Ming-3.0-audio-tiny vs Voxtral 4B TTS : L’un est un auditeur doté d’une voix, l’autre ne vend rien d’autre

Si vous voulez générer de la parole et rien d’autre, cette comparaison devrait prendre environ trente secondes. Voxtral 4B T​TS est un modèle de synthèse vocale : du texte en entrée, de l’audio à 24 kHz en sortie, vingt voix prédéfinies, neuf langues, un tableau de latence publié et des conditions de licence qui vous empêchent de vendre le résultat. Ming-3.0-audio-tiny est un modèle audio-langage qui inclut accessoirement un générateur de parole — un Talker de 1,4 Go greffé sur un Thinker de 17,74 Go, avec trois voix nommées et une voie de clonage, logé dans un dépôt dont la section d’évaluation ne mesure jamais la synthèse. Si la parole est le produit, la comparaison est terminée avant même d’avoir commencé. Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recensés dans the OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.

La version intéressante de la question est l’autre : vous construisez quelque chose qui doit comprendre l’audio et répondre vocalement, et vous décidez si vous devez acheter un seul modèle qui fait les deux ou brancher un écouteur sur une voix dédiée. C’est là que les trente secondes deviennent un après-midi, car les deux options échouent à des endroits différents et une seule s’accompagne d’un chiffre sur lequel vous pouvez planifier.

La licence décide plus que le benchmark

Commencez par ce qu’aucune évaluation ne peut corriger. Voxtral 4B TTS est sous licence CC BY-NC 4.0 — non commerciale — héritée des jeux de données de voix de référence avec lesquels le modèle a été construit : EARS, CML-TTS, IndicVoices-R et un ensemble d’audio naturel arabe. Mistral l’indique clairement sur la fiche et oriente les utilisateurs commerciaux vers son API. Les poids sont donc ouverts pour la recherche et l’usage personnel, et la voie commerciale passe par une grille tarifaire plutôt que par un téléchargement.

Ming-3.0-audio-tiny est sous licence MIT dans les métadonnées de la fiche et dans le fichier LICENSE du dépôt GitHub qu’elle référence. Bon à savoir : le dépôt Hugging Face lui-même ne contient aucun fichier LICENSE, et les deux voix de référence incluses ne sont assorties d’aucune condition distincte qui leur soit propre. MIT est ici une affirmation de licence réellement permissive, mais il s’agit d’une affirmation dans les métadonnées plutôt que d’un fichier dans l’artefact, et le service des achats le remarquera.

• Utilisation commerciale — Ming : oui, MIT, poids et code. Voxtral : pas à partir des poids ; l’API du fournisseur est la voie autorisée.

• Voix incluses — Ming : trois nommées, dont deux fournies en WAV de référence avec transcriptions. Voxtral : vingt préréglages.

• Langues — Ming : chinois et anglais pour l’ensemble du modèle, sans liste de langues distincte pour le Talker. Voxtral : anglais, français, espagnol, allemand, italien, portugais, néerlandais, arabe et hindi.

• Sortie — Ming : tout ce que produit le Talker ; la carte ne précise ni la fréquence d’échantillonnage ni le conteneur. Voxtral : 24 kHz, WAV, PCM, FLAC, MP3, AAC ou Opus.

• Ce que vous exécutez — Ming : le Thinker, 17,74 Go, plus un Talker de 1,4 Go et un VAE de 1,6 Go sur un deuxième appareil. Voxtral : un checkpoint BF16 sur un seul GPU avec au moins 16 Go.

• Qualité vocale publiée — Ming : aucune. Voxtral : aucune non plus, mais à la place un tableau de latence et de débit, ce qui vaut mieux que rien.

Cette dernière ligne est le résumé honnête de la base de preuves de cette comparaison. Aucun des deux fournisseurs n’a publié de score de naturel, de mesure de similarité avec le locuteur ni de taux d’erreur sur les mots pour la parole synthétisée. Mistral a publié sa vitesse ; inclusionAI a publié la qualité d’écoute du modèle. Personne n’a publié la qualité sonore de l’un ou de l’autre.

Ce que disent vraiment les chiffres de Mistral

Le tableau Voxtral est un benchmark de service, et il est important de bien l’interpréter. Mesuré sur un seul NVIDIA H200 avec vLLM-Omni 0.18.0, avec une entrée de 500 caractères et un extrait de référence de dix secondes :

• Concurrence 1 — latence de 70 ms, facteur temps réel de 0,103, environ 119 caractères par seconde par GPU.

• Concurrence 16 — 331 ms, RTF 0,237, environ 879 caractères par seconde.

• Concurrence 32 — 552 ms, RTF 0,302, environ 1 431 caractères par seconde.

Deux choses s’ensuivent. Premièrement, le RTF augmente avec la concurrence — de 0,103 à 0,302 — donc le gain de débit dû au traitement par lots est réel mais sous-linéaire ; vous obtenez environ douze fois plus de caractères pour environ huit fois le facteur temps réel. Deuxièmement, 70 ms jusqu’au premier audio à une concurrence de 1 est le chiffre qui détermine si un agent vocal semble vivant, et c’est un chiffre que Ming-3.0-audio-tiny n’a pas. Pas un moins bon. Aucun.

Mistral qualifie tout cela de non reproduit et exécuté par le fournisseur, ce qui est le cas. Mais c’est au moins une affirmation assortie d’une méthode : matériel nommé, version d’exécution nommée, longueur d’entrée nommée, longueur de référence nommée. On pourrait reconstruire le banc d’essai.

La chose à laquelle la voie de la parole de Ming ne peut pas répondre

La sortie vocale du petit modèle est décrite dans la fiche en trois phrases : des voix intégrées ou une voix de référence, trois voix nommées, le clonage à partir d’un extrait de référence ainsi que de sa transcription exacte. Le guide de déploiement ajoute le détail opérationnel — le Talker s’exécute comme deuxième étage à 0,18 seconde sur carte, limité à un jeton de sortie avec une température de 0,0 parce qu’il ne génère pas de texte.

Nulle part dans le dépôt il n’y a de taux d’échantillonnage pour la sortie synthétisée, de mesure de naturel, de mesure de similarité avec le clip de référence, ni d’indication précisant si les trois voix sont une même voix dans différents registres ou de véritables locuteurs différents. Les images d’évaluation couvrent la reconnaissance, l’intelligence audio et le texte. La génération de parole est la seule capacité que le fournisseur met en avant dans ses points forts et qu’il n’évalue pas du tout.

Ce n’est pas un scandale, mais c’est une contrainte de planification. Avec Voxtral, vous pouvez dimensionner un déploiement avant de l’entendre : une carte, 16 Go, 119 caractères par seconde à concurrence 1, et une grille tarifaire pour la voie commerciale. Avec Ming, vous dimensionnez le matériel (deux cartes, la seconde à 0,18 d’utilisation), puis vous découvrez la voix en générant quelque chose.

Lorsque le modèle combiné est de toute façon la bonne réponse

Le Talker a un vrai argument, et ce n’est pas « un TTS moins cher ». C’est que le même modèle a entendu l’audio et en parle maintenant. Ming-3.0-audio-tiny accepte de l’audio accompagné d’une instruction textuelle et renvoie du texte, ou du texte accompagné de parole. Une question sur un enregistrement, à laquelle on répond à voix haute, en une seule passe, sans qu’aucune transcription ne soit sérialisée dans un second modèle. Pas d’échec du type « l’ASR a dit “their”, le TTS l’a mal lu », car il n’y a pas de second modèle ni de texte intermédiaire à corrompre.

Cela compte pour les questions-réponses vocales, pour un assistant qui écoute une pièce et répond, et pour tout cas où la réponse est une phrase à propos de quelque chose qu’il vient d’entendre. Cela ne compte pas pour la narration, les livres audio, le doublage ou toute charge de travail où le texte vient d’ailleurs — et ce sont exactement les charges de travail pour lesquelles Voxtral a été conçu, avec vingt voix et neuf langues contre trois et deux pour Ming.

• Continuité au sein d’un même modèle — Ming : oui, une seule passe forward de l’audio à la parole. Voxtral : du texte en entrée, donc la moitié « écoute » doit venir d’ailleurs.

• Variété de voix — Ming : trois voix nommées plus le clonage. Voxtral : vingt préréglages plus l’adaptation à une voix de référence.

• Streaming — Ming : non proposé ; le Talker est une étape, pas un flux. Voxtral : la fiche annonce l'inférence en streaming et par lots, et la démo d'API du fournisseur lui-même fait office d'implémentation de référence.

• Parole multilingue — Ming : chinois et anglais. Voxtral : neuf langues, avec dialectes indiqués.

• Structure des coûts — Ming : matériel à coût fixe, deux cartes, pas de facturation au caractère. Voxtral : poids gratuits pour un usage non commercial, API facturée au caractère pour tout le reste.

Ce qu’un routeur apporte à un produit vocal, et ce qu’il n’apporte pas

OrcaRouter ne fournit ni l’un ni l’autre. Ming-3.0-audio-tiny est un checkpoint que vous exécutez et Voxtral 4B T​TS est accessible via l’API propre à Mistral ; ni l’un ni l’autre ne figure dans notre catalogue, et cet article ne constitue pas une offre d’hébergement pour l’un ou l’autre. Dans un produit vocal, le rôle du routeur est le texte qui entoure la voix : générer le script, le traduire dans les neuf langues prises en charge par Voxtral, rédiger le résumé de ce que l’appelant a dit, décider si un segment nécessite une intervention humaine. Ce sont des appels texte ordinaires — plus de 200 modèles de texte derrière une seule clé au prix catalogue du fournisseur avec 0 % de marge ajoutée, avec basculement automatique afin qu’un lot de dix mille clips ne se bloque pas parce qu’un service en amont a passé un mauvais après-midi.

C’est une véritable économie dans un pipeline de doublage, et une erreur d’arrondi dans une démo avec un seul modèle. Cela ne touche pas non plus à la question dont traite cet article, à savoir si la voix est bonne.

Comment choisir sans avoir d’abord écouté l’un ou l’autre

Si le produit est vocal, choisissez Voxtral et prévoyez un budget pour la licence : utilisez les poids non commerciaux pour évaluer, puis passez à l’API pour tout ce que vous mettez en production, au tarif actuel par caractère. Vous obtenez un tableau de latence, vingt voix, neuf langues et un runtime testé avec vLLM-Omni. Vous renoncez au droit de vous auto-héberger à des fins commerciales, ce qui, pour de nombreuses équipes, constitue la vraie décision.

S’il s’agit d’un produit de compréhension qui parle occasionnellement, choisissez Ming-3.0-audio-tiny, prévoyez un budget de deux GPU et traitez le Talker comme une fonctionnalité non mesurée — construisez d’abord la solution de repli. Générez vingt phrases pour les trois voix, écoutez, et gardez la possibilité d’intégrer plus tard un modèle TTS dédié. L’architecture permet cette substitution proprement, car le Thinker renvoie de toute façon du texte ; le Talker est un accessoire, pas la colonne vertébrale.

Et dans les deux cas, notez ce que vous avez mesuré. Aucun des deux fournisseurs ne l'a fait, et la première équipe à publier un chiffre de naturel ou de similarité pour l'un ou l'autre modèle rendra un service à tout le domaine — y compris aux fournisseurs.

La trente-deuxième réponse, révisée

La version courte en tête de cet article disait que la comparaison se réglait en trente secondes. Elle se règle en trente secondes si la parole est votre produit et que vous êtes prêt à payer une licence. Cela prend plus de temps si vous construisez quelque chose qui écoute puis qui parle, car les deux options ne sont pas interchangeables : l'une est une voix sans oreilles, l'autre des oreilles dotées d'une voix qui n'a jamais été évaluée. Les trente secondes vous amènent à la question. Le reste de l'article est la partie où vous découvrez lequel des deux vous avez réellement besoin.