Ming-3.0-audio-tiny vs. Voxtral 4B TTS: uno es un oyente con una voz incorporada, el otro no vende nada más

Si quieres generar voz y nada más, esta comparación debería tomar unos treinta segundos. Voxtral 4B TTS es un modelo de texto a voz: texto de entrada, audio de 24 kHz de salida, veinte voces predefinidas, nueve idiomas, una tabla de latencia publicada y unos términos de licencia que te impiden vender el resultado. Ming-3.0-audio-tiny es un modelo de audio y lenguaje que resulta que incluye un generador de voz: un Talker de 1,4 GB acoplado a un Thinker de 17,74 GB, con tres voces con nombre y una vía de clonación, dentro de un repositorio cuya sección de evaluación no mide la síntesis ni una sola vez. Si la voz es el producto, la comparación termina antes de empezar. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.

La versión interesante de la pregunta es la otra: estás construyendo algo que tiene que entender audio y responder hablando, y estás decidiendo si comprar un modelo que haga ambas cosas o conectar un oyente a una voz dedicada. Ahí es donde los treinta segundos se convierten en una tarde, porque las dos opciones fallan en lugares distintos y solo una de ellas viene con un número con el que puedes planificar.

La licencia decide más que el benchmark.

Empieza por lo que ninguna cantidad de evaluación puede solucionar. Voxtral 4B TTS es CC BY-NC 4.0 —no comercial—, una licencia heredada de los conjuntos de datos de voces de referencia con los que se construyó el modelo: EARS, CML-TTS, IndicVoices-R y un conjunto de audio natural en árabe. Mistral lo indica claramente en la ficha y dirige a los usuarios comerciales a su API. Así que los pesos están abiertos para investigación y uso personal, y la vía comercial es una lista de precios en lugar de una descarga.

Ming-3.0-audio-tiny tiene licencia MIT en los metadatos de la ficha y en el archivo LICENSE del repositorio de GitHub al que apunta. Conviene saber que: el repositorio de Hugging Face en sí no contiene ningún archivo LICENSE, y las dos voces de referencia incluidas no tienen términos propios por separado. MIT es una afirmación genuinamente permisiva aquí, pero es una afirmación en los metadatos en lugar de un archivo en el artefacto, y el departamento de compras lo notará.

• Uso comercial — Ming: sí, MIT, pesos y código. Voxtral: no a partir de los pesos; la API del proveedor es la vía autorizada.

• Voces incluidas — Ming: tres con nombre, dos de ellas se incluyen como WAV de referencia con transcripciones. Voxtral: veinte preajustes.

• Idiomas — Ming: chino e inglés para el modelo en general, sin una lista de idiomas independiente para Talker. Voxtral: inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi.

• Salida — Ming: lo que produzca el Talker; la tarjeta no especifica ni la frecuencia de muestreo ni el contenedor. Voxtral: 24 kHz, WAV, PCM, FLAC, MP3, AAC u Opus.

• Lo que ejecutas — Ming: el Thinker, 17,74 GB, más un Talker de 1,4 GB y un VAE de 1,6 GB en un segundo dispositivo. Voxtral: un único checkpoint BF16 en una sola GPU con al menos 16 GB.

• Calidad de voz publicada — Ming: ninguna. Voxtral: tampoco ninguna, pero en su lugar una tabla de latencia y rendimiento, lo cual es más que nada.

Esa última fila es el resumen honesto de la base probatoria de esta comparación. Ninguno de los proveedores ha publicado una puntuación de naturalidad, una cifra de similitud del hablante ni una tasa de error de palabras en habla sintetizada. Mistral ha publicado lo rápido que va; inclusionAI ha publicado lo bien que escucha el modelo. Nadie ha publicado lo bien que suena ninguno de los dos.

Lo que realmente dicen los números de Mistral

La tabla de Voxtral es un benchmark de servicio, y es importante interpretarla correctamente. Medida en una sola NVIDIA H200 con vLLM-Omni 0.18.0, una entrada de 500 caracteres y un clip de referencia de diez segundos:

• Concurrencia 1 — latencia de 70 ms, factor de tiempo real de 0,103, aproximadamente 119 caracteres por segundo por GPU.

• Concurrencia 16 — 331 ms, RTF 0.237, aproximadamente 879 caracteres por segundo.

• Concurrencia 32 — 552 ms, RTF 0.302, aproximadamente 1.431 caracteres por segundo.

De esto se desprenden dos cosas. Primero, el RTF aumenta con la concurrencia —de 0,103 a 0,302—, así que la ganancia de rendimiento del batching es real pero sublineal; obtienes aproximadamente doce veces los caracteres por unas ocho veces el factor de tiempo real. Segundo, los 70 ms hasta el primer audio con concurrencia 1 son la cifra que decide si un agente de voz se siente vivo, y es una cifra que Ming-3.0-audio-tiny no tiene. No una peor. Ninguna.

Mistral califica todo esto como no reproducido y ejecutado por el proveedor, y lo es. Pero al menos es una afirmación con un método adjunto: hardware con nombre, versión de runtime con nombre, longitud de entrada con nombre, longitud de referencia con nombre. Podrías reconstruir el arnés.

Lo que la vía del habla de Ming no puede responder

La salida de voz del modelo pequeño se describe en la tarjeta en tres frases: voces integradas o una voz de referencia, tres voces con nombre, y clonación a partir de un clip de referencia junto con su transcripción exacta. La guía de despliegue añade el detalle operativo: el Talker se ejecuta como una segunda etapa a 0,18 de un segundo en una segunda tarjeta, limitado a un token de salida con temperatura 0,0 porque no está generando texto.

En ningún lugar del repositorio hay una frecuencia de muestreo para la salida sintetizada, una medida de naturalidad, una medida de similitud con el clip de referencia, ni una declaración sobre si las tres voces son la misma voz en distintos registros o hablantes genuinamente diferentes. Las imágenes de evaluación cubren reconocimiento, inteligencia de audio y texto. La generación de voz es la única capacidad que el proveedor anuncia en sus aspectos destacados y no evalúa en absoluto.

Eso no es un escándalo, sino una limitación de planificación. Con Voxtral puedes dimensionar un despliegue antes de escucharlo: una tarjeta, 16 GB, 119 caracteres por segundo con concurrencia 1, y una tarifa para la vía comercial. Con Ming dimensionas el hardware (dos tarjetas, la segunda con un 0,18 de utilización) y luego descubres cómo es la voz generando algo.

Cuando el modelo combinado es de todos modos la respuesta correcta

Hay un argumento sólido a favor del Talker, y no es el de un TTS más barato. Es que el mismo modelo escuchó el audio y ahora habla sobre él. Ming-3.0-audio-tiny acepta audio más una instrucción de texto y devuelve texto, o texto más voz. Una pregunta sobre una grabación, respondida en voz alta, en una sola pasada, sin que se serialice una transcripción en un segundo modelo. Nada de fallos del tipo «el ASR dijo “their” y el TTS lo leyó mal», porque no hay un segundo modelo ni texto intermedio que se pueda corromper.

Eso importa para la respuesta a preguntas habladas, para un asistente que escucha una habitación y responde, y para cualquier cosa en la que la respuesta sea una frase sobre algo que acaba de oír. No importa para narración, audiolibros, doblaje ni ninguna carga de trabajo en la que el texto venga de otro sitio — y esos son exactamente los tipos de trabajo para los que se creó Voxtral, con veinte voces y nueve idiomas frente a las tres y dos de Ming.

• Continuidad del mismo modelo — Ming: sí, una sola pasada hacia adelante de audio a habla. Voxtral: entrada de texto, así que la parte de escucha debe venir de otro sitio.

• Variedad de voces — Ming: tres con nombre propio más clonación. Voxtral: veinte preajustes más adaptación de voz de referencia.

• Streaming — Ming: no se ofrece; el Talker es una etapa, no un stream. Voxtral: la ficha anuncia inferencia en streaming y por lotes, y la demo de API del propio proveedor es la implementación de referencia.

• Habla multilingüe — Ming: chino e inglés. Voxtral: nueve idiomas, con los dialectos indicados.

• Estructura de costes — Ming: hardware fijo, dos tarjetas, sin tarifa por carácter. Voxtral: pesos gratuitos para uso no comercial, API con precio por carácter para todo lo demás.

Qué aporta un router a un producto de voz y qué no

OrcaRouter no ofrece ninguno de los dos. Ming-3.0-audio-tiny es un checkpoint que ejecutas tú, y Voxtral 4B TTS está disponible a través de la propia API de Mistral; ninguno está en nuestro catálogo, y este artículo no es una oferta para alojar ninguno de los dos. El lugar del router en un producto de voz es el texto que rodea a la voz: generar el guion, traducirlo a los nueve idiomas que admite Voxtral, escribir el resumen de lo que dijo la persona que llama y decidir si un segmento requiere intervención humana. Esas son llamadas de texto normales — más de 200 modelos de texto con una sola clave, al precio de lista del proveedor y con un 0 % de recargo, con conmutación automática por error para que un lote de diez mil clips no se quede bloqueado porque un proveedor upstream haya tenido una mala tarde.

Eso es un ahorro real en una cadena de doblaje y un error de redondeo en una demo de un solo modelo. Tampoco aborda la cuestión de la que trata este artículo, que es si la voz es buena o no.

¿Cómo elegir sin escuchar antes ninguno de los dos?

Si el producto es voz, elige Voxtral y presupuesta la licencia: ejecuta los pesos no comerciales para evaluar y luego pasa a la API para cualquier cosa que vayas a lanzar, a la tarifa por carácter vigente que sea. Obtienes una tabla de latencia, veinte voces, nueve idiomas y un entorno de ejecución que se ha probado con vLLM-Omni. Renuncias al derecho a autohospedarlo comercialmente, que para muchos equipos es la decisión real.

Si el producto es un sistema de comprensión que habla de vez en cuando, elija Ming-3.0-audio-tiny, asigne un presupuesto de dos GPU y trate al Talker como una función no evaluada: construya primero el mecanismo de respaldo. Genere veinte oraciones con las tres voces, escúchelas y mantenga la opción de cambiar más adelante a un modelo TTS dedicado. La arquitectura permite ese cambio sin problemas porque el Thinker devuelve texto de todos modos; el Talker es un accesorio, no la columna vertebral.

Y en ambos casos, anota lo que mediste. Ninguno de los proveedores lo ha hecho, y el primer equipo que publique una cifra de naturalidad o similitud para cualquiera de los dos modelos le hará un favor al campo —incluidos los proveedores.

La trigésima segunda respuesta, revisada

La versión breve al inicio de este artículo decía que la comparación se resuelve en treinta segundos. Se resuelve en treinta segundos si tu producto es el habla y estás dispuesto a pagar por una licencia. Tarda más si estás construyendo algo que escucha y luego habla, porque las dos opciones no son sustitutas: una es una voz sin oídos; la otra, unos oídos con una voz que nunca se ha evaluado. Los treinta segundos te llevan a la pregunta. El resto del artículo es la parte en la que descubres cuál de las dos necesitas realmente.