Ming-3.0-tts-0.5B לעומת VoxCPM2: האחד מנצח במילים, האחר מנצח בקול

קיימת בדיוק השוואה אחת שפורסמה בין Ming-3.0-tts-0.5B לבין VoxCPM2, והיא נכתבה על ידי Ant Group. בכרטיס המודל שלה, Ant Group עורכת בנצ'מרק לשני מודלי הדיבור הרב-לשוניים על מערך הבדיקה Mi​niMax בגרמנית, ספרדית, צרפתית, קוריאנית ויפנית. Ming-3.0-tts-0.5B מפיק את המילים המדויקות יותר בארבע מחמש השפות. VoxCPM2 מפיק את הקול הנאמן יותר בכל חמש. התבנית האחת הזו — דיוק תוכן בצ'קפוינט 0.5B, דמיון דובר לזה של 2B — היא הדבר השימושי ביותר שמישהו פרסם על ההתמודדות הזו, והיא טבלה של הספק עצמו, ולכן היא גם הדבר שהכי זקוק להסתייגות. Ant Group מנצחת בשיעור השגיאות שבחרה לפרסם ומפסידה בציון הדמיון באותו עמוד. הכשלים המתועדים של ה-AI ותקריות הסוכנים מאחורי שחרורים כמו זה נאספים ב-ארכיון תקריות ה-AI של OrcaRouter שבו כל רשומה נושאת מקורות משלה, חומרה, דרגת ודאות וסימון מחלוקת.

שני המודלים בעלי משקולות פתוחות, שניהם מתירים שימוש מסחרי, ושניהם מופעלים על ידך ולא נקראים כשירות. Ming-3.0-tts-0.5B הוא מודל צפוף ברישיון MIT של Ant Group על שלד Qwen2.5-0.5B עם ראש diffusion-transformer, שפורסם ב-Hugging Face ב-24 בספטמבר 2026, כשקוד ההסקה הגיע בעקבותיו ב-GitHub ב-19 באוקטובר 2026, וללא הודעת ספק לאף אחד מהם. VoxCPM2 הוא צ'ק-פוינט Apache-2.0 של OpenBMB מאפריל 2026, מודל diffusion-autoregressive ללא tokenizer בגודל 2B על שלד MiniCPM-4. כל מה שלהלן נובע מההבדל הזה בגודל וברישיון, ומהעובדה שלאחד מהם יש ציון ארנה עצמאי ולשני אין.

מה שהטבלה של Ant עצמה למעשה אומרת

קבוצת המבחנים הרב-לשונית של MiniMax מדווחת על שגיאת תוכן — שיעור שגיאות מילים עבור גרמנית, ספרדית וצרפתית, ושיעור שגיאות תווים עבור קוריאנית ויפנית — לצד קוסינוס דמיון דובר. שגיאה נמוכה יותר עדיפה; דמיון גבוה יותר עדיף. חברת Ant הרצה בעצמה את שני המודלים. דבר כאן לא שוחזר על ידי צד שלישי, ומתחזקי VoxCPM2 לא פרסמו טבלת הפרכה שמצאנו.

• גרמנית — Ming-3.0-tts-0.5B שגיאה 0.365, דמיון 0.753; VoxCPM2 שגיאה 0.963, דמיון 0.790.

• ספרדית — Ming 1.099, דמיון 0.763; VoxCPM2 1.324, דמיון 0.836.

• צרפתית — Ming 4.264, דמיון 0.675; VoxCPM2 3.380, דמיון 0.761. זו השפה היחידה שבה דירוג השגיאות מתהפך.

• קוריאנית — Ming 1.728, דמיון 0.793; VoxCPM2 3.547, דמיון 0.839.

• יפנית — Ming 3.765, דמיון 0.765; VoxCPM2 4.358, דמיון 0.825.

שני דברים ראויים לתשומת לב לפני שאחד מהמודלים זוכה לקרדיט. ראשית, הפער בגרמנית גדול — 0.365 לעומת 0.963 — בעוד שהפערים בקוריאנית וביפנית קטנים יותר והתוצאה בצרפתית הולכת דווקא בכיוון ההפוך, כך ש"מדויק יותר" הוא טענה פר־שפה, לא טענה כללית. שנית, שיעורי השגיאה בצרפתית גבוהים בכל מודל בטבלה הזו; מתחרה שמופיע לצדם שם משיג 19.878. שפה שבה כל התחום מתקבץ סביב מספרים גרועים היא שפה שבה מערך הבדיקה, ולא המודלים, עושה חלק מהעבודה. יש להתייחס לתוצאה בצרפתית כבלתי מכרעת ולא כאל ניצחון של VoxCPM2.

למה עמודת הדמיון היא זו שצריך לקרוא פעמיים

מדד הדמיון לדובר בוחן האם הפלט נשמע כמו קול הייחוס. זהו המדד שמפריד בין דמו למוצר: קול משובט שנסחף מוציא את המאזין מהסצנה גם כשכל מילה נכונה, ואף ציון ASR במורד הזרם לא יגיד לך שזה קרה.

Ming מפסיד בכל חמש השפות, בפערים שבין 0.037 (ספרדית) ל-0.086 (צרפתית). אלה מרחקי קוסינוס בסולם חסום, כך שהפערים מתונים אך עקביים, וקשה יותר להסביר עקביות על פני חמש שפות מאשר שורה אחת גרועה. ההסבר הגלוי נמצא בכרטיס של Ant עצמו, שאומר בפשטות שדמיון הדובר מפגר אחרי דיוק התוכן. המודל כוונן להקפיד על נכונות המילים.

יש סיבה שנייה, ספציפית יותר, לצפות לכך, והיא ארכיטקטונית. VoxCPM2 מפענח ב-48 kHz דרך שלב סופר-רזולוציה מובנה בטוקנייזר AudioVAE V2 שלו, ומקבל קטע ייחוס ב-16 kHz ובכל זאת מפיק פלט ב-48 kHz. Ming-3.0-tts-0.5B פועל ב-44.1 kHz. קצב דגימה אינו דמיון — קצב גבוה יותר אינו הופך קול לנאמן יותר — אך הצינור של VoxCPM2 בנוי במפורש סביב שימור אופי קול הייחוס דרך שלב הדגימה מחדש, וזו בחירת תכנון שמודל 0.5B עם מקודד דובר מצורף אינו עושה.

אז הקריאה הכנה היא לא ש"VoxCPM2 משכפל טוב יותר מפני שהוא גדול יותר". היא שהשני מודלים מייעלים שני חצאים שונים של אותה מטרה, וטבלת הספק מציגה שכל אחד מהם מנצח בחצי שלו.

חיתוך קול: שני ממשקי API, שתי פילוסופיות

שניהם משכפלים ב-zero-shot מקליפ קצר. המכניקה שונה מספיק כדי להשפיע אם אתה כותב את האינטגרציה.

• Ming-3.0-tts-0.5B — נקודת כניסה אחת, ארגומנט משימה. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), ואז synthesize(task=...) עם prompt_wav_path, prompt_text ו-use_spk_emb. המשימות כוללות TT​S, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM ו-IP. נקודת הביקורת (checkpoint) כוללת את עמוד השדרה (backbone), את ראש ה-DiT, את מאגר אסימוני האודיו (audio tokenizer) ומקודד דובר Campplus, כך ששיבוט הוא משימה מן המניין ולא תהליך עיבוד נפרד.

• VoxCPM2 — pip install voxcpm, ואז VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). עיצוב קול הוא קידומת בסוגריים על הטקסט עצמו, "(description)text", עם cfg_value=2.0 ו-inference_timesteps=10 כנקודות ההתחלה המתועדות.

המשמעות היא שמשטח הבקרה של Ming מובנה וזה של VoxCPM2 טקסטואלי. Ming מספק לך משימות בעלות שמות עם אי-הכללות מתועדות — לא ניתן לשלב FREEFORM עם עיצוב קול, קול מובנה, רגש, דיאלקט או בקרות מאפיינים, ומשימת הרב-לשוניות דורשת language_id מפורש עבור חמש השפות שאינן סיניות. זה יותר ללמוד ופחות לנחש. המחרוזת הבודדת של VoxCPM2 מהירה יותר לניסוי אך קשה יותר להפיכה לדטרמיניסטית; הכרטיס של OpenBMB עצמה ממליץ לייצר בין מועמד אחד לשלושה, מכיוון שעיצוב הקול והסגנון משתנים בין ריצות.

אם אתם בונים ממשק משתמש שבו מפיק בוחר קול מתוך רשימה, למעלה מ-100 הקולות הסיניים המובנים של Ming וחמשת הקולות האנגליים המובנים שלו הם תפריט שתוכלו להציג. ל-VoxCPM2 אין רשימה מקבילה — הקולות שלו מעוצבים או משוכפלים, ולא נמנים מראש.

שפות, ניבים והרובד הפרה־לשוני

• מספר השפות — Ming-3.0-tts-0.5B מכסה סינית, אנגלית, גרמנית, ספרדית, צרפתית, קוריאנית ויפנית, וגם סצ'ואנית וקנטונזית כמשימות ניב נפרדות. VoxCPM2 טוענת ל-30 שפות. Ant בחנה חמש שפות שאינן סיניות; OpenBMB אינה מפרסמת טבלת שגיאות לפי שפה שאותה יכולנו לאמת, כך שה-30 הוא טענת כיסוי בלי טענת איכות נלווית.

• דיאלקטים — Ming חושף את הסצ'ואנית והקנטונזית כמשימה ללא ארגומנט שפה. רשימת 30 השפות של VoxCPM2 אינה מפורטת לפי דיאלקט בחומר שקראנו, וההתייחסות לניבים אזוריים כמכוסים משום שהשפה מכוסה היא הטעות שסעיף זה נועד למנוע.

• שליטה מוטבעת — Ming מגיע עם 14 תגיות לנשימה, שיעול, אנחה, צחוק, היסוס, הפתעה ושאלות, בסינית או באנגלית, ובנוסף לרגש, מהירות, גובה צליל ועוצמה מפורשים. ל-VoxCPM2 אין אוצר מילים של תגיות; השליטה שלו היא קידומת תיאור בשפה טבעית.

• נקודת תורפה, לפי הודאתו של Ant עצמו — משפטים פרלשוניים מרובי-אירועים אינם יציבים, השליטה ברגשות נשחקת כאשר הטקסט אינו נושא שום אות רגשי, ועיצוב קולי פתוח-קצוות אינו תואם את המערכת החזקה ביותר שכנגדה העריך Ant. האחרון הוא תיאור הוגן של הפער מול קול חזיתי מתארח, והוא חל גם על VoxCPM2.

החלוקה המעשית: בחרו ב-Ming אם התסריט שלכם זקוק לצחוק, לאנחה או להפוגת היסוס באמצע משפט. בחרו ב-VoxCPM2 אם התסריט שלכם זקוק לשפה ש-Ming אינו מכסה, או לקול שעוצב מתיאור כתוב ולא מפריסט בעל שם.

הרצה שלהם: 8 GB מול פין CUDA

• Ming-3.0-tts-0.5B — נבדק על NVIDIA H800-80GB ועל H20-96G עם CUDA 12.4. Flash-attention הוא אופציונלי עם גיבוי SDPA. נרמול טקסט דורש את pynini==2.1.6, או שתעביר --no_text_normalization ותסכים שמספרים וקיצורים גולמיים יגיעו למודל. סביבת הייחוס היא PyTorch 2.6. הפלט הוא 44.1 kHz.

• VoxCPM2 — כ־8 GB של VRAM ב־bf16 לפיתוח, וכ־22 GB בשיא בכרטיס של 24 GB, Python 3.10 ואילך, PyTorch 2.5.0 ואילך, CUDA 12.0 ואילך. מקדם זמן־האמת המתועד הוא כ־0.30 על RTX 4090 ב־PyTorch רגיל וכ־0.13 עם Nano-VLLM — בערך פי שניים עד שלושה מהר יותר מזמן אמת, או פי שמונה עם שכבת ההגשה.

שתי הפסקאות הללו מתארות אחרי צהריים הנדסיים שונים בתכלית. ה-stack של Ming הוא החדש יותר והשברירי יותר: ספריית FST מוצמדת, kernel אופציונלי, וסביבת ייחוס המוצמדת לבניית CUDA ספציפית. VoxCPM2 זמין מאז אפריל וספג שישה חודשים של דוחות התקנה מהקהילה. יתרון הבשלות הזה אמיתי והוא זמני — קוד האינפרנס של Ming עלה ביום שבו זה נכתב, והמאגר קיבל את הערת התמיכה ב-vLLM-Omni ב-commit תיעוד באותו אחר הצהריים.

אף אחד מהמודלים אינו מוצע על ידי ספק הסקה מתארח שהצלחנו לזהות, וזה לא כל כך פער בהשוואה הזו אלא הנחת היסוד שלה: שניהם צ'קפוינטים שמורידים. זה כן אומר שהראיות הבלתי תלויות אינן מאוזנות. ל-Ming-3.0-tts-0.5B יש שורה ב-Artificial Analysis בשני לוחות הדיבור — 1,188 אלו ב-Provider Voice (טווח 1,173–1,203, טווח דירוג 17–23, השורה התשע-עשרה ברשימה שאספנו ב-19 באוקטובר 2026) ו-1,069 ב-Controlled Voice (1,053–1,085, טווח דירוג 10–18, השורה השלוש-עשרה באותו יום). ל-VoxCPM2 אין שורה באף אחד מהלוחות נכון ללכידות האחרונות שלנו, וההיעדרות יציבה מאז אפריל ולא השמטה לאחרונה. אז המספר הבלתי תלוי היחיד במאמר הזה שייך ל-Ming, והוא מכובד; ל-VoxCPM2 אין דבר להעמיד מולו, ושום מאמר כן לא יכול להמציא אלו ראש בראש שאיש לא מדד.

רישיון, כוונון עדין, והשאלה שאף אחד לא שואל

שני הרישיונות מתירים שימוש מסחרי. Ming הוא ברישיון MIT, שהוא בערך הרישיון המתירני ביותר שיכול להיות ומחייב רק ייחוס. VoxCPM2 הוא ברישיון Apache 2.0, שמוסיף הענקת פטנטים מפורשת וסייג לגבי סימני מסחר. עבור רוב הצוותים ההבדל הוא מנהלי ולא משפטי, וכל אחד מהם הוא תשובה נקייה לשאלון רכש, בעוד שרישיון לא-מסחרי אינו כזה.

האסימטריה האמיתית היא כוונון עדין. VoxCPM2 מתעד כוונון עדין מפוקח מלא ו-LoRA על חמש עד עשר דקות של אודיו, מה שאומר שאפשר להזיז את המודל לעבר דובר או סגנון מסוימים עם מערך נתונים קטן ו-GPU יחיד. Ming-3.0-tts-0.5B אינה מגיעה עם מתכון לכוונון עדין, ללא סקריפט אימון וללא מסלול LoRA בגרסה שקראנו. אם המוצר שלך צריך מודל שהוא שלך ולא מודל שאתה מפעיל באמצעות פרומפט, זה לא פער בנצ'מרק — זה פער ביכולות, והוא מכריע את הבחירה לפני שמסתכלים בכלל על מספר Elo.

התשובה של Ming לאותו צורך היא עיצוב קול בתוספת שיבוט: לתאר את הקול, או לספק קטע שמע. זה מכסה את רוב צורכי ההפקה — אבל לא את אלה שכרוכים באימון על אודיו קנייני בקנה מידה גדול.

איפה שכבת ניתוב מצדיקה את מקומה כאן

OrcaRouter אינה מארחת את Ming-3.0-tts-0.5B או VoxCPM2. אף אחד מהם אינו מודל שאנו יכולים לספק לכם נקודת קצה עבורו, והמאמר הזה לא יטען אחרת. מה שנתב אכן מגיע אליו בצינור דיבור הוא כל מה שנמצא במעלה הזרם של צורת הגל: המודל שמנסח את התסריט, מרחיב את הקיצורים, מחליט היכן תיכנס תגית הצחוק, ומשכתב את המשפט שיצא ב-3.8 שניות כשהמשבצת הייתה 3.2. אלה קריאות טקסט, ואנו מנתבים יותר מ-200 מודלים של טקסט מאחורי מפתח אחד במחיר המחירון של הספק עם 0% תוספת — כך שכאשר ספק מוריד מחיר, ההורדה פעילה אצלנו באותו יום ולא בתמחור מחדש הבא. מעבר אוטומטי לכשל משאיר את החצי הזה של הצינור עונה בזמן שחצי הקול הוא הורדה שאתם מפעילים בעצמכם.

זה הגבול הכנה. נתב הוא הכלי הלא נכון עבור צ'קפוינט שאתה מריץ על ה-GPU שלך, והכלי הנכון עבור המודלים שמחליטים מה מבקשים מהצ'קפוינט לומר.

לבחור, בלי טבלת דירוג להתחבא מאחוריה

בחרו ב-Ming-3.0-tts-0.5B אם התוכן שלכם רב-לשוני ודיוק המילים הוא המדד שהבעלי העניין שלכם מתווכחים עליו, אם אתם זקוקים לכיסוי קולי בעדיפות לסינית עם פריסטים בעלי שמות, אם תגיות רגשיות בתוך השורה הן חלק מפורמט התסריט, אם אתם רוצים צ'ק פוינט MIT בנפח 2.96 GB שמתאים בנוחות לחומרה צנועה, או אם מספר הפרמטרים של 0.5B הוא ההבדל בין עלות יחידה כדאית לעלות יחידה שאינה כדאית. גשו לזה בידיעה שהקול יהיה מעט פחות נאמן לרפרנס מזה של VoxCPM2, שקוד האינפרנס בן שעות ספורות, ושאין נתיב לכוונון עדין.

בחרו ב-VoxCPM2 אם זהות הקול היא המוצר — דיבוב, עבודת דמויות, כל דבר שבו מאזין היה מבחין בשכפול נסחף — אם אתם זקוקים לאחת מהשפות שמינג אינו מכסה, אם בכוונתכם לבצע כוונון עדין על האודיו שלכם, או אם אתם רוצים מחסנית תוכנה שאפשר להתקין בלי הפתעות מאז אפריל.

שובר השוויון זול ואף אחד מהמספרים לעיל לא מחליף אותו. קח מאה משפטים מהטקסט שלך, קליפ ייחוס אחד, והרץ את שניהם. דרג את המילים עם מודל ASR ודרג את הקול עם אותה מטריקת קוסינוס שבה השתמש Ant. תקבל תשובה לכל שפה בתוך אחר צהריים, על התוכן שלך, עם המבטאים שלך — וזה יותר ממה שטבלת ספקים שנבנתה על סט בדיקות ציבורי יכולה לתת לך, והרבה יותר מלוח דירוג שמפרט רק אחד משני המודלים.