Ming-3.0-tts-0.5B vs VoxCPM2 : l’un l’emporte sur les mots, l’autre sur la voix

Il existe une seule comparaison publiée de Ming-3.0-tts-0.5B et VoxCPM2, et c’est Ant Group qui l’a rédigée. Dans sa propre fiche de modèle, Ant évalue les deux modèles vocaux multilingues sur le jeu de test Mi​niMax en allemand, espagnol, français, coréen et japonais. Ming-3.0-tts-0.5B produit les mots les plus exacts dans quatre des cinq langues. VoxCPM2 produit la voix la plus fidèle dans les cinq. Ce seul schéma — l’exactitude du contenu pour le checkpoint 0,5B, la similitude du locuteur pour celui de 2B — est l’élément le plus utile que quiconque ait publié sur cette confrontation, et comme il s’agit du tableau d’un fournisseur lui-même, c’est aussi ce qui a le plus besoin d’une mise en garde. Ant gagne sur le taux d’erreur qu’il a choisi de publier et perd sur le score de similitude sur la même page. Les défaillances documentées de l’IA et les incidents d’agents derrière des versions comme celle-ci sont recensés dans the OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Les deux modèles sont à poids ouverts, tous deux autorisent l’usage commercial, et tous deux sont exploités par vous plutôt qu’appelés en tant que service. Ming-3.0-tts-0.5B est le modèle dense sous licence MIT d’Ant Group, sur une base Qwen2.5-0.5B avec une tête diffusion-transformer, publié sur Hugging Face le 24 septembre 2026, le code d’inférence ayant suivi sur GitHub le 19 octobre 2026, sans aucune annonce du fournisseur pour l’un comme pour l’autre. VoxCPM2 est le checkpoint Apache-2.0 d’OpenBMB d’avril 2026, un modèle autorégressif de diffusion sans tokeniseur de 2B sur une base MiniCPM-4. Tout ce qui suit est en aval de cette différence de taille et de licence, et du fait que l’un d’eux dispose d’un score d’arène indépendant et l’autre pas.

Ce que dit réellement le tableau d'Ant lui-même

Le jeu de test multilingue Mi​niMax rapporte une erreur de contenu — taux d’erreur sur les mots pour l’allemand, l’espagnol et le français, taux d’erreur sur les caractères pour le coréen et le japonais — ainsi qu’un cosinus de similarité de locuteur. Plus l’erreur est faible, mieux c’est ; plus la similarité est élevée, mieux c’est. Ant a fait tourner les deux modèles elle-même. Rien ici n’a été reproduit par un tiers, et les mainteneurs de VoxCPM2 n’ont publié aucune table de réfutation que nous ayons pu trouver.

Allemand — Ming-3.0-tts-0.5B erreur 0.365, similarité 0.753 ; VoxCPM2 erreur 0.963, similarité 0.790.

• Espagnol — Ming 1,099, similarité 0,763 ; VoxCPM2 1,324, similarité 0,836.

• Français — Ming 4,264, similarité 0,675 ; VoxCPM2 3,380, similarité 0,761. C’est la seule langue où le classement des erreurs s’inverse.

• Coréen — Ming 1,728, similarité 0,793 ; VoxCPM2 3,547, similarité 0,839.

• Japonais — Ming 3.765, similarité 0.765 ; VoxCPM2 4.358, similarité 0.825.

Deux choses méritent d’être signalées avant de créditer l’un ou l’autre modèle. Premièrement, l’écart pour l’allemand est important — 0,365 contre 0,963 — tandis que les écarts pour le coréen et le japonais sont plus faibles et que le résultat pour le français va dans l’autre sens ; « plus précis » est donc une affirmation propre à chaque langue, et non une affirmation générale. Deuxièmement, les taux d’erreur en français sont élevés pour tous les modèles de ce tableau ; un concurrent cité à leurs côtés y obtient 19,878. Une langue où tout le domaine se regroupe sur de mauvais chiffres est une langue où l’ensemble de test, et non les modèles, fait une partie du travail. Considérez le français comme non concluant plutôt que comme une victoire de VoxCPM2.

Pourquoi la colonne de similarité est celle qu’il faut lire deux fois

La similarité du locuteur mesure si la sortie ressemble à la voix de référence. C’est la métrique qui distingue une démo d’un produit : une voix clonée qui dérive fait sortir l’auditeur de la scène même lorsque chaque mot est correct, et aucun score ASR en aval ne vous dira jamais que cela s’est produit.

Ming échoue dans les cinq langues, avec des écarts compris entre 0,037 (espagnol) et 0,086 (français). Ce sont des distances cosinus sur une échelle bornée ; les écarts sont donc modestes mais cohérents, et une cohérence sur cinq langues est plus difficile à écarter que'une seule ligne aberrante. L'explication franche figure dans la fiche d'Ant elle-même, qui indique clairement que la similarité des locuteurs est en retrait par rapport à l'exactitude du contenu. Le modèle a été ajusté pour bien restituer les mots.

Il existe une seconde raison, plus spécifique, de s’y attendre, et elle est architecturale. VoxCPM2 décode à 48 kHz via un étage de super-résolution intégré à son tokenizer AudioVAE V2, et accepte un extrait de référence à 16 kHz tout en produisant une sortie à 48 kHz. Ming-3.0-tts-0.5B fonctionne à 44,1 kHz. La fréquence d’échantillonnage n’est pas la similarité — une fréquence plus élevée ne rend pas une voix plus fidèle — mais le pipeline VoxCPM2 est explicitement conçu pour préserver le caractère d’une voix de référence à travers l’étape de rééchantillonnage, et c’est un choix de conception qu’un modèle 0,5B avec un encodeur de locuteur intégré ne fait pas.

Ainsi, la lecture honnête n’est pas « VoxCPM2 clone mieux parce qu’il est plus grand ». C’est que les deux modèles optimisent des moitiés différentes d’un même objectif, et le tableau du fournisseur montre que chacun l’emporte sur sa propre moitié.

Écrêter une voix : deux API, deux philosophies

Les deux effectuent un clonage zero-shot à partir d’un court clip. Les mécanismes diffèrent suffisamment pour que cela ait de l’importance si vous écrivez l’intégration.

• Ming-3.0-tts-0.5B — un point d'entrée, un argument de tâche. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), puis synthesize(task=...) avec prompt_wav_path, prompt_text et use_spk_emb. Les tâches incluent TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM et IP. Le checkpoint regroupe le backbone, la tête DiT, le tokenizer audio et un encodeur de locuteur Campplus, de sorte que le clonage est une tâche de premier ordre plutôt qu'un pipeline distinct.

• VoxCPM2 — pip install voxcpm, puis VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). La conception de la voix est un préfixe entre parenthèses sur le texte lui-même, "(description)text", avec cfg_value=2.0 et inference_timesteps=10 comme points de départ documentés.

La conséquence est que la surface de contrôle de Ming est structurée, tandis que celle de VoxCPM2 est textuelle. Ming vous propose des tâches nommées avec des exclusions mutuelles documentées — FREEFORM ne peut pas être combiné avec la conception de voix, une voix intégrée, l'émotion, le dialecte ou les contrôles d'attributs, et la tâche multilingue exige un language_id explicite pour les cinq langues autres que le chinois. La chaîne unique de VoxCPM2 est plus rapide à tester et plus difficile à rendre déterministe ; la fiche d'OpenBMB elle-même conseille de générer un à trois candidats, car la conception de voix et le style varient d'une exécution à l'autre.

Si vous créez une interface dans laquelle un producteur choisit une voix dans une liste, les plus de 100 voix chinoises intégrées de Ming et ses cinq voix anglaises intégrées constituent un menu que vous pouvez afficher. VoxCPM2 n'a pas d'équivalent — ses voix se conçoivent ou se clonent, elles ne s'énumèrent pas.

Langues, dialectes et la couche paralinguistique

• Nombre de langues — Ming-3.0-tts-0.5B couvre le chinois, l'anglais, l'allemand, l'espagnol, le français, le coréen et le japonais, ainsi que le sichuanais et le cantonais en tant que tâches dialectales distinctes. VoxCPM2 revendique 30 langues. Ant a testé cinq langues non chinoises ; OpenBMB ne publie aucun tableau d'erreurs par langue que nous ayons pu vérifier, si bien que ce 30 est une affirmation de couverture sans affirmation de qualité associée.

• Dialectes — Ming expose le sichuanais et le cantonais comme une tâche sans argument de langue. La liste de 30 langues de VoxCPM2 n'est pas ventilée par dialecte dans les documents que nous avons consultés, et considérer des variétés régionales comme couvertes parce que la langue l'est constitue précisément l'erreur que cette puce vise à prévenir.

• Contrôle en ligne — Ming propose 14 balises pour le souffle, la toux, le soupir, le rire, l'hésitation, la surprise et les questions, en chinois ou en anglais, ainsi que des indications explicites d'émotion, de vitesse, de hauteur et de volume. VoxCPM2 n'a pas de vocabulaire de balises ; son contrôle repose sur le préfixe de description en langage naturel.

• Point faible, de l'aveu même d'Ant — les phrases paralinguistiques à événements multiples sont instables, le contrôle des émotions se dégrade lorsque le texte ne porte aucun signal émotionnel, et la conception vocale ouverte ne correspond pas au système le plus performant face auquel Ant a évalué. Cette dernière description rend assez bien compte de l'écart avec une voix de pointe hébergée, et elle s'applique aussi à VoxCPM2.

La répartition pratique : choisissez Ming si votre script a besoin d'un rire, d'un soupir ou d'une pause d'hésitation au milieu d'une phrase. Choisissez VoxCPM2 si votre script a besoin d'une langue que Ming ne couvre pas, ou d'une voix conçue à partir d'une description écrite plutôt que d'un preset nommé.

Exécution : 8 Go face à une broche CUDA

• Ming-3.0-tts-0.5B — testé sur un NVIDIA H800-80GB et un H20-96G avec CUDA 12.4. Flash-attention est facultatif avec un repli SDPA. La normalisation du texte nécessite pynini==2.1.6, ou vous passez --no_text_normalization et acceptez que des nombres et des abréviations bruts soient envoyés au modèle. PyTorch 2.6 est l’environnement de référence. La sortie est à 44,1 kHz.

• VoxCPM2 — environ 8 Go de VRAM en bf16 pour le développement et environ 22 Go en pointe sur une carte de 24 Go, Python 3.10 ou version ultérieure, PyTorch 2.5.0 ou version ultérieure, CUDA 12.0 ou version ultérieure. Le facteur temps réel documenté est d’environ 0,30 sur une RTX 4090 en PyTorch standard et d’environ 0,13 avec Nano-VLLM — soit environ deux à trois fois plus rapide que le temps réel, ou huit fois avec la couche de service.

Ces deux paragraphes décrivent des après-midi d'ingénierie très différents. La pile de Ming est la plus récente et la plus fragile : une bibliothèque FST épinglée, un noyau optionnel, un environnement de référence figé sur une version spécifique de CUDA. VoxCPM2 est disponible depuis avril et a assimilé six mois de rapports d'installation de la communauté. Cet avantage de maturité est réel, et il est temporaire — le code d'inférence de Ming a été mis en ligne le jour même de la rédaction de ces lignes, et le dépôt a gagné sa note de prise en charge de vLLM-Omni dans un commit de documentation l'après-midi même.

Aucun des deux modèles n’est proposé par un fournisseur d’inférence hébergé que nous ayons pu identifier, et ce n’est pas tant une lacune de cette comparaison que la prémisse de celle-ci : les deux sont des checkpoints que l’on télécharge. Cela signifie toutefois que les preuves indépendantes sont déséquilibrées. Ming-3.0-tts-0.5B dispose d’une ligne Artificial Analysis sur les deux tableaux vocaux — 1 188 Elo sur Provider Voice (intervalle 1 173–1 203, plage de classement 17–23, dix-neuvième ligne de la liste que nous avons relevée le 19 octobre 2026) et 1 069 sur Controlled Voice (1 053–1 085, plage de classement 10–18, treizième ligne le même jour). VoxCPM2 n’a de ligne sur aucun des deux tableaux d’après nos derniers relevés, et cette absence est constante depuis avril plutôt qu’une omission récente. Ainsi, le seul chiffre indépendant de cet article appartient à Ming, et il est respectable ; VoxCPM2 n’a rien à lui opposer, et aucun article honnête ne peut inventer un Elo en face-à-face que personne n’a mesuré.

Licence, affinage, et la question que personne ne pose

Les deux licences autorisent l’usage commercial. Ming est sous MIT, soit à peu près ce qui se fait de plus permissif en matière de licence, et n’exige que l’attribution. VoxCPM2 est sous Apache 2.0, qui ajoute une concession explicite de brevet et une exclusion des marques. Pour la plupart des équipes, la différence est administrative plutôt que juridique, et l’une comme l’autre constitue une réponse nette à un questionnaire d’achat, contrairement à une licence non commerciale.

La véritable asymétrie réside dans le fine-tuning. VoxCPM2 documente le fine-tuning supervisé complet et LoRA sur cinq à dix minutes d’audio, ce qui signifie que vous pouvez orienter le modèle vers un locuteur ou un style spécifique avec un petit jeu de données et un seul GPU. Ming-3.0-tts-0.5B ne fournit aucune recette de fine-tuning, aucun script d’entraînement et aucun parcours LoRA dans la version que nous avons consultée. Si votre produit a besoin d’un modèle qui vous appartienne plutôt que d’un modèle que vous pilotez par des prompts, ce n’est pas un écart de benchmark — c’est un écart de capacité, et il décide du choix avant même que l’on consulte le moindre nombre Elo.

La réponse de Ming au même besoin est le design vocal plus le clonage : décrivez la voix, ou fournissez un extrait. Cela couvre la plupart des besoins de production et aucun de ceux qui impliquent l’entraînement sur de l’audio propriétaire à grande échelle.

Quand une couche de routage justifie sa place ici

OrcaRouter n'héberge pas Ming-3.0-tts-0.5B ni VoxCPM2. Aucun des deux n'est un modèle pour lequel nous pouvons vous fournir un point de terminaison, et cet article ne prétendra pas le contraire. Ce qu'un routeur atteint réellement dans un pipeline vocal, c'est tout ce qui se trouve en amont de la forme d'onde : le modèle qui rédige le script, développe les abréviations, décide de l'emplacement de la balise de rire et réécrit la phrase sortie à 3,8 secondes alors que le créneau était de 3,2. Ce sont des appels texte, et nous routons plus de 200 modèles texte derrière une seule clé, au prix catalogue du fournisseur, avec 0 % de marge ajoutée — ainsi, lorsqu'un fournisseur baisse un prix, la baisse est effective de notre côté le jour même plutôt qu'à la prochaine réévaluation tarifaire. Le basculement automatique permet à cette moitié du pipeline de continuer à répondre pendant que la moitié vocale est un téléchargement que vous exploitez vous-même.

C’est là la frontière honnête. Un routeur est le mauvais outil pour un checkpoint que vous exécutez sur votre propre GPU, et le bon outil pour les modèles qui décident de ce qu’on demande au checkpoint de dire.

Choisir, sans classement derrière lequel se cacher

Choisissez Ming-3.0-tts-0.5B si votre contenu est multilingue et que l’exactitude des mots est le critère dont vos parties prenantes débattent, si vous avez besoin d’une couverture vocale prioritairement chinoise avec des préréglages nommés, si des balises émotionnelles intégrées font partie du format du script, si vous voulez un point de contrôle MIT de 2,96 GB qui tient confortablement sur du matériel modeste, ou si un nombre de paramètres de 0,5B fait la différence entre un coût unitaire viable et un coût unitaire non viable. Partez du principe que la voix sera légèrement moins fidèle à la référence que celle de VoxCPM2, que le code d’inférence ne date que de quelques heures et qu’il n’existe pas de voie de réglage fin.

Choisissez VoxCPM2 si l’identité vocale est le produit — doublage, jeu de personnages, tout cas où un auditeur remarquerait une dérive du clone — si vous avez besoin de l’une des langues que Ming ne couvre pas, si vous comptez faire du fine-tuning sur vos propres fichiers audio, ou si vous voulez une stack qui s’installe sans mauvaise surprise depuis avril.

Le critère de départage est peu coûteux et aucun des chiffres ci-dessus ne le remplace. Prenez cent phrases de votre propre texte, un extrait de référence, et testez les deux. Évaluez les mots avec un modèle ASR et évaluez la voix avec la même métrique cosinus que celle utilisée par Ant. Vous obtiendrez une réponse par langue en un après-midi, sur votre contenu, avec vos accents — ce qui est plus qu'un tableau de fournisseur construit sur un jeu de test public peut vous donner, et bien plus qu'un classement qui ne liste qu'un des deux modèles.