Ming-3.0-tts-0.5B vs VoxCPM2: Satu Unggul dalam Kata, yang Lain Unggul dalam Suara

Ada tepat satu perbandingan yang diterbitkan tentang Ming-3.0-tts-0.5B dan VoxCPM2, dan Ant Group-lah yang menulisnya. Dalam kartu modelnya sendiri, Ant mengukur kinerja kedua model ucapan multibahasa pada set pengujian Mi​niMax dalam bahasa Jerman, Spanyol, Prancis, Korea, dan Jepang. Ming-3.0-tts-0.5B menghasilkan kata-kata yang lebih akurat dalam empat dari lima bahasa. VoxCPM2 menghasilkan suara yang lebih setia di kelima bahasa. Pola tunggal itu — akurasi konten pada checkpoint 0.5B, kemiripan pembicara pada checkpoint 2B — adalah hal paling berguna yang pernah dipublikasikan siapa pun tentang perbandingan ini, dan itu adalah tabel milik vendor sendiri, jadi itu juga hal yang paling memerlukan peringatan. Ant unggul dalam tingkat kesalahan yang dipilihnya untuk dipublikasikan dan kalah dalam skor kemiripan di halaman yang sama. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Kedua model berbobot terbuka, keduanya mengizinkan penggunaan komersial, dan keduanya dijalankan oleh Anda sendiri, bukan dipanggil sebagai layanan. Ming-3.0-tts-0.5B adalah model dense berlisensi MIT milik Ant Group dengan backbone Qwen2.5-0.5B dan kepala transformer difusi, dipublikasikan ke Hugging Face pada 24 September 2026, dengan kode inferensi menyusul di GitHub pada 19 Oktober 2026 dan tanpa pengumuman vendor untuk keduanya. VoxCPM2 adalah checkpoint Apache-2.0 milik OpenBMB dari April 2026, sebuah model difusi-autoregresif tanpa tokenizer berukuran 2B dengan backbone MiniCPM-4. Semua yang di bawah ini merupakan turunan dari perbedaan ukuran dan lisensi tersebut, serta dari fakta bahwa salah satunya memiliki skor arena independen sedangkan yang lainnya tidak.

Apa yang sebenarnya tertulis di tabel Ant sendiri

Set uji multibahasa MiniMax melaporkan kesalahan konten — tingkat kesalahan kata untuk bahasa Jerman, Spanyol, dan Prancis, tingkat kesalahan karakter untuk bahasa Korea dan Jepang — bersama kosinus kemiripan penutur. Semakin rendah kesalahan, semakin baik; semakin tinggi kemiripan, semakin baik. Ant menjalankan kedua model itu sendiri. Tidak ada yang di sini direproduksi oleh pihak ketiga, dan para pengelola VoxCPM2 belum menerbitkan tabel bantahan yang dapat kami temukan.

Jerman — galat Ming-3.0-tts-0.5B 0,365, kemiripan 0,753; galat VoxCPM2 0,963, kemiripan 0,790.

• Spanyol — Ming 1.099, kemiripan 0.763; VoxCPM2 1.324, kemiripan 0.836.

• Bahasa Prancis — Ming 4.264, kemiripan 0.675; VoxCPM2 3.380, kemiripan 0.761. Ini satu-satunya bahasa yang peringkat kesalahannya berbalik.

• Korea — Ming 1.728, kemiripan 0.793; VoxCPM2 3.547, kemiripan 0.839.

• Jepang — Ming 3.765, kemiripan 0.765; VoxCPM2 4.358, kemiripan 0.825.

Ada dua hal yang perlu diperhatikan sebelum model mana pun mendapat pujian. Pertama, selisih bahasa Jerman besar — 0,365 versus 0,963 — sementara selisih bahasa Korea dan Jepang lebih kecil dan hasil bahasa Prancis justru sebaliknya, jadi "lebih akurat" adalah klaim per bahasa, bukan klaim umum. Kedua, tingkat kesalahan bahasa Prancis tinggi untuk setiap model dalam tabel itu; pesaing yang dicantumkan bersama mereka mencetak 19,878 di sana. Bahasa yang seluruh pesertanya berkumpul pada angka buruk adalah bahasa yang set pengujiannya, bukan modelnya, turut berperan. Anggap hasil bahasa Prancis tidak konklusif, bukan sebagai kemenangan VoxCPM2.

Mengapa kolom kemiripan adalah yang perlu dibaca dua kali

Kemiripan pembicara mengukur apakah output terdengar seperti suara referensi. Inilah metrik yang membedakan demo dari produk: suara hasil kloning yang melenceng akan mengeluarkan pendengar dari adegan bahkan ketika setiap kata diucapkan dengan benar, dan tidak ada skor ASR hilir yang akan pernah memberi tahu Anda bahwa hal itu terjadi.

Ming kalah dalam hal itu pada kelima bahasa, dengan selisih antara 0,037 (Spanyol) dan 0,086 (Prancis). Itu adalah jarak kosinus pada skala terbatas, jadi selisihnya moderat tetapi konsisten, dan konsistensi di lima bahasa lebih sulit dikesampingkan daripada satu baris data yang buruk. Penjelasan yang jujur ada dalam kartu milik Ant sendiri, yang menyatakan dengan jelas bahwa kemiripan pembicara tertinggal dari akurasi konten. Model tersebut disetel untuk memastikan kata-katanya benar.

Ada alasan kedua yang lebih spesifik untuk mengharapkan hal ini, dan alasan itu bersifat arsitektural. VoxCPM2 melakukan decode pada 48 kHz melalui tahap super-resolution bawaan di tokenizer AudioVAE V2-nya, dan menerima klip referensi 16 kHz sambil tetap menghasilkan output 48 kHz. Ming-3.0-tts-0.5B beroperasi pada 44.1 kHz. Sample rate bukanlah kemiripan — laju yang lebih tinggi tidak membuat suara lebih setia — tetapi pipeline VoxCPM2 secara eksplisit dibangun untuk mempertahankan karakter suara referensi melalui langkah resampling, dan itu adalah pilihan desain yang tidak dibuat oleh model 0.5B dengan speaker encoder bawaan.

Jadi pembacaan yang jujur bukanlah "VoxCPM2 melakukan kloning dengan lebih baik karena ukurannya lebih besar." Melainkan bahwa kedua model tersebut mengoptimalkan dua bagian yang berbeda dari tujuan yang sama, dan tabel dari vendor menunjukkan masing-masing unggul pada bagiannya sendiri.

Memotong suara: dua API, dua filosofi

Keduanya mengkloning zero-shot dari klip pendek. Mekanismenya cukup berbeda sehingga berpengaruh jika Anda menulis integrasinya.

• Ming-3.0-tts-0.5B — satu titik masuk, satu argumen tugas. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), lalu synthesize(task=...) dengan prompt_wav_path, prompt_text dan use_spk_emb. Tugas mencakup TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM, dan IP. Checkpoint ini mengemas backbone, head DiT, tokenizer audio, dan encoder speaker Campplus, sehingga cloning menjadi tugas kelas utama alih-alih pipeline terpisah.

• VoxCPM2 — pip install voxcpm, lalu VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Desain suara adalah awalan dalam tanda kurung pada teks itu sendiri, "(description)text", dengan cfg_value=2.0 dan inference_timesteps=10 sebagai titik awal yang didokumentasikan.

Konsekuensinya adalah bahwa permukaan kontrol Ming terstruktur sedangkan VoxCPM2 bersifat tekstual. Ming memberi Anda tugas-tugas bernama dengan pengecualian timbal balik yang terdokumentasi — FREEFORM tidak dapat digabungkan dengan desain suara, suara bawaan, emosi, dialek, atau kontrol atribut, dan tugas multibahasa memerlukan language_id eksplisit untuk kelima bahasa non-Tionghoa. Itu lebih banyak untuk dipelajari dan lebih sedikit untuk ditebak. Satu string VoxCPM2 lebih cepat dicoba dan lebih sulit dibuat deterministik; kartu OpenBMB sendiri menyarankan menghasilkan satu hingga tiga kandidat karena desain suara dan gaya bervariasi antar proses.

Jika Anda membangun UI tempat produser memilih suara dari daftar, lebih dari 100 suara Tionghoa bawaan Ming dan lima suara Inggris bawaannya adalah menu yang dapat Anda render. VoxCPM2 tidak memiliki daftar setara — suaranya dirancang atau dikloning, bukan didaftar satu per satu.

Bahasa, dialek, dan lapisan paralinguistik

• Jumlah bahasa — Ming-3.0-tts-0.5B mencakup bahasa Mandarin, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, ditambah bahasa Sichuan dan Kanton sebagai tugas dialek terpisah. VoxCPM2 mengklaim 30 bahasa. Ant menguji lima bahasa non-Mandarin; OpenBMB tidak menerbitkan tabel kesalahan per bahasa yang dapat kami verifikasi, sehingga angka 30 itu merupakan klaim cakupan tanpa disertai klaim kualitas.

• Dialek — Ming mengekspos dialek Sichuan dan Kanton sebagai tugas tanpa argumen bahasa. Daftar 30 bahasa milik VoxCPM2 tidak diuraikan per dialek dalam materi yang kami baca, dan menganggap varietas regional sudah tercakup karena bahasanya tercakup adalah kesalahan yang justru ingin dicegah oleh poin ini.

• Kontrol inline — Ming menyediakan 14 tag untuk napas, batuk, desahan, tawa, keraguan, kejutan, dan pertanyaan, dalam bahasa Mandarin atau Inggris, plus emosi, kecepatan, nada, dan volume yang eksplisit. VoxCPM2 tidak memiliki kosakata tag; kontrolnya adalah prefiks deskripsi bahasa alami.

• Titik lemah, menurut pengakuan Ant sendiri — kalimat paralinguistik multiperistiwa tidak stabil, kontrol emosi menurun ketika teks tidak membawa sinyal emosional, dan desain suara terbuka tidak cocok dengan sistem terkuat yang dievaluasi Ant. Yang terakhir itu adalah deskripsi yang wajar tentang kesenjangan dengan suara frontier yang dihosting, dan itu juga berlaku untuk VoxCPM2.

Pembagian praktisnya: pilih {{1}}Ming{{/1}} jika skrip Anda membutuhkan tawa, desahan, atau jeda keraguan di tengah kalimat. Pilih {{2}}VoxCPM2{{/2}} jika skrip Anda membutuhkan bahasa yang tidak dicakup Ming, atau suara yang dirancang dari deskripsi tertulis alih-alih preset bernama.

Menjalankannya: 8 GB terhadap pin CUDA

• Ming-3.0-tts-0.5B — diuji pada NVIDIA H800-80GB dan H20-96G dengan CUDA 12.4. Flash-attention bersifat opsional dengan fallback SDPA. Normalisasi teks membutuhkan pynini==2.1.6, atau Anda meneruskan --no_text_normalization dan menerima angka serta singkatan mentah yang masuk ke model. PyTorch 2.6 adalah lingkungan referensi. Outputnya 44.1 kHz.

• VoxCPM2 — sekitar 8 GB VRAM dalam bf16 untuk pengembangan dan sekitar 22 GB puncak pada kartu 24 GB, Python 3.10 atau lebih baru, PyTorch 2.5.0 atau lebih baru, CUDA 12.0 atau lebih baru. Faktor waktu nyata yang didokumentasikan adalah sekitar 0,30 pada RTX 4090 dengan PyTorch biasa dan sekitar 0,13 dengan Nano-VLLM — kira-kira dua hingga tiga kali lebih cepat daripada waktu nyata, atau delapan kali dengan lapisan penyajian.

Dua paragraf itu menggambarkan sore-sore rekayasa yang sangat berbeda. Stack Ming adalah yang lebih baru dan lebih rapuh: pustaka FST yang dipin, kernel opsional, lingkungan referensi yang dipin ke build CUDA tertentu. VoxCPM2 sudah dirilis sejak April dan telah menyerap laporan instalasi komunitas selama enam bulan. Keunggulan kematangan itu nyata dan bersifat sementara — kode inferensi Ming diunggah pada hari tulisan ini dibuat, dan repositori itu memperoleh catatan dukungan vLLM-Omni-nya dalam sebuah commit dokumentasi pada sore yang sama.

Kedua model ini tidak ditawarkan oleh penyedia inferensi terkelola yang dapat kami identifikasi, dan itu bukanlah celah dalam perbandingan ini, melainkan justru premisnya: keduanya adalah checkpoint yang Anda unduh. Ini memang berarti bukti independennya tidak seimbang. Ming-3.0-tts-0.5B memiliki baris Artificial Analysis di kedua papan suara — 1.188 Elo pada Provider Voice (interval 1.173–1.203, rentang peringkat 17–23, baris kesembilan belas dari daftar yang kami ambil pada 19 Oktober 2026) dan 1.069 pada Controlled Voice (1.053–1.085, rentang peringkat 10–18, baris ketiga belas pada hari yang sama). VoxCPM2 tidak memiliki baris di kedua papan tersebut per tangkapan terbaru kami, dan ketidakhadirannya stabil sejak April, bukan penghilangan yang baru-baru ini terjadi. Jadi, satu-satunya angka independen dalam artikel ini adalah milik Ming, dan angka itu cukup terhormat; VoxCPM2 tidak punya apa pun untuk dibandingkan dengannya, dan tidak ada artikel jujur yang bisa mengarang Elo head-to-head yang tidak diukur oleh siapa pun.

Lisensi, fine-tuning, dan pertanyaan yang tak seorang pun tanyakan

Kedua lisensi mengizinkan penggunaan komersial. Ming adalah MIT, yang kurang lebih sepermisif mungkin untuk sebuah lisensi dan hanya mewajibkan atribusi. VoxCPM2 adalah Apache 2.0, yang menambahkan pemberian paten eksplisit dan pengecualian merek dagang. Bagi sebagian besar tim, perbedaannya bersifat administratif bukan hukum, dan keduanya merupakan jawaban yang jelas untuk kuesioner pengadaan, sedangkan lisensi non-komersial bukan.

Asimetri sesungguhnya terletak pada fine-tuning. VoxCPM2 mendokumentasikan fine-tuning terawasi penuh dan LoRA pada lima hingga sepuluh menit audio, yang berarti Anda dapat mengarahkan model ke pembicara atau gaya tertentu dengan dataset kecil dan satu GPU. Ming-3.0-tts-0.5B tidak menyertakan resep fine-tuning, skrip pelatihan, maupun jalur LoRA dalam rilis yang kami baca. Jika produk Anda membutuhkan model yang benar-benar milik Anda, bukan model yang hanya Anda beri prompt, itu bukanlah kesenjangan benchmark — melainkan kesenjangan kapabilitas, dan itu menentukan pilihan sebelum angka Elo apa pun dirujuk.

Jawaban Ming atas kebutuhan yang sama adalah desain suara plus kloning: deskripsikan suaranya, atau berikan sebuah klip. Itu mencakup sebagian besar kebutuhan produksi, dan tidak satu pun dari kebutuhan yang melibatkan pelatihan pada audio proprieter dalam skala besar.

Di mana lapisan routing layak mendapat tempatnya di sini

OrcaRouter tidak menghosting Ming-3.0-tts-0.5B atau VoxCPM2. Keduanya bukan model yang endpoint-nya bisa kami sediakan untuk Anda, dan artikel ini tidak akan berpura-pura sebaliknya. Yang dapat dijangkau router dalam pipeline ucapan adalah semua yang berada di hulu waveform: model yang menyusun draf skrip, memperluas singkatan, memutuskan di mana tag tawa ditempatkan, dan menulis ulang kalimat yang keluar pada 3,8 detik padahal slotnya 3,2 detik. Itu semua adalah panggilan teks, dan kami merutekan lebih dari 200 model teks di balik satu kunci dengan harga daftar penyedia tanpa markup tambahan sebesar 0% — jadi saat vendor memotong harga, pemotongan itu langsung berlaku di sisi kami pada hari yang sama, bukan pada penetapan harga ulang berikutnya. Failover otomatis menjaga separuh pipeline itu tetap merespons sementara separuh suara adalah unduhan yang Anda operasikan sendiri.

Itu adalah batas yang jujur. Router adalah alat yang keliru untuk checkpoint yang Anda jalankan di GPU sendiri, dan alat yang tepat untuk model yang menentukan apa yang diminta untuk dikatakan oleh checkpoint.

Memilih, tanpa papan peringkat sebagai tempat berlindung

Pilih Ming-3.0-tts-0.5B jika konten Anda multibahasa dan akurasi kata adalah metrik yang diperdebatkan oleh pemangku kepentingan Anda, jika Anda memerlukan cakupan suara yang mengutamakan bahasa Mandarin dengan preset bernama, jika tag emosional inline merupakan bagian dari format skrip, jika Anda menginginkan checkpoint MIT 2,96 GB yang muat dengan nyaman di perangkat keras sederhana, atau jika jumlah parameter 0,5B menjadi pembeda antara biaya per unit yang layak dan yang tidak layak. Ketahuilah sejak awal bahwa suara akan sedikit kurang setia pada referensi dibandingkan VoxCPM2, bahwa kode inferensinya baru berumur beberapa jam, dan bahwa tidak ada jalur fine-tuning.

Pilih VoxCPM2 jika identitas suara adalah produknya — dubbing, pekerjaan karakter, apa pun yang membuat pendengar menyadari klon yang melenceng — jika Anda memerlukan salah satu bahasa yang tidak dicakup Ming, jika Anda berniat melakukan fine-tuning pada audio Anda sendiri, atau jika Anda menginginkan stack yang dapat diinstal tanpa kejutan sejak April.

Penentu akhirnya murah dan tidak satu pun angka di atas menggantikannya. Ambil seratus kalimat dari teks Anda sendiri, satu klip referensi, lalu jalankan keduanya. Nilai kata-katanya dengan model ASR dan nilai suaranya dengan metrik kosinus yang sama yang digunakan Ant. Anda akan mendapatkan jawaban per bahasa dalam satu sore, pada konten Anda, dengan aksen Anda — yang lebih dari yang bisa diberikan tabel vendor yang dibangun di atas set uji publik, dan jauh lebih dari papan peringkat yang hanya mencantumkan salah satu dari dua model.