Ming-3.0-tts-0.5B לעומת Voxtral 4B TTS: אחד מהמשקלים האלה אינו למכירה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 9 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-17$0.15 / $0.60 לכל 1M טוקנים · 231 tok/s
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 95 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 787 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 40 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 832 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 119 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
קראו את הרישיון לפני הבנצ'מרק, כי בזיווג הזה הוא מכריע את הוויכוח תחילה. Ming-3.0-tts-0.5B נמצא תחת רישיון MIT — הורידו אותו, בצעו לו כיוונון עדין, הפיצו אותו בתוך מוצר מסחרי, תנו ייחוס ל-Ant Group והמשיכו. Voxtral 4B TTS נמצא תחת CC BY-NC 4.0, בירושה ממערכי נתוני קול הייחוס שמאחוריו, מה שאומר שהמשקולות של Mistral AI אינן ברישיון לשימוש מסחרי כלל. המסלול המסחרי עבור Voxtral הוא ה-API במחיר $0.016 לאלף תווים. אז השאלה האמיתית אינה איזה מודל נשמע טוב יותר. השאלה היא אם אתם קונים קול שאתם מפעילים או שוכרים קול שאליו אתם פונים, ורק אחד משני הצ'קפוינטים האלה מאפשר לכם לבחור. הכשלים המתועדים של AI ותקריות הסוכנים מאחורי מהדורות כמו זו נאספים ב-the OrcaRouter AI Incident Archive שבו לכל רשומה יש מקורות משלה, חומרה, דירוג מהימנות וסימון מחלוקת.
המסגור הזה נשמע כאילו הוא הופך את ההשוואה לקלה, אבל הוא לא, מפני ששני המודלים טובים בדברים שונים, ולמודל המתארח יש משהו שהמודל הפתוח לא יכול להציע: עקומת השהיה ותפוקה שפורסמה, שהורצה על תשתית הגשה אמיתית, בשלוש רמות של מקביליות. Ming-3.0-tts-0.5B פורסם ל-Hugging Face ב-24 בספטמבר 2026, וקוד ההסקה שלו ל-GitHub ב-19 באוקטובר 2026, בלי הודעה מצד Ant Group על אף אחד מהם — המודל בן 19 ימים כארטיפקט ובן שעות בלבד כמשהו שאפשר ממש להריץ. Voxtral 4B TTS הוכרז על ידי Mistral במרץ 2026, והיו לו שבעה חודשים להימדד. להלן הרישיון, צורת הפריסה, המספרים שכל צד יכול לטעון להם ביושר, והשאלות שאף אחד מהספקים לא ענה עליהן.
שני רישיונות שאינם וריאציות על אותו נושא
• Ming-3.0-tts-0.5B — MIT. שימוש מסחרי, שינוי, הפצה מחדש וכיוונון עדין מותרים כולם, עם ייחוס. צ'קפוינט בגודל 2.96 GB שאפשר להכניס לתמונת קונטיינר, להריץ על המאיץ שלך ולשלוח ללקוח בלי לבקש permisיה מאף אחד.
• Voxtral 4B TTS — CC BY-NC 4.0. לא לשימוש מסחרי. הכרטיס של Mistral מפורש שהמודל יורש את הרישיון של קולות הייחוס שלו, שנאספו ממקורות הכוללים את EARS, CML-TTS, IndicVoices-R וסט ערבי באודיו טבעי. המשקולות ניתנות להורדה ללא בעיה; הרישיון הוא המגבלה, לא הקובץ.
ההבחנה שאנשים טועים בה היא שה-API אינו כפוף לאותה הגבלה. קריאה ל-Voxtral דרך השירות של Mistral היא עסקה מסחרית עם הספק, והמחיר הוא $0.016 לאלף תווים. אירוח עצמי שלו בתוך מוצר בתשלום הוא מעשה אחר, והוא זה שהרישיון אוסר. אם הפריסה שלך חייבת להיות מקומית — ריבונות נתונים, הסקה בסביבה מבודדת, לקוח שלא יאשר נקודת קצה של צד שלישי — אז Voxtral 4B TTS אינו אפשרות בכל מחיר, בעוד Ming-3.0-tts-0.5B זמין ללא תנאי.
זהו גבול קשיח, וכדאי להפריד אותו מהגבול הרך יותר. רישיון לא-מסחרי עדיין מתיר הערכה, מחקר וניסוי פנימי, ולכן הדרך ההגיונית לקרוא את הטבלה הזו היא ש-Voxtral הוא שירות שאפשר לבדוק בחינם ו-Ming הוא ארטפקט שאפשר להחזיק בבעלות מלאה.
מה חצי מיליארד פרמטרים קונים, ומה הם לא
• גודל וארכיטקטורה — Ming-3.0-tts-0.5B הוא מודל צפוף בעל 0.5B פרמטרים על שלד Qwen2.5-0.5B עם ראש מסוג diffusion-transformer, וה-checkpoint כולל את ה-audio tokenizer וה-speaker encoder שלו. Voxtral 4B TTS הוא בקירוב 4 מיליארד פרמטרים, מוגש דרך vLLM-Omni, ובנוי על בסיס Ministral-3-3B של Mistral.
• פלט — Ming ב-44.1 kHz; Voxtral ב-24 kHz ב-WAV, PCM, FLAC, MP3, AAC או Opus. מאסטר של 44.1 kHz הוא ההבדל בין קובץ שאפשר למסור לעורך וידאו לבין קובץ שצריך לדגום מחדש קודם, וזה חשוב יותר בדיבוב ובשידור מאשר בסוכן טלפוני.
• מצבים — ל-Ming יש משימות בעלות שמות (TTS, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) עם אי-הכללות הדדיות מתועדות. Voxtral תומך בסטרימינג ובאצווה, ללא טקסונומיית משימות מקבילה שפורסמה.
• קולות — ב-Ming יש יותר מ-100 קולות סיניים מובנים וחמישה קולות אנגליים מובנים, בנוסף לשיבוט zero-shot מקליפ קצר ולעיצוב קול מתיאור בשפה טבעית. ב-Voxtral יש 20 קולות מוגדרים מראש והיא מסתגלת לקליפ ייחוס קצר עד שלוש שניות. עשרים הם סגל נבחר; מאה הם רשימת שחקנים. מה שתרצו תלוי אם אתם בונים מוצר עם קול אחד או כלי שמאפשר לאחרים לבחור קול.
• פרלינגוויסטיקה — 14 התגים המוטבעים של Ming מכסים נשימה, שיעול, אנחה, צחוק, היסוס, הפתעה ושאלות, ובנוסף לכך שליטה מפורשת ברגש, במהירות, בגובה הצליל ובעוצמה. Mistral אינה מפרסמת אוצר תגים עבור Voxtral. היעדר תיעוד אינו היעדר יכולת, והוא גם אינו ראיה לכך.
ספירת 0.5B הפרמטרים היא החלק שמפרשים אותו לא נכון. Ming אינו גרסה קטנה יותר של Voxtral; הוא עיצוב שונה, שמהמר על כך ששלד קומפקטי יחד עם מקודד דובר מצורף וטוקנייזר מספיקים לדיבור בר-שליטה, ומקדיש את הקיבולת שלו לשליטה ולא להיקף. בהערכה הרב-לשונית של Ant עצמה, הוא גובר על VoxCPM2 בדיוק התוכן בארבע מתוך חמישה שפות אך מפסיד בדמיון הדובר בכל החמישה — וזה איך נראה מודל שמכוונן למילים ולא לגוון הקול על גבי כרטיס ניקוד.
המספר היחיד שיש ל-Voxtral ושאין ל-Ming
Mistral פרסמה benchmark לשירות, והוא הדבר השימושי ביותר בכל אחד משני השחרורים עבור כל מי שמתכנן קיבולת. על H200 בודד שמריץ vLLM-Omni 0.18.0, עם קלט של 500 תווים ורפרנס אודיו באורך עשר שניות:
• מקביליות 1 — 70 מילישניות של השהיה, מקדם זמן אמת 0.103, כ-119 תווים לשנייה של זמן GPU.
• מקביליות 16 — 331 אלפיות השנייה, RTF 0.237, כ-879 תווים בשנייה.
• מקביליות 32 — 552 מילישניות, RTF 0.237 מועבר הלאה, כ־1,431 תווים לשנייה.
זו תוכנית קיבולת בשלוש שורות: זמן השהיה נשאר מתחת לשנייה הרבה מעבר לרמת המקביליות שרוב מוצרי הקול מגיעים אליה בפועל, והתפוקה גדלה בערך פי שנים־עשר מזרם אחד לשלושים ושניים. זהו מערך הבדיקות של Mistral עצמה, שלא שוחזר, והוא מניח את סביבת הייחוס — אבל זו תבנית שאפשר לתכנן לפיה פריסה.
המספר המקביל של Ming הוא עצמאי ולא מדווח על ידי הספק, והוא מודד משהו מעט שונה. Artificial Analysis מתעד את Ming-3.0-tts ב-42.1 תווים לשנייה של זמן יצירה במערכת הבדיקה שלו, בקשה אחת בכל פעם. זה בערך שליש מקצב הזרם הבודד של Voxtral, בשיטה שונה על חומרה שונה, והאמירה הכנה היא ששתי הנתונים אינם ניתנים להשוואה ישירה: האחד הוא התפוקה של Mistral ברמת מקביליות נבחרת על H200, והשני הוא מדידת זרם בודד של צד שלישי על חומרה שלא פורסמה. מה שכן אפשר לומר הוא ששניהם מהירים מספיק לדיבור אינטראקטיבי ואף אחד מהם אינו אילוץ בזמן אמת.
ההבדל בתפוקה שכן משנה כרוך ברישוי. העקומה של Voxtral היא סיבה לקרוא ל-API במקום לבנות סביב המשקלים — הנדסת השירות כבר נעשתה, ואתה משלם לפי תו במקום לפי שעת GPU. הקצב של Ming הוא סיבה לחשב את נקודת האיזון שלך, כי בקצב של 42.1 תווים לשנייה, מיליון תווים הם כ-6.6 שעות של יצירה, והאם זה זול תלוי לחלוטין בכמה עולה המאיץ שלך כשהוא אחרת במצב סרק.
תשע שפות מול שבע, ואף אחת מן הרשימות אינה מהווה הצהרת איכות
• Ming-3.0-tts-0.5B — סינית, אנגלית, גרמנית, ספרדית, צרפתית, קוריאנית ויפנית, כאשר סצ'ואנית וקנטונזית הן משימות ניב נפרדות ונדרש מזהה שפה מפורש עבור חמש השפות שאינן סיניות.
• Voxtral 4B TTS — אנגלית, צרפתית, ספרדית, גרמנית, איטלקית, פורטוגזית, הולנדית, הינדי וערבית. הכרטיס מתאר "ניבים מגוונים" בתוך התמיכה הזו מבלי למנות אותם.
החפיפה היא חמש שפות: אנגלית, צרפתית, ספרדית, גרמנית ואחת מקוריאנית או יפנית, בהתאם לאופן שבו סופרים כיסוי אזורי. כל מודל מכסה משהו שהאחר אינו מכסה — איטלקית, פורטוגזית, הולנדית, הינדי וערבית בצד של Voxtral; קוריאנית, יפנית, סצ'ואנית וקנטונזית בצד של Ming. אם מפת הדרכים שלכם כוללת ערבית או הינדי, ההחלטה נגמרה עוד לפני שקוראים את הבנצ'מרק הראשון.
מה שאף אחד משני הספקים לא מפרסם הוא איכות לפי שפה. Mistral לא מפרסמת שיעור שגיאות עבור אף אחת מתשע השפות שלה. Ant בדקה חמש שפות לא-סיניות על סט MiniMax ופרסמה נתונים, אך אלו הם מערך הבדיקות של Ant עצמה מול מתחרים שבחרה בעצמה, והם לא אומרים דבר על קוריאנית או יפנית מול Voxtral כי Voxtral לא הופיע בטבלה. לכן השוואת השפות כאן היא כיסוי, לא כשירות, וכל מאמר שמציג אותה ככשירות מנחש.
הלוח שיש בו את שניהם, בערך
שני המודלים מופיעים בלוחות הדירוג של Artificial Analysis לדיבור, אך לא באותו תאריך לכידה ולא עם אותו הרכב מתחרים סביבם, ולכן יש להתייחס לכך כהתמצאות ולא כתוצאה של השוואה ראש בראש.
• Ming-3.0-tts-0.5B — קול ספק: 1,188 Elo (טווח 1,173–1,203, טווח דירוג 17–23, השורה התשע-עשרה ברשימה); קול מבוקר: 1,069 (1,053–1,085, טווח דירוג 10–18, השורה השלוש-עשרה). שני הצילומים הם מ-19 באוקטובר 2026, היום שבו קוד ההסקה שלו פורסם.
• Voxtral 4B TTS — Controlled Voice 1,005 Elo, טווח דירוג 24–30, השורה העשרים ושש של אותה לכידה מ-19 באוקטובר. מיקום קול הספק שלו לא היה בחומר שיכולנו לאמת.
לוח Controlled Voice הוא זה ששווה לסמוך עליו, מפני שכל מודל בו משכפל את אותן קולות ייחוס קבועים, ומערך הקולות מפסיק להיות גורם מבלבל. בצילום המסך שלמעלה, ה-1,069 של Ming וה-1,005 של Voxtral נמצאים במרחק 64 נקודות, וכשטווחי הדירוג חופפים, המסקנה ההוגנת היא ש-Ming מקבל ציון גבוה יותר במדידה שנעשתה מאוחר יותר מול שדה גדול יותר. אל תקראו בזה ניצחון מובהק של 64 נקודות. כן קראו בזה עדות לכך שצ'ק פוינט פתוח של 0.5B אינו מחוץ לתחומו לצד מודל ספק של 4B בנאמנות קולית, וזה החלק המפתיע.
מה פייפליין Ming באחסון עצמי באמת עולה לך מבחינה הנדסית
אימוץ Ming אינו הורדה וקריאה לפונקציה. סביבת הייחוס היא סביבה מקובעת: PyTorch 2.6 עם CUDA 12.4, נבדקה על H800-80GB ועל H20-96G, כאשר flash-attention הוא אופציונלי עם נפילה חזרה ל-SDPA. נרמול טקסט דורש pynini 2.1.6 — ספרייה שיש לה מוניטין של קשה להתקנה — או שמעבירים דגל שמכבה את הנרמול ומקבלים שמספרים, מטבעות וקיצורים מגיעים אל המודל כמות שהם.
אלו העלויות שלעולם לא מופיעות בטבלת השוואה ותמיד מופיעות בספרינט. העלויות המקבילות של Voxtral חבויות בתוך מחיר ה-API: מישהו אחר קבע את הסביבה, מישהו אחר מטפל בריבוי בקשות בו-זמנית, והתמורה היא שאינך יכול לשנות את צוות הקולות מעבר להתאמה מקליפ ייחוס, ושאינך יכול להריץ את המודל על מכונה שבשליטתך למטרות מסחריות.
הבגרות של Ming גם צריכה להיות מתומחרת בכנות. מאגר ה-GitHub עלה ב-19 באוקטובר 2026, כאשר הקומיט הראשון הכיל את קוד האינפרנס, Dockerfile, דוגמאות בלחיצה אחת ומדריך מתכונים למשימות, וקומיטים של תיעוד נחתו במהלך אחר הצהריים — כולל אחד שסימן תמיכה ב-vLLM-Omni. vLLM-Omni הוא אותה מחסנית שירות ש-Mistral השתמשה בה עבור הבנצ'מרק של Voxtral, וזה צירוף מקרים שימושי: הנתיב לפריסה בסביבת ייצור עבור Ming הוא הנתיב ש-Voxtral כבר תיעד, שכבה אחת למטה.
איפה הניתוב משתלב, והחלק שהוא לא נוגע בו
OrcaRouter אינו מספק את Ming-3.0-tts-0.5B; זהו צ'קפוינט שאתה מריץ. Voxtral 4B TTS זמין דרך ה-API של Mistral עצמה, והמאמר הזה אינו טוען שאנחנו מנתבים אותו. מה שראוטר אכן מגיע אליו בכל אחת משתי הארכיטקטורות הוא הטקסט שסביב הקול — התסריט, החלטות התגיות בסגנון SSML, שלב התרגום שהופך תסריט אב אחד לתשע שפות לפני הסינתזה, המסכם שמקצר קטע כדי שיתאים למשבצת זמן. הקריאות האלה מתרחשות מאות פעמים בכל דקת אודיו, ושם באמת מתרכזים העלות של צינור עיבוד ואופני הכשל שלו.
זו השכבה שאנחנו מפעילים: יותר מ-200 מודלים טקסטואליים מאחורי מפתח אחד במחיר המחירון של הספק, עם 0% תוספת, כך שהורדת מחיר של ספק מגיעה אליכם ביום שהיא נכנסת לתוקף ולא בתמחור מחדש הבא; מעבר אוטומטי בין ספקים (failover), כך שאחה רעה של ספק בודד אינה עוצרת את יצירת התסריט שמזינה את הקול; ו-DSL לניתוב להרכיב כמה מודלים לקריאה אחת כששלב התרגום ושכתוב הסגנון זקוקים למודלים שונים. מודל הקול שבקצה השרשרת הוא לבחירתכם, והמאמר הזה עוסק בבחירתו.
מה שאף אחד מהכרטיסים לא מספר לך
שלוש שאלות קובעות את רוב הפריסות בפועל, ואף אחד משני הספקים לא עונה על אף אחת מהן.
• כיצד נשמרת האיכות תחת מקביליות? Mistral מודדת השהיה ותפוקה ב-32 זרמים אך אינה מפרסמת דלתא איכות בין אצווה לזרימה. לגרסה של Ming אין כלל סיפור מקביליות — רתמת בקשה בודדת, GPU ייחוס, וללא עקומת תפוקה של vLLM, רק הערת תמיכה.
• איך נשמעת יצירה שנכשלה? אף אחד מהכרטיסים אינו מתעד התנהגות חיתוך, לולאות חזרה, או מה קורה כשתסריט עם 14 תגיות מתנגש עם משפט שהמודל אינו מצליח לנתח. הכרטיס של Ant גלוי לב באופן יוצא דופן לגבי נקודות התורפה שלו — פרלינגוויסטיקה רב-אירועית לא יציבה, שליטה ברגש שמתדרדרת כשהמילים אינן נושאות רגש, דמיון בצרפתית כשפה הגרועה ביותר שלו, ועיצוב קול פתוח שאינו משתווה למערכת החזקה ביותר שמולה הוערך — אבל סעיף מגבלות אינו טקסונומיה של כשלים.
• מי יתחזק את זה בעוד שנה? Mistral היא חברה עם שירות TTS מסחרי ותמריץ ברור לשמור אותו מעודכן; הגרסה ממרץ כבר יציבה שבעה חודשים. ל-Ming-3.0-tts-0.5B יש לייק אחד, שש הורדות ומאגר שנוצר ביום שבו נכתב הטקסט הזה. ייתכן ש-Ant Group תתמוך בו — משפחת Ming כוללת ASR, אודיו וגרסאות זעירות, מה שמרמז על תוכנית ולא על מוצר חד-פעמי — אבל שום דבר בהודעה על השחרור לא מתחייב לשום דבר.
הנקודה האחרונה היא זו שצריך לשקול מול רישיון MIT. רישיון מתירני מבטיח לך את הזכות להשתמש במשקלים לנצח; הוא אינו מבטיח שמישהו יתקן באג בקוד ההסקה, וההבדל הופך לגלוי רק בחודש השביעי.
ההחלטה, בסדר שבו היא למעשה מגיעה
התחל עם אילוץ הפריסה, משום שהוא פוסל אפשרות אחת לחלוטין. אם המודל חייב לרוץ על תשתית שבשליטתך והפלט חייב להיות שמיש מסחרית, התשובה היא Ming-3.0-tts-0.5B, והשאלות הנותרות הן הנדסיות: לקבע את הסביבה, להתקין את pynini או להשלים עם טקסט לא מנורמל, לתקצב כ-6.6 שעות GPU למיליון תווים, ולהשלים עם כך שהקול יהיה קצת פחות נאמן לקליפ ייחוס מאשר האלטרנטיבה הפתוחה הטובה ביותר. אם המודל צריך לדבר ערבית, הינדי, איטלקית, פורטוגזית או הולנדית, התשובה היא Voxtral 4B TTS דרך ה-API, והשאלות הנותרות הן מסחריות: 0.016 דולר לאלף תווים, עשרים קולות, פלט של 24 kHz שאולי יצטרך דגימה מחדש, וספק שפרסם את עקומת השירות שמולה תתכנן את הקיבולת.
אם אף אחד מהאילוצים אינו מגביל, שובר השוויון הוא מה שהמוצר שלך הוא. צינור דיבוב או שידור שזקוק להרבה קולות, כיסוי דיאלקטים ורגש בתוך הזרם רוצה את הקאסט של Ming ואת הפלט שלו ב-44.1 kHz, והוא ישלם על כך בתפעול. סוכן קולי או IVR שזקוק להשהיה צפויה, סטרימינג ומישהו אחר בכוננות רוצה את ה-API של Voxtral, והוא ישלם על כך לפי תו ובאובדן קאסט קולות שאינו יכול להרחיב מעבר לעשרים.
הדבר האחד ששווה לעשות לפני כל אחד משניהם: לרשום באילו שפות אתם באמת תשיקו בשנים עשר החודשים הקרובים, ואילו מהן צוות המשפטי שלכם יאפשר להן לצאת מהתשתית שלכם. שתי הרשימות האלה מצמצמות את זה מהשוואת מודלים למועמד יחיד מהר יותר מכל מספר Elo, ובניגוד ללוחות הדירוג, הן עדכניות.
