Ming-3.0-tts-tiny vs VoxCPM2: Dos checkpoints, uno de los cuales publica su velocidad

Esta es la única comparación de la serie Ming-3.0-tts-tiny en la que ambos lados se pueden ejecutar realmente, y eso cambia de qué trata el debate. Ming-3.0-tts-tiny, de inclusionAI, de Ant Group, es una mezcla de expertos de 7900 millones de parámetros que activa unos 1300 millones por token, con licencia MIT, de unos 18 GB en disco y con una H800 indicada como la tarjeta recomendada. VoxCPM2, de OpenBMB, es un modelo de 2000 millones de parámetros sin tokenizador sobre una base MiniCPM-4, Apache 2.0, de unos 8 GB en bfloat16, publicado en abril de 2026. Ninguno de los dos tiene fila en una tabla de clasificación. Ninguno tiene un precio alojado. Cuando dos modelos se pueden descargar y ninguno tiene puntuación, la comparación deja de ser cuestión de preferencia y pasa a ser cuestión de aritmética: horas de audio por hora de GPU, memoria por proceso y si puedes ajustar el modelo sin escribir tú mismo el código de entrenamiento. Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Los historiales de lanzamiento merecen exponerse sin rodeos porque explican la brecha de madurez. VoxCPM2 ha sido público desde abril, ha acumulado alrededor de 847.000 descargas en el último mes y distribuye scripts de entrenamiento junto con la inferencia. El repositorio de Ming-3.0-tts-tiny se creó el 22 de septiembre de 2026, los pesos llegaron el 24 de septiembre y el código para ejecutarlos no existió públicamente hasta el 19 de octubre a las 08:58 UTC, cuando llegaron nueve commits en una sola tarde. Ant no ha anunciado el modelo. No hay informe técnico; la hoja de ruta lo incluye como una casilla sin marcar, y la ficha del modelo se editó el 16 de octubre específicamente para eliminar una referencia a uno. Así que uno de estos es un proyecto de cinco meses con base de usuarios y el otro es un pipeline que, a la fecha de este escrito, tiene una semana de vida.

El número uno de ellos publica y el otro no

La ficha de VoxCPM2 indica un factor de tiempo real de aproximadamente 0,30 en PyTorch estándar sobre una RTX 4090, que desciende a unos 0,13 con Nano-VLLM. El factor de tiempo real son los segundos de cómputo por cada segundo de audio, así que esas dos cifras significan que una hora de GPU rinde unas 3,3 horas de voz terminada en el primer caso y unas 7,7 en el segundo.

Ming-3.0-tts-tiny no publica ningún dato de rendimiento en absoluto. Ni factor de tiempo real, ni caracteres por segundo, nada medido en una tarjeta. Lo que sí ofrece la versión es el entorno en el que se validó —Python 3.10.15, torch y torchaudio 2.7.1 con CUDA 11.8, transformers fijado a 4.46.3, una H800, y un script de comprobación previa que verifica tu instalación antes de que malgastes una ejecución— además de la arquitectura: 8,980,964,372 parámetros en BF16, 40,096 en F32, una pila de expertos de 7.9B en total con aproximadamente 1.3B activos por token.

No puedes tomar prestado el rendimiento del hermano de 0.5B para cubrir la brecha. Ese modelo se midió en 42,1 caracteres por segundo con un arnés independiente y ocupa 2,96 GB; el modelo diminuto activa aproximadamente dos veces y media tantos parámetros por token y ocupa aproximadamente seis veces el espacio en disco. El enrutamiento disperso recupera parte del coste del total mayor, que es precisamente el objetivo de la arquitectura, pero nadie fuera de Ant ha cuantificado cuánto.

Haciendo el cálculo de costes con un agujero

Como una de las partes publica su velocidad y la otra no, la versión honesta de esta comparación es un rango en lugar de una cifra. Esta es su forma.

• VoxCPM2 en una RTX 4090, PyTorch — 0,30 RTF, así que 3,3 horas de audio por hora de GPU. Un millón de caracteres de narración, a unos 15 caracteres por segundo de habla, equivalen a aproximadamente 18,5 horas de audio finalizado, o aproximadamente 5,6 horas de GPU.

• VoxCPM2 en la misma tarjeta, Nano-VLLM — 0,13 RTF, así que 7,7 horas por hora de GPU, o aproximadamente 2,4 horas de GPU para el mismo millón de caracteres. El stack de serving más que duplica la salida sin tocar los pesos.

• Ming-3.0-tts-tiny — desconocido. A un hipotético ritmo de 20 caracteres por segundo, necesitaría unas 14 horas de generación; a 10 caracteres por segundo, unas 28. Ninguna de las dos cifras es una medición y ambas deben tratarse como valores provisionales hasta que alguien publique una.

• Memoria — VoxCPM2 indica unos 8 GB en bf16, lo que cabe en una tarjeta gráfica de consumo de 24 GB con margen para el procesamiento por lotes. Los 18 GB de pesos de Ming-3.0-tts-tiny, más las activaciones y el decodificador de audio, hacen que una H800 de 80 GB sea el objetivo razonable y que una tarjeta de 24 GB no lo sea.

• Límite de secuencia — VoxCPM2 se limita a 8,192 tokens, lo cual es una restricción real para el trabajo de formato largo y vale la pena comprobarlo con tu párrafo más largo antes de comprometerte. Ming-3.0-tts-tiny no publica un límite equivalente; su ruta para formato largo es la tarea de pódcast, que toma un guion en lugar de una sola locución.

La conclusión que se mantiene pese al dato que falta tiene que ver con la utilización, no con la velocidad. Una tarjeta que permanece inactiva pierde frente a cualquier API alojada a cualquier precio, y una tarjeta que ya tienes y mantienes ocupada gana en coste marginal, indépendientemente de cuál de estas dos ejecutes. La diferencia entre 0,30 y 0,13 RTF es un factor de 2,3 en el coste por hora de audio, mayor de lo que la mayoría de los equipos espera de un cambio en la pila de servicio y mayor de lo que sugeriría la diferencia en el número de parámetros.

El ajuste fino es donde los dos dejan de ser comparables.

VoxCPM2 documenta tanto el ajuste fino supervisado completo como LoRA con tan solo cinco a diez minutos de audio, con un script de entrenamiento y una configuración para cada uno. Eso no es una nota al pie; es la diferencia entre un modelo cuyo comportamiento alquilas y un modelo cuyo comportamiento posees.

Ming-3.0-tts-tiny documenta la inferencia, no el entrenamiento. El repositorio es un recetario de tareas —clonación de voces semilla, multilingüe, paralingüístico, pódcast, atributos básicos, emoción, dialecto, formato libre, diseño de voz y una tarea "ip"— construido en torno a un único MingTinyTTS.from_pretrained punto de entrada. No hay receta de LoRA, ni configuración de SFT, ni ninguna declaración sobre si se admite el ajuste fino en absoluto. Bien podría ser posible; el checkpoint es un checkpoint. Pero "posible" y "documentado con un script funcional" son distintos niveles de ingeniería, y el segundo es lo que ofrece VoxCPM2.

Para una voz de marca, un dominio regulado o un idioma que ninguno de los modelos maneja bien de forma predeterminada, esa es la asimetría decisiva. Cinco minutos de audio de referencia y una configuración proporcionada equivalen a una semana de trabajo. La ingeniería inversa de una ruta de entrenamiento para un modelo disperso de 7.9B sin implementación de referencia es un trimestre.

Idiomas, dialectos y lo que «30 idiomas» ofrece

• Ming-3.0-tts-tiny — chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés cuando proporcionas un clip de referencia en ese dialecto. Nueve en total si cuentas los dos dialectos.

• VoxCPM2 — 30 idiomas, incluidos el cantonés y el sichuanés, y la ficha indica que no se requiere etiqueta de idioma: le das texto y él infiere el idioma. Eso es una comodidad con un modo de fallo, ya que el texto con varios idiomas lo resolverá el modelo y no tú.

En los idiomas que comparten, solo un lado ha publicado tasas de error por idioma, y es Ant. Alemán: 0,325% de error de caracteres; español: 0,971%; japonés: 3,427%; francés: 3,470%; coreano: 6,000%; todo en el propio entorno de pruebas de Ant, todo sin reproducir. VoxCPM2 no publica ninguna tabla por idioma, así que la ventaja en amplitud no puede contrastarse con la afirmación de profundidad. Cualquiera que cite un ganador en calidad de idioma aquí está citando la hoja de cálculo de un proveedor frente al silencio de otro proveedor.

La cifra del coreano merece su propia frase, porque es el defecto más claro en el historial de Ming-3.0-tts-tiny: 6,000 % de error de caracteres, aproximadamente tres veces y media el 1,728 % que su propio hermano de 0,5B registra en el mismo idioma. La ficha incluye el coreano entre las debilidades conocidas y no ofrece ningún mecanismo. Una explicación basada en enrutamiento disperso es plausible y no se ha medido.

La cuestión de la licencia, donde la brecha es menor de lo que parece

Ambas son permisivas para uso comercial, lo cual es inusual en este campo y vale la pena decirlo sin rodeos. Ming-3.0-tts-tiny es MIT para los pesos y el código, con una nota de uso que pide no suplantar a personas sin consentimiento y etiquetar el audio sintético; una solicitud en la documentación, no una condición de la licencia. VoxCPM2 es Apache 2.0, explícitamente gratuito para uso comercial, con su propio lenguaje de uso aceptable.

Ninguna de las dos licencias obliga a una revisión jurídica que acabe con el proyecto, y ninguna incluye la excepción para servicios alojados que hace que algunos lanzamientos de voz de pesos abiertos resulten inutilizables en producción. En un despliegue autoalojado, ambas son lo bastante parecidas como para que la licencia no deba ser el factor de desempate; lo que debería decidir es la información sobre el entrenamiento, el consumo de memoria y la velocidad.

Ninguno de los dos está en el tablero, y de todos modos se toma prestado un número.

Artificial Analysis incluye una entrada Ming-3.0-tts con 1.188 Elo en Provider Voice y 1.069 en Controlled Voice. Ese es el modelo de 0,5B. Ming-3.0-tts-tiny no tiene fila en la arena —no está clasificado, ni sin clasificar, ni es una entrada de vista previa—, y el README de GitHub reproduce las cifras 1.188 y 1.069 sin decir qué checkpoint las produjo.

VoxCPM2 no tiene ninguna fila, en ninguna de las dos tablas, y su página de Hugging Face señala que ningún proveedor de inferencia lo despliega. Esa ausencia no es una puntuación baja. Significa que nadie ha puesto a ninguno de estos dos modelos frente a un panel de preferencias, así que la única evidencia de calidad en esta comparación es la suite propia de Ant por un lado y nada por el otro.

Si necesitas una cifra antes de empezar, el sustituto útil es el que VoxCPM2 sí publica: el factor de tiempo real. No es una métrica de calidad, pero está medida, es reproducible en tu propia tarjeta y te indica cuánto cuesta operar el modelo. El equivalente de Ming-3.0-tts-tiny es un rango que tendrás que generar tú mismo.

Para qué sirve realmente cada uno

Elige VoxCPM2 cuando la carga de trabajo sea de formato largo y sensible al coste, cuando necesites un idioma fuera de los nueve de Ant, cuando los 8 GB de VRAM importen porque tu despliegue sea una única tarjeta gráfica de consumo, o cuando una LoRA sobre tus propios cinco minutos de audio esté en la hoja de ruta. El diseño sin tokenizer y la salida de 48 kHz mediante la superresolución integrada de AudioVAE V2 son ventajas reales de ingeniería, y los cinco meses de uso público significan que los modos de fallo están documentados por desconocidos en lugar de por el proveedor.

Elige Ming-3.0-tts-tiny cuando necesites lo que solo él ofrece: una tarea de podcast con múltiples hablantes en una sola pasada, 14 etiquetas paralingüísticas en línea con controles explícitos de emoción, velocidad, tono y volumen, un elenco de más de 100 voces en chino con cinco voces en inglés, y un modelo centrado en el chino cuyo manejo de dialectos se construyó en lugar de inferirse. Acepta a cambio que serás el primer equipo en evaluarlo, que el coreano es una debilidad documentada, que el ajuste fino no está documentado y que el lanzamiento completo tiene una semana de antigüedad.

OrcaRouter no enruta ninguno de los dos modelos, y este artículo no debe interpretarse como que sugiere lo contrario: a ambos se accede descargándolos y ejecutándolos por tu cuenta. Lo que está en el catálogo es la mitad de texto del mismo pipeline: más de 200 modelos con una sola clave al precio de lista del proveedor sin ningún margen añadido, así que un cambio de precio del proveedor te llega el mismo día, con conmutación por error automática entre proveedores para el modelo que escribe el script o impulsa el agente. Con ambas opciones de voz autoalojadas y ninguna con una factura por carácter, el coste recurrente que realmente puedes comparar mes a mes es la capa de texto, y esa es la que merece la pena poner detrás de un único endpoint.

La comparación termina donde empezó: dos puntos de control, ningún marcador compartido y una decisión que se reduce a si necesitas velocidad y ajuste fino en hardware modesto o control con prioridad al chino en uno grande. VoxCPM2 responde a lo primero con cifras publicadas. Ming-3.0-tts-tiny responde a lo segundo con un recetario de tareas y ninguna cifra de rendimiento, que es lo más útil que Ant podría publicar a continuación.