ließe.

Beim Fine-Tuning ist der Punkt erreicht, an dem die beiden nicht mehr vergleichbar sind.

VoxCPM2 dokumentiert sowohl vollständiges überwachtes Fine-Tuning als auch LoRA mit nur fünf bis zehn Minuten Audio, einschließlich eines Trainingsskripts und einer Konfiguration für beide. Das ist keine Fußnote; es ist der Unterschied zwischen einem Modell, dessen Verhalten man mietet, und einem Modell, dessen Verhalten man besitzt.

Ming-3.0-tts-tiny dokumentiert Inferenz, nicht Training. Das Repository ist ein Task-Cookbook – Seed-Voice-Cloning, mehrsprachig, paralinguistisch, Podcast, grundlegende Attribute, Emotion, Dialekt, Freiform, Voice Design und eine „ip“-Aufgabe –, das um einen einzigen MingTinyTTS.from_pretrained Einstiegspunkt herum gebaut ist. Es gibt kein LoRA-Rezept, keine SFT-Konfiguration und keine Aussage darüber, ob Fine-Tuning überhaupt unterstützt wird. Es mag durchaus möglich sein; der Checkpoint ist ein Checkpoint. Aber „möglich“ und „mit einem funktionierenden Skript dokumentiert“ bedeuten einen unterschiedlichen Engineering-Aufwand, und Letzteres ist das, was VoxCPM2 ausliefert.

Für eine Markenstimme, einen regulierten Bereich oder eine Sprache, die keines der Modelle von Haus aus gut beherrscht, ist das die entscheidende Asymmetrie. Fünf Minuten Referenzaudio und eine bereitgestellte Konfiguration bedeuten eine Woche Arbeit. Das Reverse-Engineering eines Trainingspfads für ein sparse 7,9B-Modell ohne Referenzimplementierung bedeutet ein Quartal.

Sprachen, Dialekte und was „30 Sprachen“ bringen

• Ming-3.0-tts-tiny — Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch, plus Sichuanisch und Kantonesisch, wenn Sie einen Referenzclip im jeweiligen Dialekt bereitstellen. Insgesamt neun, wenn man die beiden Dialekte mitzählt.

• VoxCPM2 — 30 Sprachen, darunter Kantonesisch und Sichuanesisch, und laut der Karte ist kein Sprach-Tag erforderlich: Sie geben Text ein, und das Modell leitet die Sprache selbst ab. Das ist eine Bequemlichkeit mit einem Fehlermodus, denn gemischtsprachiger Text wird vom Modell aufgelöst und nicht von Ihnen.

Bei den Sprachen, die sie gemeinsam haben, hat nur eine Seite Fehlerraten pro Sprache veröffentlicht, und zwar Ant. Deutsch 0,325 % Zeichenfehlerrate, Spanisch 0,971 %, Japanisch 3,427 %, Französisch 3,470 %, Koreanisch 6,000 %, alles auf Ants eigener Testumgebung, alles nicht reproduziert. VoxCPM2 veröffentlicht keine Tabelle pro Sprache, daher lässt sich der Breitenvorteil nicht gegen den Tiefenanspruch prüfen. Wer hier einen Sieger in Sachen Sprachqualität nennt, vergleicht die Tabelle eines Anbieters mit dem Schweigen eines anderen Anbieters.

Der koreanische Wert verdient einen eigenen Satz, denn er ist der klarste Defekt in der Bilanz von Ming-3.0-tts-tiny: 6.000% Zeichenfehler, etwa dreieinhalbmal die 1.728%, die sein eigenes 0.5B-Geschwister auf derselben Sprache verzeichnet. Die Karte führt Koreanisch unter den bekannten Schwächen auf und bietet keinen Mechanismus. Eine Sparse-Routing-Erklärung ist plausibel und nicht gemessen.

Die Lizenzfrage, bei der die Lücke kleiner ist, als sie aussieht

Beide sind für die kommerzielle Nutzung permissiv lizenziert, was in diesem Bereich ungewöhnlich ist und klar gesagt werden sollte. Ming-3.0-tts-tiny steht für Gewichte und Code unter MIT, mit einem Nutzungshinweis, der darum bittet, Personen nicht ohne Einwilligung zu imitieren und synthetisches Audio zu kennzeichnen — eine Bitte in der Dokumentation, keine Bedingung der Lizenzgewährung. VoxCPM2 steht unter Apache 2.0, ist ausdrücklich für die kommerzielle Nutzung frei und enthält eigene Formulierungen zur zulässigen Nutzung.

Keine der beiden Lizenzen erzwingt eine rechtliche Prüfung, die das Projekt beendet, und keine von beiden enthält die Ausnahmeregelung für gehostete Dienste, die manche Open-Weight-Sprachveröffentlichungen in der Produktion unbrauchbar macht. Für eine selbst gehostete Bereitstellung sind die beiden so ähnlich, dass die Lizenz nicht ausschlaggebend sein sollte; die Trainings-Story, der Speicherbedarf und die Geschwindigkeit sollten es sein.

Keine der beiden steht auf der Tafel, und eine Zahl wird trotzdem geborgt.

Artificial Analysis führt einen Ming-3.0-tts-Eintrag mit 1.188 Elo bei Provider Voice und 1.069 bei Controlled Voice. Das ist das 0,5B-Modell. Ming-3.0-tts-tiny hat keine Arena-Zeile – weder bewertet noch unbewertet, kein Vorschau-Eintrag – und das GitHub README gibt die Werte 1.188 und 1.069 wieder, ohne zu sagen, welcher Checkpoint sie erzeugt hat.

VoxCPM2 hat in keiner der beiden Tabellen überhaupt einen Eintrag, und auf seiner Hugging-Face-Seite steht, dass kein Inferenzanbieter es einsetzt. Diese Abwesenheit ist keine niedrige Punktzahl. Sie bedeutet, dass niemand eines dieser beiden Modelle einem Präferenzpanel vorgelegt hat; somit sind die einzigen Qualitätsbelege in diesem Vergleich auf der einen Seite Ants eigene Suite und auf der anderen Seite nichts.

Wenn du vor dem Start eine Zahl brauchst, ist der nützliche Ersatz derjenige, den VoxCPM2 tatsächlich veröffentlicht: der Echtzeitfaktor. Er ist keine Qualitätskennzahl, aber er wird gemessen, er ist auf deiner eigenen Karte reproduzierbar, und er sagt dir, was der Betrieb des Modells kostet. Das Äquivalent für Ming-3.0-tts-tiny ist eine Bandbreite, die du selbst ermitteln musst.

Wofür jedes einzelne tatsächlich da ist

Wählen Sie VoxCPM2, wenn die Arbeitslast langformatig und kostensensitiv ist, wenn Sie eine Sprache außerhalb der neun von Ant benötigen, wenn 8 GB VRAM eine Rolle spielen, weil Ihre Bereitstellung auf einer einzelnen Consumer-Karte läuft, oder wenn ein LoRA auf Ihren eigenen fünf Minuten Audio auf der Roadmap steht. Das tokenizerfreie Design und die 48-kHz-Ausgabe durch die integrierte Superauflösung von AudioVAE V2 sind echte technische Vorteile, und die fünf Monate öffentlicher Nutzung bedeuten, dass die Fehlermodi von Fremden statt vom Anbieter dokumentiert sind.

Wähle Ming-3.0-tts-tiny, wenn du die Dinge brauchst, die nur es bietet: eine Multi-Speaker-Podcast-Aufgabe in einem einzigen Durchlauf, 14 Inline-paralinguistische Tags mit expliziten Steuerungen für Emotion, Geschwindigkeit, Tonhöhe und Lautstärke, ein Ensemble aus über 100 chinesischen Stimmen und fünf englischen Stimmen sowie ein Chinese-first-Modell, dessen Dialektbehandlung konstruiert statt inferiert wurde. Nimm im Gegenzug in Kauf, dass du das erste Team sein wirst, das es benchmarkt, dass Koreanisch eine veröffentlichte Schwäche ist, dass Fine-Tuning undokumentiert ist und dass das gesamte Release eine Woche alt ist.

OrcaRouter leitet keines der beiden Modelle weiter, und dieser Beitrag sollte nicht so verstanden werden, als würde er etwas anderes nahelegen – beide erreicht man, indem man sie herunterlädt und selbst ausführt. Im Katalog steht die Text-Hälfte derselben Pipeline: mehr als 200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preisänderung des Anbieters noch am selben Tag bei Ihnen ankommt, mit automatischem Failover über Anbieter hinweg für das Modell, das das Skript schreibt oder den Agenten steuert. Da beide Sprachoptionen selbst gehostet werden und keine von beiden eine Abrechnung pro Zeichen verursacht, sind die wiederkehrenden Kosten, die Sie tatsächlich Monat für Monat vergleichen können, die Textschicht – und die ist es, die es wert ist, hinter einen einzigen Endpunkt gelegt zu werden.

Der Vergleich endet dort, wo er begann: zwei Checkpoints, keine gemeinsame Ergebnisübersicht und eine Entscheidung, die davon abhängt, ob man Geschwindigkeit und Fine-Tuning auf bescheidener Hardware braucht oder chinesisch ausgerichtete Kontrolle auf einer großen Maschine. VoxCPM2 beantwortet Ersteres mit veröffentlichten Zahlen. Ming-3.0-tts-tiny beantwortet Letzteres mit einem Aufgaben-Cookbook und ohne Durchsatzwert – was die nützlichste einzelne Sache ist, die Ant als Nächstes veröffentlichen könnte.