Ming-3.0-tts-0.5B vs VoxCPM2: uno gana en las palabras, el otro en la voz

Existe exactamente una comparación publicada de Ming-3.0-tts-0.5B y VoxCPM2, y la escribió Ant Group. En su propia ficha de modelo, Ant evalúa los dos modelos de voz multilingües con el conjunto de pruebas Mi​niMax en alemán, español, francés, coreano y japonés. Ming-3.0-tts-0.5B produce las palabras más precisas en cuatro de los cinco idiomas. VoxCPM2 produce la voz más fiel en los cinco. Ese único patrón —precisión del contenido a favor del checkpoint de 0.5B, similitud del hablante a favor del de 2B— es lo más útil que alguien ha publicado sobre esta comparativa, y es una tabla del propio proveedor, así que también es lo que más necesita una advertencia. Ant gana en la tasa de error que eligió publicar y pierde en la puntuación de similitud en la misma página. Los fallos de IA documentados y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

Ambos modelos son de pesos abiertos, ambos permiten el uso comercial y ambos los operas tú en lugar de invocarlos como servicio. Ming-3.0-tts-0.5B es el modelo denso de Ant Group con licencia MIT, sobre una base Qwen2.5-0.5B con una cabeza de transformador de difusión, publicado en Hugging Face el 24 de septiembre de 2026, con el código de inferencia llegando después a GitHub el 19 de octubre de 2026 y sin ningún anuncio del proveedor para ninguno de los dos. VoxCPM2 es el checkpoint Apache-2.0 de OpenBMB de abril de 2026, un modelo autorregresivo de difusión sin tokenizador de 2B sobre una base MiniCPM-4. Todo lo que sigue es consecuencia de esa diferencia de tamaño y de licencia, y del hecho de que uno de ellos tiene una puntuación independiente de arena y el otro no.

Lo que realmente dice la propia tabla de Ant

El conjunto de pruebas multilingüe de MiniMax reporta un error de contenido —tasa de error de palabras para alemán, español y francés, y tasa de error de caracteres para coreano y japonés— junto con un coseno de similitud de hablante. Un error más bajo es mejor; una similitud más alta es mejor. Ant ejecutó ambos modelos por su cuenta. Nada de esto fue reproducido por un tercero, y los mantenedores de VoxCPM2 no han publicado una tabla de refutación que hayamos podido encontrar.

• Alemán — Ming-3.0-tts-0.5B error 0.365, similitud 0.753; VoxCPM2 error 0.963, similitud 0.790.

• Español — Ming 1.099, similitud 0.763; VoxCPM2 1.324, similitud 0.836.

• Francés — Ming 4.264, similitud 0.675; VoxCPM2 3.380, similitud 0.761. Es el único idioma en el que la clasificación de errores se invierte.

• Coreano — Ming 1,728, similitud 0,793; VoxCPM2 3,547, similitud 0,839.

• Japonés — Ming 3.765, similitud 0.765; VoxCPM2 4.358, similitud 0.825.

Hay dos cosas que merecen atención antes de que cualquiera de los dos modelos reciba crédito. Primero, la diferencia en alemán es grande —0,365 frente a 0,963—, mientras que las diferencias en coreano y japonés son menores y el resultado en francés va en la dirección opuesta, así que «más preciso» es una afirmación por idioma, no general. Segundo, las tasas de error en francés son altas para todos los modelos de esa tabla; un competidor que aparece junto a ellos obtiene 19,878 allí. Un idioma en el que todo el campo se concentra en cifras malas es un idioma en el que el conjunto de pruebas, y no los modelos, está haciendo parte del trabajo. Considera el francés como no concluyente en lugar de como una victoria de VoxCPM2.

Por qué la columna de similitud es la que hay que leer dos veces

La similitud del hablante mide si la salida suena como la voz de referencia. Es la métrica que separa una demo de un producto: una voz clonada que se desvía saca al oyente de la escena incluso cuando cada palabra es correcta, y ninguna puntuación posterior de ASR te dirá nunca que eso ocurrió.

Ming lo pierde en los cinco idiomas, por márgenes de entre 0,037 (español) y 0,086 (francés). Son distancias coseno en una escala acotada, así que las diferencias son modestas pero constantes, y la consistencia en cinco idiomas es más difícil de justificar que una sola fila mala. La explicación sincera está en la propia ficha de Ant, que dice claramente que la similitud del hablante va por detrás de la precisión del contenido. El modelo se ajustó para acertar con las palabras.

Hay una segunda razón, más específica, para esperar esto, y es arquitectónica. VoxCPM2 decodifica a 48 kHz mediante una etapa de superresolución integrada en su tokenizador AudioVAE V2, y acepta un clip de referencia de 16 kHz mientras sigue produciendo una salida de 48 kHz. Ming-3.0-tts-0.5B opera a 44.1 kHz. La frecuencia de muestreo no es similitud —una tasa más alta no hace que una voz sea más fiel—, pero el pipeline de VoxCPM2 está construido explícitamente en torno a preservar el carácter de una voz de referencia a través del paso de remuestreo, y esa es una decisión de diseño que un modelo de 0.5B con un codificador de hablante incluido no toma.

Así que la lectura honesta no es «VoxCPM2 clona mejor porque es más grande». Es que los dos modelos optimizan mitades distintas del mismo objetivo, y la tabla del proveedor muestra que cada uno gana en su propia mitad.

Recortar una voz: dos APIs, dos filosofías

Ambos clonan en zero-shot a partir de un clip corto. Los mecanismos difieren lo suficiente como para ser relevantes si estás escribiendo la integración.

• Ming-3.0-tts-0.5B — un único punto de entrada, un argumento de tarea. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), luego synthesize(task=...) con prompt_wav_path, prompt_text y use_spk_emb. Las tareas incluyen TT​S, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM e IP. El checkpoint incluye el backbone, la cabeza DiT, el tokenizador de audio y un codificador de hablante Campplus, por lo que la clonación es una tarea de primera clase en lugar de un pipeline separado.

• VoxCPM2 — pip install voxcpm, luego VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). El diseño de voz es un prefijo entre paréntesis en el propio texto, "(descripción)texto", con cfg_value=2.0 y inference_timesteps=10 como puntos de partida documentados.

La consecuencia es que la superficie de control de Ming está estructurada y la de VoxCPM2 es textual. Ming te ofrece tareas con nombre y exclusiones mutuas documentadas: FREEFORM no se puede combinar con el diseño de voz, una voz integrada, controles de emoción, dialecto o atributos, y la tarea multilingüe requiere explícitamente un language_id para los cinco idiomas no chinos. Hay más que aprender y menos que adivinar. La cadena única de VoxCPM2 es más rápida de probar y más difícil de volver determinista; la propia ficha de OpenBMB recomienda generar de uno a tres candidatos porque el diseño de voz y el estilo varían entre ejecuciones.

Si estás creando una interfaz de usuario en la que un productor elige una voz de una lista, las más de 100 voces chinas integradas de Ming y sus cinco voces inglesas integradas son un menú que puedes renderizar. VoxCPM2 no tiene una lista equivalente: sus voces se diseñan o se clonan, no se enumeran.

Lenguas, dialectos y la capa paralingüística

• Cantidad de idiomas — Ming-3.0-tts-0.5B cubre chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés como tareas de dialecto separadas. VoxCPM2 afirma 30 idiomas. Ant probó cinco idiomas distintos del chino; OpenBMB no publica ninguna tabla de errores por idioma que hayamos podido verificar, por lo que el 30 es una afirmación de cobertura sin una afirmación de calidad asociada.

• Dialectos — Ming expone el sichuanés y el cantonés como una tarea sin argumento de idioma. La lista de 30 idiomas de VoxCPM2 no aparece desglosada por dialecto en el material que leímos, y tratar las variedades regionales como cubiertas porque el idioma está cubierto es el error que esta viñeta pretende evitar.

• Control en línea: Ming incluye 14 etiquetas para respiración, tos, suspiro, risa, vacilación, sorpresa y preguntas, en chino o inglés, además de emoción, velocidad, tono y volumen explícitos. VoxCPM2 no tiene vocabulario de etiquetas; su control es el prefijo de descripción en lenguaje natural.

• Punto débil, según admite el propio Ant: las frases paralingüísticas con múltiples eventos son inestables, el control de las emociones se degrada cuando el texto no contiene ninguna señal emocional, y el diseño de voz abierto no está a la altura del sistema más potente contra el que Ant lo evaluó. Esa última es una descripción justa de la brecha frente a una voz de frontera alojada, y también se aplica a VoxCPM2.

La división práctica: elige Ming si tu guion necesita risas, un suspiro o una pausa de vacilación en medio de una frase. Elige VoxCPM2 si tu guion necesita un idioma que Ming no cubre, o una voz diseñada a partir de una descripción escrita en lugar de un preajuste con nombre.

Ejecutándolos: 8 GB contra un pin de CUDA

• Ming-3.0-tts-0.5B — probado en una NVIDIA H800-80GB y una H20-96G con CUDA 12.4. Flash-attention es opcional, con una alternativa SDPA. La normalización de texto necesita pynini==2.1.6, o se pasa --no_text_normalization y se acepta que los números y las abreviaturas sin procesar lleguen al modelo. PyTorch 2.6 es el entorno de referencia. La salida es de 44,1 kHz.

• VoxCPM2 — aproximadamente 8 GB de VRAM en bf16 para desarrollo y un pico de unos 22 GB en una tarjeta de 24 GB, Python 3.10 o superior, PyTorch 2.5.0 o superior, CUDA 12.0 o superior. El factor de tiempo real documentado es de aproximadamente 0,30 en una RTX 4090 con PyTorch estándar y de aproximadamente 0,13 con Nano-VLLM — entre dos y tres veces más rápido que el tiempo real, u ocho veces con la capa de servicio.

Esos dos párrafos describen tardes de ingeniería muy distintas. La pila tecnológica de Ming es la más nueva y la más frágil: una biblioteca FST fijada a una versión concreta, un kernel opcional, un entorno de referencia fijado a una compilación específica de CUDA. VoxCPM2 salió en abril y ha absorbido seis meses de informes de instalación de la comunidad. Esa ventaja de madurez es real y es temporal: el código de inferencia de Ming se publicó el mismo día en que se escribió esto, y el repositorio recibió su nota de soporte de vLLM-Omni en un commit de documentación esa misma tarde.

Ninguno de los dos modelos lo ofrece un proveedor de inferencia alojada que hayamos podido identificar, y eso no es tanto una laguna de esta comparación como su premisa: ambos son checkpoints que uno se descarga. Sí significa que la evidencia independiente está desequilibrada. Ming-3.0-tts-0.5B tiene una fila de Artificial Analysis en ambos paneles de voz: 1.188 Elo en Provider Voice (intervalo 1.173–1.203, rango de posiciones 17–23, la decimonovena fila de la lista que capturamos el 19 de octubre de 2026) y 1.069 en Controlled Voice (1.053–1.085, rango de posiciones 10–18, decimotercera fila ese mismo día). VoxCPM2 no tiene fila en ninguno de los dos paneles según nuestras últimas capturas, y la ausencia se ha mantenido estable desde abril, no es una omisión reciente. Así que el único número independiente de este artículo es de Ming, y es respetable; VoxCPM2 no tiene nada con lo que contrastarlo, y ningún artículo honesto puede inventarse un Elo cara a cara que nadie midió.

Licencia, ajuste fino y la pregunta que nadie hace

Ambas licencias permiten el uso comercial. Ming es MIT, que es de las licencias más permisivas que existen y solo exige atribución. VoxCPM2 es Apache 2.0, que añade una concesión explícita de patentes y una exclusión para marcas registradas. Para la mayoría de los equipos, la diferencia es administrativa más que legal, y cualquiera de las dos es una respuesta clara a un cuestionario de adquisiciones, mientras que una licencia no comercial no lo es.

La verdadera asimetría está en el ajuste fino. VoxCPM2 documenta ajuste fino supervisado completo y LoRA con cinco a diez minutos de audio, lo que significa que puedes orientar el modelo hacia un hablante o un estilo específicos con un conjunto de datos pequeño y una sola GPU. Ming-3.0-tts-0.5B no incluye ninguna receta de ajuste fino, ningún script de entrenamiento ni ninguna vía de LoRA en la versión que revisamos. Si tu producto necesita un modelo que sea tuyo en lugar de un modelo al que le das instrucciones, eso no es una brecha en los benchmarks: es una brecha de capacidades, y decide la elección antes de consultar cualquier número de Elo.

La respuesta de Ming a esa misma necesidad es el diseño de voz sumado a la clonación: describe la voz o proporciona un clip. Eso cubre la mayoría de las necesidades de producción y ninguna de las que implican entrenar con audio propietario a gran escala.

Dónde una capa de enrutamiento merece su lugar aquí

OrcaRouter no aloja Ming-3.0-tts-0.5B ni VoxCPM2. Ninguno de los dos es un modelo para el que podamos darte un endpoint, y este texto no va a fingir lo contrario. Lo que un router sí alcanza en un pipeline de voz es todo lo anterior a la forma de onda: el modelo que redacta el guion, expande las abreviaturas, decide dónde va la etiqueta de risa y reescribe la frase que quedó en 3,8 segundos cuando el hueco era de 3,2. Esas son llamadas de texto, y enrutamos más de 200 modelos de texto detrás de una sola clave al precio de lista del proveedor con un 0 % de margen añadido — así que cuando un proveedor baja un precio, la rebaja está activa en nuestro lado el mismo día en lugar de en el siguiente reajuste de precios. La conmutación por error automática mantiene esa mitad del pipeline respondiendo mientras que la mitad de voz es una descarga que tú mismo gestionas.

Ese es el límite honesto. Un enrutador es la herramienta equivocada para un checkpoint que ejecutas en tu propia GPU, y la herramienta correcta para los modelos que deciden qué se le pide al checkpoint que diga.

Elegir, sin una tabla de clasificación detrás de la cual esconderse

Elige Ming-3.0-tts-0.5B si tu contenido es multilingüe y la exactitud de las palabras es la métrica sobre la que discuten tus partes interesadas, si necesitas cobertura de voces con prioridad al chino con preajustes con nombre, si las etiquetas emocionales en línea forman parte del formato del guion, si quieres un checkpoint MIT de 2.96 GB que quepa cómodamente en hardware modesto, o si una cantidad de parámetros de 0,5B es la diferencia entre un costo unitario viable y uno inviable. Ten en cuenta desde el principio que la voz será un poco menos fiel a la referencia que la de VoxCPM2, que el código de inferencia tiene solo unas horas y que no hay una vía de ajuste fino.

Elige VoxCPM2 si la identidad de la voz es el producto —doblaje, trabajo de personajes, cualquier cosa en la que un oyente notaría que el clon se desvía—, si necesitas uno de los idiomas que Ming no cubre, si tienes previsto afinar el modelo con tu propio audio o si quieres un stack que se haya podido instalar sin sorpresas desde abril.

El desempate es barato y ninguno de los números anteriores lo reemplaza. Toma cien frases de tu propio texto, un clip de referencia y ejecuta ambos. Puntúa las palabras con un modelo de ASR y puntúa la voz con la misma métrica de coseno que usó Ant. Obtendrás una respuesta por idioma en una tarde, con tu contenido y tus acentos, lo que es más de lo que puede darte una tabla de proveedores basada en un conjunto de pruebas público, y bastante más que una clasificación que enumera solo uno de los dos modelos.