Ming-3.0-audio-tiny vs Voxtral 4B TTS: Yang Satu Adalah Pendengar dengan Suara yang Menempel, yang Lain Tidak Menjual Apa Pun Selain Itu

Jika Anda ingin menghasilkan ucapan dan tidak yang lain, perbandingan ini seharusnya memakan waktu sekitar tiga puluh detik. Voxtral 4B T​TS adalah model teks-ke-ucapan: teks masuk, audio 24 kHz keluar, dua puluh suara preset, sembilan bahasa, tabel latensi yang dipublikasikan, dan ketentuan lisensi yang menghalangi Anda menjual hasilnya. Ming-3.0-audio-tiny adalah model bahasa-audio yang kebetulan menyertakan generator ucapan — sebuah Talker 1,4 GB yang dipasang pada Thinker 17,74 GB, dengan tiga suara bernama dan jalur kloning, berada di dalam repositori yang bagian evaluasinya tidak pernah sekali pun mengukur sintesis. Jika ucapan adalah produknya, perbandingan ini sudah selesai sebelum dimulai. Kegagalan AI dan insiden agen terdokumentasi di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive yang setiap entrinya membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda diperdebatkan.

Versi menarik dari pertanyaan ini adalah yang lain: Anda sedang membangun sesuatu yang harus memahami audio dan berbicara kembali, dan Anda sedang memutuskan apakah akan membeli satu model yang melakukan keduanya atau menghubungkan pendengar ke suara khusus. Di sinilah tiga puluh detik menjadi satu sore, karena kedua opsi gagal di tempat yang berbeda dan hanya salah satunya disertai angka yang bisa Anda jadikan dasar perencanaan.

Lisensi lebih menentukan daripada tolok ukur.

Mulailah dari hal yang tidak dapat diperbaiki oleh evaluasi apa pun. Voxtral 4B TTS adalah CC BY-NC 4.0 — non-komersial — yang diwarisi dari kumpulan data suara referensi yang menjadi dasar pembuatan model: EARS, CML-TTS, IndicVoices-R, dan kumpulan audio alami berbahasa Arab. Mistral menyatakan hal ini secara gamblang pada kartu model dan mengarahkan pengguna komersial ke API-nya. Jadi, bobotnya terbuka untuk riset dan penggunaan pribadi, dan jalur komersialnya adalah skema tarif, bukan unduhan.

Ming-3.0-audio-tiny berlisensi MIT dalam metadata kartunya dan dalam LICENSE pada repositori GitHub yang ditunjuknya. Perlu diketahui: repositori Hugging Face itu sendiri tidak memuat file LICENSE, dan dua suara referensi yang disertakan tidak membawa ketentuan tersendiri. MIT memang klaim yang benar-benar permisif di sini, tetapi itu klaim dalam metadata, bukan file dalam artefak, dan bagian pengadaan akan menyadarinya.

• Penggunaan komersial — Ming: ya, MIT, bobot dan kode. Voxtral: bukan dari bobotnya; API vendor adalah jalur yang disahkan.

• Suara yang disertakan — Ming: tiga dinamai, dua di antaranya disertakan sebagai WAV referensi dengan transkrip. Voxtral: dua puluh preset.

• Bahasa — Ming: bahasa Tionghoa dan Inggris untuk keseluruhan model, tanpa daftar bahasa Talker terpisah. Voxtral: bahasa Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Arab, dan Hindi.

• Keluaran — Ming: apa pun yang dihasilkan Talker; kartu tidak menentukan laju sampel maupun kontainer. Voxtral: 24 kHz, WAV, PCM, FLAC, MP3, AAC, atau Opus.

• Yang Anda jalankan — Ming: the Thinker, 17,74 GB, ditambah Talker 1,4 GB dan VAE 1,6 GB pada perangkat kedua. Voxtral: satu checkpoint BF16 pada satu GPU dengan setidaknya 16 GB.

• Kualitas ucapan yang dipublikasikan — Ming: tidak ada. Voxtral: juga tidak ada, tetapi ada tabel latensi dan throughput sebagai gantinya, yang lebih baik daripada tidak sama sekali.

Baris terakhir itu adalah ringkasan jujur dari basis bukti perbandingan ini. Tidak ada vendor yang telah menerbitkan skor kealamian, angka kemiripan pembicara, atau tingkat kesalahan kata pada ucapan hasil sintesis. Mistral telah menerbitkan seberapa cepat ia berjalan; inclusionAI telah menerbitkan seberapa baik model itu mendengarkan. Belum ada yang menerbitkan seberapa bagus suara keduanya.

Apa yang sebenarnya dikatakan oleh angka-angka Mistral

Tabel Voxtral adalah benchmark serving, dan membacanya dengan benar itu penting. Diukur pada satu NVIDIA H200 dengan vLLM-Omni 0.18.0, input 500 karakter dan klip referensi sepuluh detik:

• Konkurensi 1 — latensi 70 ms, faktor waktu nyata 0,103, sekitar 119 karakter per detik per GPU.

• Konkurensi 16 — 331 ms, RTF 0,237, sekitar 879 karakter per detik.

• Konkurensi 32 — 552 ms, RTF 0,302, sekitar 1.431 karakter per detik.

Dua hal berikut. Pertama, RTF naik seiring konkurensi — 0.103 hingga 0.302 — jadi keuntungan throughput dari batching memang nyata tetapi sublinear; Anda mendapatkan sekitar dua belas kali jumlah karakter dengan sekitar delapan kali faktor waktu nyata. Kedua, 70 ms hingga audio pertama pada konkurensi 1 adalah angka yang menentukan apakah agen suara terasa hidup, dan itu adalah angka yang tidak dimiliki Ming-3.0-audio-tiny. Bukan angka yang lebih buruk. Tidak ada sama sekali.

Mistral menyebut semua ini tidak direproduksi dan dijalankan oleh vendor, dan memang begitu. Tetapi setidaknya ini adalah klaim dengan metode yang disertakan: perangkat keras yang disebutkan, versi runtime yang disebutkan, panjang input yang disebutkan, panjang referensi yang disebutkan. Anda dapat membangun ulang harness tersebut.

Hal yang tidak dapat dijawab oleh jalur bicara Ming

Keluaran ucapan model kecil ini dijelaskan di dalam kartu dalam tiga kalimat: suara bawaan atau suara referensi, tiga suara bernama, kloning dari klip referensi beserta transkrip persisnya. Panduan penerapan menambahkan detail operasional — Talker berjalan sebagai tahap kedua pada 0,18 detik kartu, dibatasi hingga satu token keluaran dengan temperature 0.0 karena tidak menghasilkan teks.

Tidak di mana pun dalam repositori ini terdapat laju sampel untuk keluaran yang disintesis, ukuran kealamian, ukuran kemiripan terhadap klip referensi, atau pernyataan tentang apakah ketiga suara itu adalah suara yang sama dalam register berbeda atau benar-benar pembicara yang berbeda. Gambar-gambar evaluasi mencakup pengenalan, kecerdasan audio, dan teks. Pembuatan ucapan adalah satu-satunya kemampuan yang diiklankan vendor dalam sorotannya dan sama sekali tidak dievaluasi.

Itu bukan skandal, tetapi merupakan batasan perencanaan. Dengan Voxtral, Anda dapat menentukan ukuran deployment sebelum mendengarnya: satu kartu, 16 GB, 119 karakter per detik pada konkurensi 1, dan rate card untuk jalur komersial. Dengan Ming, Anda menentukan ukuran perangkat keras (dua kartu, kartu kedua pada utilisasi 0,18) lalu baru mengetahui tentang suaranya dengan menghasilkan sesuatu.

Ketika model gabungan tetap menjadi jawaban yang tepat

Ada alasan nyata untuk Talker, dan itu bukan "TTS yang lebih murah". Alasannya adalah model yang sama mendengar audio itu dan sekarang berbicara tentangnya. Ming-3.0-audio-tiny menerima audio ditambah instruksi teks dan mengembalikan teks, atau teks ditambah ucapan. Pertanyaan tentang sebuah rekaman, dijawab dengan lisan, dalam satu kali proses, tanpa transkrip yang diserialisasi ke dalam model kedua. Tidak ada kegagalan "ASR mengatakan 'their', TTS membacanya salah", karena tidak ada model kedua dan tidak ada teks perantara yang bisa terkorupsi.

Itu penting untuk tanya jawab lisan, untuk asisten yang mendengarkan sebuah ruangan dan menjawab, dan untuk apa pun yang jawabannya berupa kalimat tentang sesuatu yang baru saja didengarnya. Itu tidak penting untuk narasi, buku audio, dubbing, atau beban kerja apa pun yang teksnya berasal dari tempat lain — dan justru itulah beban kerja yang Voxtral dibuat untuknya, dengan dua puluh suara dan sembilan bahasa dibandingkan tiga dan dua milik Ming.

• Kesinambungan model yang sama — Ming: ya, satu forward pass dari audio ke ucapan. Voxtral: masukannya teks, jadi bagian mendengarkannya harus berasal dari tempat lain.

• Variasi suara — Ming: tiga suara bernama plus kloning. Voxtral: dua puluh preset plus adaptasi suara referensi.

• Streaming — Ming: tidak ditawarkan; Talker adalah sebuah tahap, bukan aliran. Voxtral: kartu tersebut mengiklankan inferensi streaming dan batch, dan demo API milik vendor itu sendiri adalah implementasi referensinya.

• Ucapan multibahasa — Ming: bahasa Mandarin dan Inggris. Voxtral: sembilan bahasa, dengan dialek yang dicatat.

• Bentuk biaya — Ming: perangkat keras tetap, dua kartu, tanpa meteran per karakter. Voxtral: bobot gratis untuk penggunaan nonkomersial, API dikenai biaya per karakter untuk semua hal lainnya.

Apa yang ditambahkan router ke produk suara, dan apa yang tidak

OrcaRouter tidak menyediakan salah satu pun dari keduanya. Ming-3.0-audio-tiny adalah checkpoint yang Anda jalankan dan Voxtral 4B TTS dapat diakses melalui API milik Mistral sendiri; tidak satu pun ada dalam katalog kami, dan tulisan ini bukan penawaran untuk menghosting salah satu pun. Peran router dalam produk suara adalah teks yang mengelilingi suara: menghasilkan skrip, menerjemahkannya ke dalam sembilan bahasa yang didukung Voxtral, menulis ringkasan tentang apa yang dikatakan penelepon, memutuskan apakah suatu segmen memerlukan manusia. Itu adalah panggilan teks biasa — lebih dari 200 model teks di balik satu kunci pada harga daftar penyedia dengan markup tambahan 0%, dengan failover otomatis sehingga batch berisi sepuluh ribu klip tidak macet karena satu upstream mengalami sore yang buruk.

Itu adalah penghematan nyata dalam pipeline dubbing dan kesalahan pembulatan dalam demo satu model. Itu juga tidak menjawab pertanyaan yang menjadi fokus artikel ini, yaitu apakah suaranya bagus atau tidak.

Bagaimana cara memilih tanpa mendengarkan salah satunya terlebih dahulu

Jika produknya adalah suara, pilih Voxtral dan anggarkan untuk lisensinya: jalankan bobot non-komersial untuk evaluasi, lalu beralih ke API untuk apa pun yang Anda rilis, dengan tarif per karakter yang berlaku saat ini. Anda mendapatkan tabel latensi, dua puluh suara, sembilan bahasa, dan runtime yang telah diuji dengan vLLM-Omni. Anda melepaskan hak untuk melakukan self-host secara komersial, yang bagi banyak tim merupakan keputusan sebenarnya.

Jika produknya adalah pemahaman yang kadang-kadang berbicara, pilih Ming-3.0-audio-tiny, anggarkan dua GPU, dan perlakukan Talker sebagai fitur yang belum terukur — bangun fallback terlebih dahulu. Hasilkan dua puluh kalimat di ketiga suara, dengarkan, dan tetap pertahankan opsi untuk mengganti dengan model TTS khusus nanti. Arsitekturnya mendukung penggantian itu dengan bersih karena Thinker tetap mengembalikan teks; Talker hanyalah lampiran, bukan tulang punggungnya.

Dan dalam kedua kasus, catatlah apa yang Anda ukur. Tidak ada vendor yang melakukannya, dan tim pertama yang menerbitkan angka kealamian atau kemiripan untuk salah satu model itu akan berjasa bagi bidang ini — termasuk bagi para vendor itu sendiri.

Jawaban ketiga puluh dua, direvisi

Versi singkat di bagian atas artikel ini mengatakan bahwa perbandingan itu selesai dalam tiga puluh detik. Perbandingan memang selesai dalam tiga puluh detik jika produk Anda adalah ucapan dan Anda bersedia membayar lisensi. Butuh waktu lebih lama jika Anda membangun sesuatu yang mendengarkan lalu berbicara, karena kedua opsi itu bukan pengganti: yang satu adalah suara tanpa telinga, yang lain adalah telinga dengan suara yang belum pernah dinilai. Tiga puluh detik itu membawa Anda ke pertanyaannya. Sisa artikel ini adalah bagian tempat Anda mengetahui mana dari keduanya yang benar-benar Anda butuhkan.