Ming-3.0-tts-0.5B vs Voxtral 4B TTS : l’un de ces poids n’est pas à vendre

Lisez la licence avant le benchmark, car dans ce duo, c'est elle qui tranche le débat d'emblée. Ming-3.0-tts-0.5B est sous licence MIT — téléchargez-le, affinez-le, intégrez-le dans un produit commercial, mentionnez Ant Group et continuez. Voxtral 4B TT​S est sous licence CC BY-NC 4.0, héritée des jeux de données de voix de référence qui la sous-tendent, ce qui signifie que les poids de Mistral AI ne sont pas du tout sous licence pour un usage commercial. La voie commerciale pour Voxtral passe par l'API, à 0,016 $ pour mille caractères. La vraie question n'est donc pas de savoir quel modèle sonne mieux. C'est de savoir si vous achetez une voix que vous exploitez ou si vous louez une voix que vous appelez, et seul l'un de ces deux checkpoints vous permet de choisir. Les défaillances d'IA et les incidents d'agents documentés à l'origine de versions comme celle-ci sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, un grade de confiance et un indicateur de contestation.

Cette formulation donne l’impression de rendre la comparaison facile, et ce n’est pas le cas, car les deux modèles excellent dans des domaines différents et le modèle hébergé offre quelque chose que le modèle ouvert ne peut pas offrir : une courbe de latence et de débit publiée, exécutée sur une infrastructure de service réelle, à trois niveaux de concurrence. Ming-3.0-tts-0.5B a été publié sur Hugging Face le 24 septembre 2026 et son code d’inférence sur GitHub le 19 octobre 2026, sans aucune annonce d’Ant Group pour l’un comme pour l’autre — le modèle a 19 jours en tant qu’artefact et quelques heures en tant que chose que l’on peut réellement exécuter. Voxtral 4B TT​S a été annoncé par Mistral en mars 2026 et a disposé de sept mois pour être mesuré. Ci-dessous : la licence, la forme du déploiement, les chiffres que chaque partie peut honnêtement revendiquer, et les questions auxquelles aucun des deux fournisseurs n’a répondu.

Deux licences qui ne sont pas des variations sur un même thème

• Ming-3.0-tts-0.5B — MIT. L'utilisation commerciale, la modification, la redistribution et le fine-tuning sont tous autorisés, avec attribution. Un checkpoint de 2,96 Go que vous pouvez placer dans une image de conteneur, exécuter sur votre propre accélérateur et livrer à un client sans demander l'autorisation de quiconque.

• Voxtral 4B TT​S — CC BY-NC 4.0. Usage non commercial. La fiche modèle de Mistral indique explicitement que le modèle hérite de la licence de ses voix de référence, provenant de sources incluant EARS, CML-TTS, IndicVoices-R et un ensemble d’audio naturel en arabe. Les poids se téléchargent sans problème ; la contrainte est la licence, pas le fichier.

La distinction que beaucoup comprennent mal, c’est que l’API n’est pas soumise à la même restriction. Appeler Voxtral via le service de Mistral constitue une transaction commerciale avec le fournisseur, et le prix est de 0,016 $ pour mille caractères. L’héberger vous-même au sein d’un produit payant est un acte différent, et c’est celui que la licence interdit. Si votre déploiement doit être sur site — résidence des données, inférence en environnement isolé, client qui ne validera pas un point de terminaison tiers — alors Voxtral 4B TT​S n’est pas une option à quelque prix que ce soit, tandis que Ming-3.0-tts-0.5B est disponible sans condition.

C'est une limite stricte, et il vaut la peine de la distinguer de la limite plus souple. Une licence non commerciale autorise encore l'évaluation, la recherche et l'expérimentation interne, de sorte que la façon sensée de lire ce tableau est que Voxtral est un service que vous pouvez tester gratuitement et Ming un artefact que vous pouvez posséder en toute propriété.

Ce qu’un demi-milliard de paramètres permet d’obtenir, et ce qu’il ne permet pas.

• Taille et architecture — Ming-3.0-tts-0.5B est un modèle dense de 0,5 B reposant sur une base Qwen2.5-0.5B avec une tête transformer de diffusion, et le point de contrôle intègre son tokeniseur audio et son encodeur de locuteur. Voxtral 4B TTS compte environ 4 milliards de paramètres, servi via vLLM-Omni, construit sur la base Ministral-3-3B de Mistral.

• Sortie — Ming à 44,1 kHz ; Voxtral à 24 kHz en WAV, PCM, FLAC, MP3, AAC ou Opus. Un master à 44,1 kHz, c’est la différence entre un fichier que vous pouvez confier à un monteur vidéo et un fichier qu’il faut d’abord rééchantillonner, et cela compte davantage en doublage et en diffusion que pour un agent téléphonique.

• Modes — Ming propose des tâches nommées (TT​S, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) avec des exclusions mutuelles documentées. Voxtral prend en charge le streaming et le traitement par lots, sans taxonomie de tâches équivalente publiée.

• Voix — Ming embarque plus de 100 voix chinoises intégrées et cinq voix anglaises intégrées, ainsi que le clonage zero-shot à partir d’un court extrait et la conception de voix à partir d’une description en langage naturel. Voxtral embarque 20 voix prédéfinies et s’adapte à un extrait de référence aussi court que trois secondes. Vingt, c’est un effectif soigneusement sélectionné ; cent, c’est une distribution. Ce que vous voulez dépend si vous construisez un produit avec une seule voix ou un outil qui permet à d’autres d’en choisir une.

• Paralinguistique — Les 14 balises en ligne de Ming couvrent le souffle, la toux, le soupir, le rire, l’hésitation, la surprise et les questions, ainsi que des contrôles explicites de l’émotion, de la vitesse, de la hauteur tonale et du volume. Mistral ne publie aucun vocabulaire de balises pour Voxtral. L’absence de documentation n’est pas l’absence de capacité, et elle n’en constitue pas non plus une preuve.

Le nombre de paramètres de 0,5 B est l’élément qui est mal interprété. Ming n’est pas une version réduite de Voxtral ; c’est une conception différente, qui parie qu’un socle compact, accompagné d’un encodeur de locuteur et d’un tokenizer intégrés, suffit pour une parole contrôlable, et qui consacre sa capacité au contrôle plutôt qu’à l’échelle. Dans l’évaluation multilingue interne d’Ant, il surpasse VoxCPM2 sur l’exactitude du contenu dans quatre langues sur cinq, mais perd en similarité de locuteur dans les cinq — voilà à quoi ressemble, sur un tableau de scores, un modèle optimisé pour les mots plutôt que pour le timbre.

Le seul chiffre que Voxtral possède et que Ming n’a pas

Mistral a publié un benchmark de service, et c’est l’élément le plus utile de l’une ou l’autre version pour quiconque planifie la capacité. Sur un seul H200 exécutant vLLM-Omni 0.18.0, avec une entrée de 500 caractères et une référence audio de dix secondes :

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

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

• Concurrence 32 — 552 millisecondes, RTF 0,237 reporté, environ 1 431 caractères par seconde.

C’est un plan de capacité en trois lignes : la latence reste sous la seconde bien au-delà du niveau de concurrence que la plupart des produits vocaux atteignent réellement, et le débit est multiplié par environ douze lorsqu’on passe d’un flux à trente-deux. Il s’agit du propre banc d’essai de Mistral, non reproduit, et il suppose l’environnement de référence — mais c’est une base à partir de laquelle dimensionner un déploiement.

Le chiffre équivalent de Ming est indépendant plutôt que déclaré par le fournisseur, et il mesure quelque chose de légèrement différent. Artificial Analysis relève Ming-3.0-tts à 42,1 caractères par seconde de temps de génération sur son propre banc d’essai, une requête à la fois. Cela représente environ un tiers du débit en flux unique de Voxtral, selon une méthode différente sur un matériel différent, et la formulation honnête est que les deux chiffres ne sont pas directement comparables : l’un est le débit de Mistral à une concurrence choisie sur un H200, l’autre est la mesure en flux unique d’un tiers sur un matériel non publié. Ce que l’on peut dire, c’est que les deux sont suffisamment rapides pour de la parole interactive et qu’aucun ne constitue une contrainte temps réel.

La différence de débit qui compte réellement est couplée à la licence. La courbe de Voxtral est une raison d’appeler l’API plutôt que de construire autour des poids : l’ingénierie de service est déjà faite, et vous payez au caractère plutôt qu’à l’heure de GPU. Le débit de Ming est une raison de calculer votre propre seuil de rentabilité, car à 42,1 caractères par seconde, un million de caractères représente environ 6,6 heures de génération, et savoir si c’est bon marché dépend entièrement de ce que coûte votre accélérateur lorsqu’il est par ailleurs inactif.

Neuf langues contre sept, et aucune des deux listes ne constitue une affirmation de qualité

• Ming-3.0-tts-0.5B — chinois, anglais, allemand, espagnol, français, coréen et japonais, avec le sichuanais et le cantonais comme tâches dialectales distinctes et un identifiant de langue explicite requis pour les cinq langues non chinoises.

• Voxtral 4B TT​S — anglais, français, espagnol, allemand, italien, portugais, néerlandais, hindi et arabe. La fiche mentionne des « dialectes variés » couverts par cette prise en charge sans les énumérer.

Le recouvrement porte sur cinq langues : l’anglais, le français, l’espagnol, l’allemand et, selon la manière dont vous comptez la couverture régionale, le coréen ou le japonais. Chaque modèle couvre des éléments que l’autre ne couvre pas — l’italien, le portugais, le néerlandais, l’hindi et l’arabe du côté de Voxtral ; le coréen, le japonais, le sichuanais et le cantonais du côté de Ming. Si votre feuille de route inclut l’arabe ou l’hindi, la décision est déjà prise avant même la lecture du premier benchmark.

Ce qu’aucun des deux fournisseurs ne publie, c’est la qualité par langue. Mistral ne donne aucun taux d’erreur pour aucune de ses neuf langues. Ant a testé cinq langues non chinoises sur le jeu Mi​niMax et publié des chiffres, mais ils proviennent du propre banc d’essai d’Ant, face aux concurrents choisis par Ant, et ils ne disent rien du coréen ni du japonais face à Voxtral, car Voxtral ne figurait pas dans le tableau. La comparaison des langues ici porte donc sur la couverture, et non sur la compétence, et tout article qui la présente comme une question de compétence spécule.

La carte qui a les deux, en quelque sorte

Les deux modèles figurent dans les classements vocaux d'Artificial Analysis, mais pas à la même date de relevé ni avec le même panel de modèles environnants ; considérez donc ceci comme une orientation plutôt que comme un résultat de comparaison directe.

• Ming-3.0-tts-0.5B — Voix du fournisseur : 1 188 Elo (intervalle 1 173–1 203, plage de classement 17–23, dix-neuvième ligne de la liste) ; Voix contrôlée : 1 069 (1 053–1 085, plage de classement 10–18, treizième ligne). Les deux relevés datent du 19 octobre 2026, jour où son code d’inférence a été mis en ligne.

• Voxtral 4B TT​S — Voix contrôlée 1 005 Elo, plage de classement 24–30, vingt-sixième ligne de la même capture du 19 octobre. Sa position de voix du fournisseur ne figurait pas dans les éléments que nous avons pu vérifier.

Le tableau Controlled Voice est celui auquel il faut faire confiance, car chaque modèle qui s’y trouve clone les mêmes voix de référence fixes et le casting vocal cesse d’être un facteur de confusion. Sur la capture ci-dessus, les 1 069 de Ming et les 1 005 de Voxtral sont séparés de 64 points, et comme les intervalles de classement se chevauchent, la conclusion honnête est que Ming obtient un score plus élevé sur une mesure effectuée plus tard face à un panel plus large. Ne l’interprétez pas comme une victoire acquise de 64 points. Voyez-y plutôt la preuve qu’un checkpoint ouvert de 0.5B n’est pas dépassé face à un modèle fournisseur de 4B en matière de fidélité vocale, ce qui est la partie surprenante.

Ce que vous coûte réellement, en ingénierie, un pipeline Ming auto-hébergé

Adopter Ming, ce n’est pas un simple téléchargement suivi d’un appel de fonction. L’environnement de référence est figé : PyTorch 2.6 avec CUDA 12.4, testé sur un H800-80GB et un H20-96G, flash-attention en option avec un repli sur SDPA. La normalisation de texte nécessite pynini 2.1.6 — une bibliothèque réputée délicate à installer — ou vous passez un indicateur qui désactive la normalisation et acceptez que les nombres, les devises et les abréviations soient envoyés bruts au modèle.

Ce sont là les coûts qui n’apparaissent jamais dans un tableau comparatif et qui apparaissent toujours dans un sprint. Les coûts équivalents de Voxtral sont cachés dans le prix de l’API : quelqu’un d’autre a figé l’environnement, quelqu’un d’autre gère la concurrence, et le compromis, c’est que vous ne pouvez pas modifier le casting vocal au-delà d’une adaptation à partir d’un clip de référence, et que vous ne pouvez pas installer le modèle sur une machine que vous contrôlez à des fins commerciales.

La maturité de Ming doit elle aussi être évaluée honnêtement. Le dépôt GitHub a été mis en ligne le 19 octobre 2026, le premier commit contenant le code d’inférence, un Dockerfile, des exemples en un clic et un cookbook de tâches, avec des commits de documentation publiés tout au long de l’après-midi — dont un qui indiquait la prise en charge de vLLM-Omni. vLLM-Omni est la même stack de serving que celle utilisée par Mistral pour son benchmark Voxtral, une coïncidence utile : le chemin vers un déploiement en production pour Ming est celui déjà documenté par Voxtral, une couche en dessous.

Là où le routage intervient, et la partie qu’il ne touche pas

OrcaRouter ne sert pas Ming-3.0-tts-0.5B ; c'est un point de contrôle que vous exécutez. Voxtral 4B TT​S est disponible via l'API propre à Mistral, et cet article ne prétend pas que nous le routons. Ce qu'un routeur atteint dans l'une ou l'autre architecture, c'est le texte autour de la voix — le script, les décisions de balisage de type SSML, l'étape de traduction qui transforme un script maître en neuf langues avant la synthèse, le résumeur qui raccourcit un passage pour l'adapter à un créneau horaire. Ces appels se produisent des centaines de fois par minute d'audio, et c'est là que se concentrent réellement le coût d'un pipeline et ses modes de défaillance.

C'est la couche sur laquelle nous opérons : plus de 200 modèles de texte derrière une seule clé, au prix catalogue du fournisseur, avec 0 % de majoration ajoutée, de sorte qu'une baisse de prix d'un fournisseur vous parvienne le jour même où elle entre en vigueur, et non à la prochaine révision tarifaire ; un basculement automatique entre fournisseurs, pour qu'un après-midi difficile chez un seul fournisseur n'arrête pas la génération de scripts qui alimente la voix ; et un DSL de routage permettant de composer plusieurs modèles en un seul appel lorsque l'étape de traduction et la réécriture de style ont besoin de modèles différents. Le modèle vocal en bout de chaîne est à choisir par vous, et cet article porte sur ce choix.

Ce qu'aucune des deux cartes ne vous dit

Trois questions déterminent la plupart des déploiements réels, et aucun des deux fournisseurs ne répond à aucune d’elles.

• Dans quelle mesure la qualité se maintient-elle sous concurrence ? Mistral mesure la latence et le débit à 32 flux, mais ne publie aucun écart de qualité entre le traitement par lots et le streaming. La version de Ming n’aborde pas du tout la concurrence : un banc d’essai mono-requête, un GPU de référence, et aucune courbe de débit vLLM, seulement une note d’assistance.

• À quoi ressemble une génération qui a échoué ? Aucune des deux fiches ne documente le comportement en cas de troncature, les boucles de répétition, ni ce qui se passe lorsqu’un script à 14 balises entre en collision avec une phrase que le modèle ne parvient pas à analyser. La fiche d’Ant est inhabituellement franche sur ses points faibles — une paralinguistique multi-événements instable, un contrôle des émotions qui se dégrade lorsque les mots ne portent aucune émotion, la similarité en français comme sa pire langue, et une conception vocale ouverte qui ne correspond pas au système le plus performant auquel elle a été comparée — mais une section sur les limites n’est pas une taxonomie des échecs.

• Qui s’en occupera dans un an ? Mistral est une entreprise proposant un service TT​S commercial et ayant un intérêt évident à le maintenir à jour ; le checkpoint de mars est déjà stable depuis sept mois. Ming-3.0-tts-0.5B n’a qu’un seul « like », six téléchargements et un dépôt créé le jour même de la rédaction de ce texte. Ant Group pourrait bien le soutenir — la famille Ming comprend des variantes ASR, audio et miniatures, ce qui suggère un programme plutôt qu’une initiative ponctuelle — mais rien dans la publication ne s’engage à quoi que ce soit.

Ce dernier point est celui à mettre en balance avec la licence MIT. Une licence permissive vous garantit le droit d’utiliser les poids pour toujours ; elle ne garantit pas que quelqu’un corrigera un bug dans le code d’inférence, et la différence ne devient visible qu’au septième mois.

La décision, dans l’ordre où elle arrive réellement

Commençons par la contrainte de déploiement, car elle élimine d'emblée une option. Si le modèle doit tourner sur une infrastructure que vous contrôlez et que la sortie doit être exploitable commercialement, la réponse est Ming-3.0-tts-0.5B, et les questions qui restent sont d'ordre technique : figer l'environnement, parvenir à installer pynini ou accepter du texte non normalisé, prévoir environ 6,6 heures de GPU par million de caractères, et admettre que la voix sera un peu moins fidèle à un extrait de référence que la meilleure alternative ouverte. Si le modèle doit parler arabe, hindi, italien, portugais ou néerlandais, la réponse est Voxtral 4B TTS via l'API, et les questions qui restent sont commerciales : 0,016 $ les mille caractères, vingt voix, une sortie à 24 kHz qui pourrait nécessiter un rééchantillonnage, et un fournisseur qui a publié la courbe de service sur laquelle vous allez dimensionner.

Si aucune de ces contraintes n’est limitante, le critère de départage est la nature de votre produit. Une chaîne de doublage ou de diffusion qui a besoin de nombreuses voix, d’une couverture dialectale et d’émotion intégrée veut le casting de Ming et sa sortie à 44,1 kHz, et en assumera le coût en exploitation. Un agent vocal ou un SVI qui a besoin d’une latence prévisible, de streaming et d’une autre personne d’astreinte veut l’API de Voxtral, et en paiera le prix au caractère et par la perte d’un casting vocal qu’il ne peut étendre au-delà de vingt.

La seule chose qui vaut la peine d’être faite avant l’une ou l’autre : notez les langues que vous allez réellement livrer au cours des douze prochains mois, et lesquelles votre équipe juridique autorisera à quitter votre infrastructure. Ces deux listes réduisent cela d’une comparaison de modèles à un seul candidat plus rapidement que n’importe quel score Elo et, contrairement aux classements, elles sont à jour.