Ming-3.0-tts-tiny vs VoxCPM2 : Deux checkpoints, dont l'un publie sa vitesse

C'est la seule comparaison de la série Ming-3.0-tts-tiny où les deux modèles peuvent réellement être exécutés, et cela change la nature du débat. Ming-3.0-tts-tiny, d'inclusionAI, l'initiative d'Ant Group, est un mélange d'experts de 7,9 milliards de paramètres activant environ 1,3 milliard de paramètres par token, sous licence MIT, environ 18 Go sur disque, avec une H800 désignée comme carte recommandée. VoxCPM2, d'OpenBMB, est un modèle sans tokenizer de 2 milliards de paramètres sur une base MiniCPM-4, sous Apache 2.0, environ 8 Go en bfloat16, publié en avril 2026. Aucun des deux n'a de ligne dans un classement. Aucun des deux n'a de prix en hébergé. Quand deux modèles sont à la fois téléchargeables et non évalués, la comparaison cesse de relever de la préférence pour devenir une question d'arithmétique : heures d'audio par heure-GPU, mémoire par processus, et la possibilité de fine-tuner le modèle sans écrire soi-même le code d'entraînement. Les défaillances documentées de l'IA et les incidents d'agents 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, une note de confiance et un indicateur de contestation.

Les historiques de publication méritent d’être énoncés clairement, car ils expliquent l’écart de maturité. VoxCPM2 est public depuis avril, a accumulé environ 847 000 téléchargements au cours du dernier mois et est fourni avec des scripts d’entraînement en plus de l’inférence. Le dépôt de Ming-3.0-tts-tiny a été créé le 22 septembre 2026, les poids sont arrivés le 24 septembre, et le code permettant de les exécuter n’a été public qu’à partir du 19 octobre à 08:58 UTC, lorsque neuf commits sont arrivés en un seul après-midi. Ant n’a pas annoncé le modèle. Il n’existe aucun rapport technique ; la feuille de route le liste comme une case non cochée, et la fiche du modèle a été modifiée le 16 octobre dans le but précis de supprimer la mention d’un tel rapport. Ainsi, l’un de ces projets est un projet vieux de cinq mois doté d’une base d’utilisateurs, tandis que l’autre est un pipeline qui, au moment de ces lignes, a une semaine.

Le premier d’entre eux publie et l’autre non.

La fiche de VoxCPM2 annonce un facteur temps réel d’environ 0,30 avec PyTorch standard sur une RTX 4090, qui descend à environ 0,13 avec Nano-VLLM. Le facteur temps réel correspond au nombre de secondes de calcul par seconde d’audio ; ces deux chiffres signifient donc qu’une heure de GPU permet de produire environ 3,3 heures de parole finalisée dans le premier cas, et environ 7,7 dans le second.

Ming-3.0-tts-tiny ne publie aucun débit. Ni facteur temps réel, ni caractères par seconde, rien de mesuré sur une carte. Ce que la version fournit, en revanche, c’est l’environnement dans lequel elle a été validée — Python 3.10.15, torch et torchaudio 2.7.1 avec CUDA 11.8, transformers épinglé à 4.46.3, un H800, et un script de vérification préalable qui contrôle votre installation avant que vous ne gaspilliez une exécution — plus l’architecture : 8 980 964 372 paramètres en BF16, 40 096 en F32, une pile d’experts de 7,9 B au total avec environ 1,3 B actifs par token.

Vous ne pouvez pas emprunter le débit du modèle frère de 0,5 B pour combler l’écart. Ce modèle a été mesuré à 42,1 caractères par seconde sur un banc d’essai indépendant et occupe 2,96 Go ; le petit modèle active environ deux fois et demie plus de paramètres par token et occupe environ six fois plus d’espace disque. Le routage clairsemé récupère une partie du coût de la taille totale plus importante, ce qui est tout l’intérêt de l’architecture, mais personne en dehors d’Ant n’a chiffré combien.

Faire le calcul des coûts avec une lacune

Comme un côté publie sa vitesse et l’autre non, la version honnête de cette comparaison est une fourchette plutôt qu’un chiffre. En voici la forme.

• VoxCPM2 sur une RTX 4090, PyTorch — 0,30 RTF, soit 3,3 heures d’audio par heure-GPU. Un million de caractères de narration, à raison d’environ 15 caractères par seconde de parole, représentent environ 18,5 heures d’audio final, soit environ 5,6 heures-GPU.

• VoxCPM2 sur la même carte, Nano-VLLM — 0,13 RTF, soit 7,7 heures par heure-GPU, ou environ 2,4 heures-GPU pour le même million de caractères. La pile de service plus que double le débit de sortie sans toucher aux poids.

• Ming-3.0-tts-tiny — inconnu. À un rythme hypothétique de 20 caractères par seconde, il faudrait environ 14 heures de génération ; à 10 caractères par seconde, environ 28. Aucun de ces deux nombres n’est une mesure et tous deux doivent être considérés comme des valeurs provisoires jusqu’à ce que quelqu’un en publie une.

Mémoire — VoxCPM2 annonce environ 8 Go en bf16, ce qui tient sur une carte grand public de 24 Go avec de la marge pour le batching. Les 18 Go de poids de Ming-3.0-tts-tiny, plus les activations et le décodeur audio, font qu’une H800 de 80 Go est la cible raisonnable, et qu’une carte de 24 Go ne l’est pas.

• Limite de séquence — VoxCPM2 est plafonné à 8 192 tokens, ce qui constitue une contrainte réelle pour les travaux de longue forme et mérite d’être vérifié par rapport à votre paragraphe le plus long avant de vous engager. Ming-3.0-tts-tiny ne publie aucune limite équivalente ; sa voie pour les contenus longs est la tâche de podcast, qui prend un script plutôt qu’un seul énoncé.

La conclusion qui tient malgré le chiffre manquant porte sur l’utilisation plutôt que sur la vitesse. Une carte qui reste inactive perd face à toute API hébergée, à n’importe quel prix, et une carte que vous possédez déjà et que vous gardez occupée l’emporte sur le coût marginal, quel que soit celui des deux que vous faites tourner. L’écart entre 0,30 et 0,13 RTF correspond à un facteur de 2,3 sur le coût par heure d’audio, ce qui est plus élevé que ce que la plupart des équipes attendent d’un changement de stack de serving et plus élevé que ne le suggérerait la différence du nombre de paramètres.

Le fine-tuning est le point où les deux cessent d’être comparables.

VoxCPM2 documente à la fois le fine-tuning supervisé complet et LoRA sur aussi peu que cinq à dix minutes d’audio, avec un script d’entraînement et une configuration pour chacun. Ce n’est pas une note de bas de page ; c’est la différence entre un modèle dont vous louez le comportement et un modèle dont vous possédez le comportement.

Ming-3.0-tts-tiny documente l’inférence, pas l’entraînement. Le dépôt est un recueil de recettes de tâches — clonage de voix d’amorce, multilinguisme, paralinguistique, podcast, attributs de base, émotion, dialecte, forme libre, conception de voix, et une tâche « ip » — autour d’un unique MingTinyTTS.from_pretrained point d’entrée. Il n’y a pas de recette LoRA, pas de configuration SFT, et aucune indication sur la prise en charge ou non du fine-tuning. C’est peut-être bien possible ; un checkpoint reste un checkpoint. Mais « possible » et « documenté avec un script fonctionnel » représentent des quantités d’ingénierie différentes, et c’est la seconde que VoxCPM2 fournit.

Pour une voix de marque, un domaine réglementé ou une langue qu’aucun des deux modèles ne gère bien nativement, c’est l’asymétrie décisive. Cinq minutes d’audio de référence et une configuration fournie représentent une semaine de travail. La rétro-ingénierie d’un pipeline d’entraînement pour un modèle sparse de 7,9 B sans implémentation de référence, c’est un trimestre.

Langues, dialectes et ce que « 30 langues » vous apportent

• Ming-3.0-tts-tiny — chinois, anglais, allemand, espagnol, français, coréen et japonais, plus le sichuanais et le cantonais lorsque vous fournissez un clip de référence dans le dialecte concerné. Neuf au total si l’on compte les deux dialectes.

• VoxCPM2 — 30 langues, dont le cantonais et le sichuanais, et la fiche précise qu’aucune étiquette de langue n’est requise : vous lui fournissez du texte et il déduit la langue. C’est pratique, mais avec un mode de défaillance, puisque le texte multilingue sera résolu par le modèle plutôt que par vous.

Sur les langues qu’ils partagent, un seul camp a publié des taux d’erreur par langue, et c’est Ant. Allemand : 0,325 % d’erreur de caractères ; espagnol : 0,971 % ; japonais : 3,427 % ; français : 3,470 % ; coréen : 6,000 % — le tout sur le propre banc d’essai d’Ant, et tout cela non reproduit. VoxCPM2 ne publie aucun tableau par langue, si bien que l’avantage en étendue ne peut être vérifié face à l’affirmation de profondeur. Quiconque cite ici un vainqueur sur la qualité linguistique cite le tableur d’un fournisseur face au silence d’un autre.

Le chiffre coréen mérite sa propre phrase, car il constitue le défaut le plus flagrant du bilan de Ming-3.0-tts-tiny : 6.000 % d’erreur de caractère, soit environ trois fois et demie les 1.728 % affichés par son propre homologue 0,5B sur la même langue. La fiche classe le coréen parmi les faiblesses connues et ne propose aucun mécanisme. Une explication fondée sur le routage épars est plausible et n’a pas été mesurée.

La question de la licence, où l’écart est plus petit qu’il n’y paraît

Toutes deux sont sous licence permissive pour un usage commercial, ce qui est inhabituel dans ce domaine et mérite d’être dit clairement. Ming-3.0-tts-tiny est sous licence MIT pour les poids et le code, avec une note d’utilisation demandant de ne pas usurper l’identité de personnes sans leur consentement et d’étiqueter les audios synthétiques — une demande inscrite dans la documentation plutôt qu’une condition de la concession de licence. VoxCPM2 est sous Apache 2.0, explicitement libre pour un usage commercial, avec sa propre formulation sur les usages acceptables.

Aucune des deux licences n'impose une revue juridique qui mettrait fin au projet, et aucune ne comporte la dérogation pour services hébergés qui rend certaines publications de modèles vocaux à poids ouverts inutilisables en production. Pour un déploiement auto-hébergé, les deux sont suffisamment proches pour que la licence ne doive pas être l'arbitre ; ce sont l'historique de l'entraînement, l'empreinte mémoire et la vitesse qui devraient l'être.

Ni l’un ni l’autre n’est au tableau, et un chiffre est emprunté de toute façon.

Artificial Analysis répertorie une Ming-3.0-tts entrée à 1 188 Elo sur Provider Voice et 1 069 sur Controlled Voice. Il s’agit du modèle 0,5B. Ming-3.0-tts-tiny n’a aucune ligne dans l’arène — ni classée, ni non classée, ni entrée en aperçu — et le README GitHub reproduit les chiffres de 1 188 et 1 069 sans préciser quel checkpoint les a produits.

VoxCPM2 n’a aucune ligne du tout, sur l’un ou l’autre tableau, et sa page Hugging Face indique qu’aucun fournisseur d’inférence ne le déploie. Cette absence n’est pas un score faible. Cela signifie que personne n’a soumis l’un ou l’autre de ces modèles à un panel de préférences ; ainsi, la seule preuve de qualité dans cette comparaison est la propre suite d’Ant d’un côté, et rien de l’autre.

Si vous avez besoin d’un chiffre avant de commencer, le substitut utile est celui que VoxCPM2 publie bel et bien : le facteur temps réel. Ce n’est pas une mesure de qualité, mais il est mesuré, il est reproductible sur votre propre carte, et il vous indique ce que coûte l’exploitation du modèle. L’équivalent de Ming-3.0-tts-tiny est une plage que vous devrez produire vous-même.

À quoi chacun sert réellement

Choisissez VoxCPM2 lorsque la charge de travail est de longue durée et sensible aux coûts, lorsque vous avez besoin d’une langue en dehors des neuf langues d’Ant, lorsque 8 Go de VRAM comptent parce que votre déploiement repose sur une seule carte grand public, ou lorsqu’un LoRA sur vos propres cinq minutes d’audio figure sur la feuille de route. La conception sans tokenizer et la sortie à 48 kHz via la super-résolution intégrée d’AudioVAE V2 constituent de véritables avantages d’ingénierie, et les cinq mois d’utilisation publique signifient que les modes de défaillance sont documentés par des inconnus plutôt que par le fournisseur.

Choisissez Ming-3.0-tts-tiny lorsque vous avez besoin de ce que seul ce modèle offre : une tâche de podcast multi-locuteurs en une seule passe, 14 balises paralinguistiques intégrées avec des contrôles explicites de l’émotion, de la vitesse, de la hauteur et du volume, un casting de plus de 100 voix chinoises avec cinq voix anglaises, et un modèle à priorité chinoise dont la gestion des dialectes a été construite plutôt que déduite. Acceptez en échange que vous serez la première équipe à l’évaluer, que le coréen est une faiblesse reconnue publiquement, que le fine-tuning n’est pas documenté et que la sortie entière date d’une semaine.

OrcaRouter ne route ni l'un ni l'autre de ces modèles, et cet article ne doit pas être lu comme suggérant le contraire — les deux s'obtiennent en les téléchargeant et en les exécutant vous-même. Ce que contient le catalogue, c'est la moitié texte du même pipeline : plus de 200 modèles derrière une seule clé au prix catalogue du fournisseur, sans marge ajoutée, si bien que un changement de prix du fournisseur vous parvient le jour même, avec bascule automatique entre fournisseurs pour le modèle qui écrit le script ou pilote l'agent. Les deux options vocales étant auto-hébergées et aucune ne facturant au caractère, le coût récurrent que vous pouvez réellement comparer d'un mois à l'autre est la couche texte, et c'est celle qui mérite d'être placée derrière un point d'accès unique.

La comparaison se termine là où elle a commencé : deux checkpoints, aucun tableau de scores commun, et une décision qui se résume à savoir si vous avez besoin de vitesse et de fine-tuning sur du matériel modeste, ou d’un contrôle à priorité chinoise sur une machine de grande taille. VoxCPM2 répond à la première attente avec des chiffres publiés. Ming-3.0-tts-tiny répond à la seconde avec un recueil de recettes de tâches et aucun chiffre de débit, ce qui est la chose la plus utile qu’Ant pourrait publier ensuite.