Ming-3.0-tts-tiny לעומת VoxCPM2: שני צ'קפוינטים, שאחד מהם מפרסם את המהירות שלו

זוהי ההשוואה היחידה בסדרת Ming-3.0-tts-tiny שבה באמת אפשר להריץ את שני הצדדים, וזה משנה על מה הוויכוח. Ming-3.0-tts-tiny, מבית inclusionAI של Ant Group, הוא מודל mixture of experts עם 7.9 מיליארד פרמטרים שמפעיל כ-1.3 מיליארד לכל טוקן, ברישיון MIT, בגודל של כ-18 GB בדיסק, כאשר H800 מוגדר ככרטיס המומלץ. VoxCPM2, מבית OpenBMB, הוא מודל בן 2 מיליארד פרמטרים ללא tokenizer על שלד MiniCPM-4, ברישיון Apache 2.0, כ-8 GB ב-bfloat16, שיצא באפריל 2026. לאף אחד מהם אין שורה בלוח הדירוג. לאף אחד מהם אין מחיר עבור שירות מתארח. כששני מודלים גם ניתנים להורדה וגם ללא ציון, ההשוואה מפסיקה להיות עניין של העדפה והופכת לחשבון: שעות אודיו לכל שעת GPU, זיכרון לכל תהליך, והאם אפשר לכוונן את הדבר בלי לכתוב בעצמך את קוד האימון. הכשלים המתועדים של AI ותקריות הסוכנים שמאחורי מהדורות כמו זו נאספים בארכיון התקריות OrcaRouter AI, שבו כל ערך נושא מקורות משלו, חומרה, דירוג ביטחון ודגל שנוי במחלוקת.

היסטוריות השחרור ראויות לציון מפורש משום שהן מסבירות את פער הבשלות. VoxCPM2 פומבי מאז אפריל, צבר כ-847,000 הורדות בחודש האחרון, ומגיע עם סקריפטים לאימון לצד אינפרנס. המאגר של Ming-3.0-tts-tiny נוצר ב-22 בספטמבר 2026, המשקולות הגיעו ב-24 בספטמבר, והקוד להרצתן לא היה קיים באופן פומבי עד 19 באוקטובר בשעה 08:58 UTC, כאשר תשעה קומיטים הגיעו באחר צהריים אחד. Ant לא הודיעה על המודל. אין דוח טכני; מפת הדרכים מציגה אותו כתיבת סימון לא מסומנת, וכרטיס המודל נערך ב-16 באוקטובר במיוחד כדי להסיר התייחסות לאחד כזה. כך שאחד מאלה הוא פרויקט בן חמישה חודשים עם בסיס משתמשים והשני הוא צינור עיבוד שנכון לזמן כתיבת הדברים הוא בן שבוע.

הראשון מביניהם מפרסם והאחר לא.

הכרטיס של VoxCPM2 מציין מקדם זמן אמת של כ-0.30 ב-PyTorch סטנדרטי על RTX 4090, שיורד לכ-0.13 תחת Nano-VLLM. מקדם זמן אמת הוא שניות חישוב לכל שניית אודיו, כך ששני הנתונים האלה אומרים ששעת GPU אחת מניבה כ-3.3 שעות של דיבור מוגמר במקרה הראשון וכ-7.7 בשני.

Ming-3.0-tts-tiny לא מפרסמת שום נתון תפוקה כלל. לא מקדם זמן אמת, לא תווים לשנייה, שום דבר שנמדד על כרטיס. מה שהגרסה כן מספקת הוא הסביבה שבה היא אומתה — Python 3.10.15, torch ו-torchaudio 2.7.1 עם CUDA 11.8, transformers מוצמד ל-4.46.3, כרטיס H800, וסקריפט בדיקה מקדימה שבודק את ההתקנה שלך לפני שתבזבז הרצה — ובנוסף את הארכיטקטורה: 8,980,964,372 פרמטרים ב-BF16, 40,096 ב-F32, מערך מומחים של 7.9B בסך הכול עם כ-1.3B פעילים לכל טוקן.

אינך יכול לשאול את התפוקה של האח ה-0.5B כדי למלא את הפער. המודל הזה נמדד ב-42.1 תווים לשנייה במערך בדיקה עצמאי ותופס 2.96 GB; המודל הזעיר מפעיל בערך פי שניים וחצי פרמטרים לכל טוקן ותופס בערך פי שישה מקום בדיסק. ניתוב דליל מקזז חלק מהעלות של הסך הכולל הגדול יותר, וזו כל מטרת הארכיטקטורה, אבל אף אחד מחוץ ל-Ant לא נתן מספר לכמה.

ביצוע חישוב העלויות כשיש בו חור

מכיוון שצד אחד מפרסם את המהירות שלו והצד האחר לא, הגרסה הכנה של ההשוואה הזו היא טווח ולא מספר. הנה הצורה הכללית של הדברים.

• VoxCPM2 על RTX 4090, PyTorch — 0.30 RTF, כלומר 3.3 שעות של אודיו לשעת GPU. מיליון תווים של קריינות, בקצב גס של 15 תווים לשנייה של דיבור, הם כ-18.5 שעות של אודיו מוגמר, או בערך 5.6 שעות GPU.

• VoxCPM2 על אותו כרטיס, Nano-VLLM — 0.13 RTF, כלומר 7.7 שעות לכל שעת GPU, או בערך 2.4 שעות GPU עבור אותו מיליון תווים. מחסנית השירות יותר מכפילה את התפוקה מבלי לגעת במשקלים.

• Ming-3.0-tts-tiny — לא ידוע. בקצב היפותטי של 20 תווים לשנייה יידרשו כ-14 שעות יצירה; בקצב של 10 תווים לשנייה, כ-28. אף אחד מהמספרים אינו מדידה, ויש להתייחס לשניהם כאל ממלאי מקום עד שמישהו יפרסם מדידה.

• זיכרון — VoxCPM2 מציין כ־8 GB ב־bf16, מה שמתאים לכרטיס צרכני של 24 GB עם מקום לבאצ'ינג. 18 GB של משקולות ב־Ming-3.0-tts-tiny, בתוספת אקטיבציות ומפענח האודיו, פירושם שכרטיס H800 של 80 GB הוא היעד ההגיוני, בעוד שכרטיס של 24 GB אינו מתאים.

• מגבלת רצף — VoxCPM2 מוגבל ל-8,192 טוקנים, וזהו אילוץ ממשי בעבודה ארוכת טווח, וכדאי לבדוק אותו מול הפסקה הארוכה ביותר שלך לפני שאתה מתחייב. Ming-3.0-tts-tiny אינו מפרסם מגבלה מקבילה; מסלול העבודה ארוכת הטווח שלו הוא משימת הפודקאסט, שמקבלת תסריט ולא אמירה בודדת.

המסקנה ששורדת את המספר החסר עוסקת בניצול ולא במהירות. כרטיס שיושב בטל מפסיד לכל API מתארח בכל מחיר, וכרטיס שכבר יש לך ואתה משאיר אותו עסוק מנצח בעלות שולית לא משנה איזה משני אלה אתה מריץ. הפער בין 0.30 ל-0.13 RTF הוא פי 2.3 בעלות לשעת אודיו, וזה גדול ממה שרוב הצוותים מצפים משינוי בסטאק ההגשה וגדול ממה שההבדל במספרי הפרמטרים היה מרמז.

כוונון עדין הוא הנקודה שבה השניים מפסיקים להיות ברי השוואה

VoxCPM2 מתעד גם כיוונון עדין מלא עם פיקוח וגם LoRA על בסיס חמש עד עשר דקות אודיו בלבד, עם סקריפט אימון וקונפיגורציה לכל אחד מהם. זו לא הערת שוליים; זה ההבדל בין מודל שאתה שוכר את ההתנהגות שלו לבין מודל שההתנהגות שלו היא שלך.

Ming-3.0-tts-tiny מתעד הסקה, לא אימון. המאגר הוא ספר מתכונים למשימות — שיבוט קול מזרע, רב-לשוניות, פראלינגוויסטי, פודקאסט, תכונות בסיסיות, רגש, דיאלקט, צורה חופשית, עיצוב קול, ומשימת "ip" — העוטף MingTinyTTS.from_pretrained כנקודת כניסה אחת. אין מתכון LoRA, אין תצורת SFT, ואין הצהרה אם כיוונון עדין נתמך בכלל. בהחלט ייתכן שזה אפשרי; צ'קפוינט הוא צ'קפוינט. אבל "אפשרי" ו"מתועד עם סקריפט עובד" הם כמויות שונות של הנדסה, והשנייה היא מה ש-VoxCPM2 מספקת.

עבור קול מותג, תחום מוסדר, או שפה שאף אחד משני המודלים לא מטפל בה היטב כברירת מחדל, זו האסימטריה המכריעה. חמש דקות של אודיו ייחוס וקונפיגורציה שסופקה הן שבוע של עבודה. הנדסה לאחור של מסלול אימון למודל דליל של 7.9B ללא מימוש ייחוס היא רבע שנה.

שפות, ניבים ומה מקבלים מ"30 שפות"

• Ming-3.0-tts-tiny — סינית, אנגלית, גרמנית, ספרדית, צרפתית, קוריאנית ויפנית, ובנוסף סצ'ואנית וקנטונזית כאשר מספקים קליפ ייחוס בניב. תשע בסך הכול אם סופרים את שני הניבים.

• VoxCPM2 — 30 שפות כולל קנטונזית וסצ'ואנית, והכרטיס מציין שאין צורך בתג שפה: אתה נותן לו טקסט והוא מסיק את השפה. זהו נוחות עם מצב כשל, מכיוון שטקסט רב-לשוני יוכרע על ידי המודל ולא על ידך.

בשפות המשותפות להן, רק צד אחד פרסם שיעורי שגיאה לפי שפה, וזה Ant. גרמנית 0.325% שגיאת תווים, ספרדית 0.971%, יפנית 3.427%, צרפתית 3.470%, קוריאנית 6.000%, הכול במערך הבדיקות העצמי של Ant, והכול ללא שחזור. ב-VoxCPM2 אין טבלה מפורסמת לפי שפה, ולכן לא ניתן לבדוק את יתרון הרוחב מול טענת העומק. כל מי שמצטט כאן מנצח באיכות שפה מצטט גיליון נתונים של ספק אחד מול שתיקתו של ספק אחר.

הנתון הקוריאני ראוי למשפט משלו, משום שהוא הפגם הברור ביותר ברשומה של Ming-3.0-tts-tiny: {{1}}6.000% שגיאת תווים, בערך פי שלושה וחצי מ-1.728% שאחיו ה-0.5B מציג באותה שפה{{/1}}. הכרטיס מפרט את הקוריאנית בין החולשות הידועות ואינו מציע מנגנון. הסבר של ניתוב דליל הוא סביר אך לא נמדד.

שאלת הרישיון, שבה הפער קטן מכפי שהוא נראה

שניהם מתירניים לשימוש מסחרי, מה שיוצא דופן בתחום הזה וכדאי לומר זאת בבירור. Ming-3.0-tts-tiny הוא MIT עבור המשקלים והקוד, עם הערת שימוש שמבקשת לא להתחזות לאנשים ללא הסכמה ולתייג אודיו סינתטי — בקשה בתיעוד ולא תנאי של ההענקה. VoxCPM2 הוא Apache 2.0, חופשי במפורש לשימוש מסחרי, עם נוסח שימוש מקובל משלו.

אף אחד מהרישיונות אינו מחייב בדיקה משפטית שמסיימת את הפרויקט, ולאף אחד מהם אין חריג של שירות מתארח שהופך כמה הפצות דיבור במשקולות פתוחות לבלתי שמישות בייצור. בפריסה עצמית השניים קרובים מספיק עד שהרישיון לא אמור להיות שובר השוויון; סיפור האימון, טביעת הזיכרון והמהירות אמורים להכריע.

אף אחד מהם לא נמצא על הלוח, ובכל זאת מספר אחד מושאל בכל מקרה

Artificial Analysis מציגה רשומה של Ming-3.0-tts עם 1,188 Elo ב-Provider Voice ו-1,069 ב-Controlled Voice. זהו מודל ה-0.5B. ל-Ming-3.0-tts-tiny אין שורת זירה — לא מדורג, לא בלתי-מדורג, לא רשומת תצוגה מקדימה — וה-README ב-GitHub משחזר את הנתונים 1,188 ו-1,069 בלי לומר איזה צ'קפוינט הפיק אותם.

ל-VoxCPM2 אין שורה כלל, באף אחד משני הלוחות, והדף שלו ב-Hugging Face מציין שאף ספק הסקה לא מפעיל אותו. היעדרות זו אינה ציון נמוך. היא פירושה שאיש לא הציב אף אחד מהמודלים האלה בפני פאנל העדפות, כך שהראיה היחידה לאיכות בהשוואה הזו היא החבילה של Ant מצד אחד, ושום דבר מצד שני.

אם אתה צריך מספר לפני שתתחיל, התחליף השימושי הוא זה ש-VoxCPM2 כן מפרסם: מקדם זמן אמת. הוא לא מדד איכות, אבל הוא נמדד, הוא ניתן לשחזור בכרטיס שלך, והוא אומר לך מה עולה להפעיל את המודל. המקבילה של Ming-3.0-tts-tiny היא טווח שתצטרך לייצר בעצמך.

למה כל אחד מהם בעצם מיועד

בחר ב-VoxCPM2 כאשר עומס העבודה הוא מסוג תוכן ארוך ורגיש לעלויות, כאשר אתה זקוק לשפה שאינה אחת מתשע השפות של Ant, כאשר 8 GB של VRAM חשובים משום שהפריסה שלך היא כרטיס צרכני בודד, או כאשר LoRA על חמש הדקות שלך של אודיו נמצא במפת הדרכים. התכנון נטול הטוקנייזר ופלט ה-48 kHz דרך הסופר-רזולוציה המובנית של AudioVAE V2 הם יתרונות הנדסיים אמיתיים, וחמשת חודשי השימוש הציבורי אומרים שמצבי הכשל מתועדים בידי זרים ולא בידי הספק.

בחרו ב-Ming-3.0-tts-tiny כשאתם צריכים את הדברים שרק הוא מציע: משימת פודקאסט מרובת דוברים במעבר אחד, 14 תגיות פרלינגוויסטיות מוטמעות עם בקרות מפורשות של רגש, מהירות, גובה צליל ועוצמה, קאסט קולי סיני של יותר מ-100 קולות עם חמישה קולות באנגלית, ומודל בעל עדיפות לסינית שטיפול הניבים בו נבנה ולא הוסק. קבלו בתמורה שתהיו הצוות הראשון שיבצע עליו בנצ'מרק, שקוריאנית היא חולשה מתועדת, שכיוונון עדין אינו מתועד, ושכל המהדורה בת שבוע בלבד.

OrcaRouter אינו מנתב אף אחד משני המודלים, ואין לקרוא את הקטע הזה ככזה שמרמז אחרת — אל שניהם מגיעים על ידי הורדתם והרצתם בעצמכם. מה שנמצא בקטלוג הוא החצי הטקסטואלי של אותו צינור: יותר מ-200 מודלים מאחורי מפתח אחד במחיר המחירון של הספק ללא תוספת רווח, כך ששינוי מחיר מצד הספק מגיע אליכם באותו יום, עם מעבר אוטומטי בין ספקים עבור המודל שכותב את הסקריפט או מפעיל את הסוכן. מכיוון ששתי אפשרויות הדיבור באירוח עצמי ואף אחת מהן אינה כרוכה בחיוב לפי תו, העלות החוזרת שאפשר באמת להשוות מחודש לחודש היא שכבת הטקסט, וזו זו ששווה להעמיד מאחורי נקודת קצה אחת.

ההשוואה מסתיימת במקום שבו היא החלה: שני צ'קפוינטים, בלי לוח תוצאות משותף, והחלטה שמצטמצמת לשאלה אם אתה צריך מהירות וכיוונון עדין על חומרה צנועה או שליטה בעדיפות לסינית על חומרה גדולה. VoxCPM2 עונה על הראשונה עם מספרים שפורסמו. Ming-3.0-tts-tiny עונה על השנייה עם ספר מתכונים למשימות ובלי נתון תפוקה, וזה הדבר השימושי ביותר ש-Ant יכולה לפרסם בהמשך.