Ming-3.0-tts-0.5B vs Voxtral 4B TTS: Salah Satu Bobot Ini Tidak untuk Dijual

Baca lisensinya sebelum benchmark, karena dalam perbandingan ini lisensi yang menentukan duluan. Ming-3.0-tts-0.5B berlisensi MIT — unduh, fine-tune, distribusikan sebagai bagian dari produk komersial, cantumkan atribusi Ant Group, dan lanjutkan. Voxtral 4B TT​S berlisensi CC BY-NC 4.0, diwarisi dari dataset suara referensi di baliknya, yang berarti bobot Mistral AI sama sekali tidak dilisensikan untuk penggunaan komersial. Jalur komersial untuk Voxtral adalah API dengan tarif $0,016 per seribu karakter. Jadi, pertanyaan sebenarnya bukanlah model mana yang terdengar lebih baik. Pertanyaannya adalah apakah Anda membeli suara yang Anda operasikan atau menyewa suara yang Anda panggil, dan hanya salah satu dari dua checkpoint ini yang memungkinkan Anda memilih. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri menyertakan sumbernya masing-masing, tingkat keparahan, tingkat keyakinan, dan penanda status sengketa.

Kerangka berpikir itu terdengar seperti membuat perbandingan menjadi mudah, tetapi kenyataannya tidak, karena kedua model unggul dalam hal yang berbeda dan model yang dihosting menyertakan sesuatu yang tidak dapat ditawarkan model terbuka: kurva latensi dan throughput yang dipublikasikan, dijalankan pada infrastruktur penyajian nyata, pada tiga tingkat konkurensi. Ming-3.0-tts-0.5B dipublikasikan ke Hugging Face pada 24 September 2026 dan kode inferensinya ke GitHub pada 19 Oktober 2026 tanpa pengumuman dari Ant Group untuk keduanya — model ini berusia 19 hari sebagai artefak dan baru beberapa jam sebagai sesuatu yang benar-benar dapat dijalankan. Voxtral 4B TT​S diumumkan oleh Mistral pada Maret 2026 dan telah memiliki tujuh bulan untuk diukur. Di bawah ini: lisensi, bentuk deployment, angka yang masing-masing pihak dapat klaim secara jujur, dan pertanyaan yang belum dijawab oleh kedua vendor.

Dua lisensi yang bukan variasi atas sebuah tema

• Ming-3.0-tts-0.5B — MIT. Penggunaan komersial, modifikasi, redistribusi, dan fine-tuning semuanya diizinkan, dengan atribusi. Checkpoint 2,96 GB yang dapat Anda masukkan ke dalam image container, jalankan di akselerator Anda sendiri, dan kirimkan ke pelanggan tanpa meminta izin siapa pun.

• Voxtral 4B TT​S — CC BY-NC 4.0. Non-komersial. Kartu model Mistral secara eksplisit menyatakan bahwa model mewarisi lisensi suara referensinya, yang berasal dari sumber-sumber termasuk EARS, CML-TTS, IndicVoices-R, dan kumpulan audio alami berbahasa Arab. Bobotnya dapat diunduh dengan lancar; lisensinya yang menjadi batasan, bukan berkasnya.

Perbedaan yang sering disalahpahami orang adalah bahwa API tidak berada di bawah pembatasan yang sama. Memanggil Voxtral melalui layanan Mistral adalah transaksi komersial dengan vendor, dan $0.016 per seribu karakter adalah harganya. Menjalankannya sendiri di dalam produk berbayar adalah tindakan yang berbeda, dan itulah yang dilarang oleh lisensi. Jika deployment Anda harus on-premises — residensi data, inferensi air-gapped, pelanggan yang tidak akan menyetujui endpoint pihak ketiga — maka Voxtral 4B TTS bukan pilihan pada harga berapa pun, sedangkan Ming-3.0-tts-0.5B tersedia tanpa syarat.

Itu adalah batas yang keras, dan perlu dipisahkan dari batas yang lebih lunak. Lisensi nonkomersial tetap mengizinkan evaluasi, riset, dan eksperimen internal, jadi cara yang masuk akal untuk membaca tabel ini adalah bahwa Voxtral adalah layanan yang dapat Anda uji secara gratis dan Ming adalah artefak yang dapat Anda miliki sepenuhnya.

Apa yang bisa didapat dari setengah miliar parameter, dan apa yang tidak.

• Ukuran dan arsitektur — Ming-3.0-tts-0.5B adalah model dense 0,5B pada backbone Qwen2.5-0.5B dengan head diffusion-transformer, dan checkpoint-nya membundel tokenizer audio serta encoder speaker-nya. Voxtral 4B TTS memiliki sekitar 4 miliar parameter, dilayani melalui vLLM-Omni, dibangun di atas basis Ministral-3-3B milik Mistral.

Keluaran — Ming pada 44,1 kHz; Voxtral pada 24 kHz dalam WAV, PCM, FLAC, MP3, AAC, atau Opus. Master 44,1 kHz adalah perbedaan antara berkas yang dapat langsung diserahkan kepada editor video dan berkas yang harus di-resample terlebih dahulu, dan hal ini lebih penting dalam dubbing dan penyiaran dibandingkan pada agen telepon.

• Mode — Ming memiliki tugas bernama (TTS, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) dengan pengecualian timbal balik yang didokumentasikan. Voxtral mendukung streaming dan batch, tanpa taksonomi tugas setara yang dipublikasikan.

• Voices — Ming menyediakan lebih dari 100 suara Tionghoa bawaan dan lima suara Inggris bawaan, plus kloning zero-shot dari klip pendek dan desain suara dari deskripsi bahasa alami. Voxtral menyediakan 20 suara preset dan beradaptasi dengan klip referensi selama tiga detik. Dua puluh adalah daftar terkurasi; seratus adalah daftar pemeran. Pilihan yang Anda inginkan bergantung pada apakah Anda membangun produk dengan satu suara atau alat yang memungkinkan orang lain memilih suara.

• Paralinguistik — 14 tag inline Ming mencakup napas, batuk, desahan, tawa, keraguan, kejutan, dan pertanyaan, ditambah kontrol emosi, kecepatan, nada, dan volume yang eksplisit. Mistral tidak menerbitkan kosakata tag untuk Voxtral. Tidak adanya dokumentasi bukanlah tidak adanya kemampuan, dan itu juga bukan bukti kemampuan tersebut.

Jumlah parameter 0,5B adalah bagian yang sering salah dibaca. Ming bukanlah versi Voxtral yang lebih kecil; ini adalah desain yang berbeda, bertaruh bahwa backbone ringkas ditambah encoder speaker bawaan dan tokenizer sudah cukup untuk ucapan yang dapat dikendalikan, dan mengalokasikan kapasitasnya untuk kontrol alih-alih skala. Dalam evaluasi multibahasa milik Ant sendiri, ia mengalahkan VoxCPM2 dalam akurasi konten pada empat dari lima bahasa, tetapi kalah dalam kemiripan speaker di kelima bahasa — itulah tampilan model yang disetel untuk kata-kata ketimbang timbre pada kartu skor.

Satu-satunya angka yang dimiliki Voxtral tetapi tidak dimiliki Ming

Mistral menerbitkan benchmark penyajian, dan itu adalah hal paling berguna di kedua rilis bagi siapa pun yang merencanakan kapasitas. Pada satu H200 yang menjalankan vLLM-Omni 0.18.0, dengan input 500 karakter dan referensi audio sepuluh detik:

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

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

• Konkurensi 32 — 552 milidetik, RTF 0,237 diteruskan, sekitar 1.431 karakter per detik.

Itu adalah rencana kapasitas dalam tiga baris: latensi tetap di bawah satu detik jauh melampaui konkurensi yang sebenarnya dicapai sebagian besar produk suara, dan throughput berskala sekitar dua belas kali lipat dari satu stream ke tiga puluh dua. Itu adalah harness Mistral sendiri, belum direproduksi, dan mengasumsikan lingkungan referensi — tetapi itu adalah bentuk yang bisa Anda gunakan untuk menentukan ukuran deployment.

Angka ekuivalen Ming bersifat independen dan bukan dilaporkan vendor, dan angka itu mengukur hal yang sedikit berbeda. Artificial Analysis mencatat Ming-3.0-tts pada 42,1 karakter per detik waktu generasi pada harness miliknya sendiri, satu permintaan pada satu waktu. Itu kira-kira sepertiga dari laju aliran tunggal Voxtral dengan metode berbeda pada perangkat keras berbeda, dan pernyataan jujurnya adalah kedua angka itu tidak dapat dibandingkan secara langsung: yang satu adalah throughput Mistral pada konkurensi yang dipilih di H200, yang lain adalah pengukuran aliran tunggal pihak ketiga pada perangkat keras yang tidak dipublikasikan. Yang bisa dikatakan adalah keduanya cukup cepat untuk ucapan interaktif dan tidak ada yang menjadi batasan waktu nyata.

Perbedaan throughput yang benar-benar penting adalah perbedaan yang terkait lisensi. Kurva Voxtral menjadi alasan untuk memanggil API alih-alih membangun di sekitar bobot — rekayasa serving-nya sudah selesai, dan Anda membayar per karakter, bukan per jam GPU. Laju Ming menjadi alasan untuk menghitung titik impas Anda sendiri, karena pada 42,1 karakter per detik, satu juta karakter berarti sekitar 6,6 jam proses generasi, dan apakah itu murah sepenuhnya bergantung pada berapa biaya akselerator Anda saat tidak digunakan untuk hal lain.

Sembilan bahasa berbanding tujuh, dan tidak ada daftar yang merupakan klaim kualitas

• Ming-3.0-tts-0.5B — Tionghoa, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, dengan Sichuan dan Kanton sebagai tugas dialek terpisah serta pengenal bahasa eksplisit yang diperlukan untuk kelima bahasa non-Tionghoa.

• Voxtral 4B TT​S — bahasa Inggris, Prancis, Spanyol, Jerman, Italia, Portugis, Belanda, Hindi, dan Arab. Kartu tersebut menjelaskan "dialek yang beragam" dalam cakupan dukungan itu tanpa menyebutkannya satu per satu.

Tumpang tindihnya adalah lima bahasa: Inggris, Prancis, Spanyol, Jerman, dan salah satu dari Korea atau Jepang tergantung cara Anda menghitung cakupan regional. Masing-masing model mencakup sesuatu yang tidak dicakup model lain — Italia, Portugis, Belanda, Hindi, dan Arab di sisi Voxtral; Korea, Jepang, Sichuan, dan Kanton di sisi Ming. Jika peta jalan Anda mencakup Arab atau Hindi, keputusannya sudah selesai bahkan sebelum tolok ukur pertama dibaca.

Yang tidak dipublikasikan oleh kedua vendor adalah kualitas per bahasa. Mistral tidak memberikan tingkat kesalahan untuk kesembilan bahasanya. Ant menguji lima bahasa non-Tionghoa pada set Mi​niMax dan mempublikasikan angkanya, tetapi itu adalah harness milik Ant sendiri terhadap pesaing yang dipilih Ant sendiri, dan angka itu tidak menyatakan apa pun tentang bahasa Korea atau Jepang dibandingkan Voxtral karena Voxtral tidak ada dalam tabel. Jadi perbandingan bahasa di sini adalah cakupan, bukan kompetensi, dan artikel mana pun yang menyajikannya sebagai kompetensi sedang menebak.

Papan yang punya keduanya, kira-kira.

Kedua model muncul di papan peringkat speech Artificial Analysis, tetapi tidak pada tanggal pengambilan yang sama dan tidak dengan kumpulan pembanding yang sama, jadi anggap ini sebagai orientasi, bukan hasil adu langsung.

• Ming-3.0-tts-0.5B — Suara Penyedia 1.188 Elo (interval 1.173–1.203, rentang peringkat 17–23, baris kesembilan belas dalam daftar); Suara Terkontrol 1.069 (1.053–1.085, rentang peringkat 10–18, baris ketiga belas). Kedua tangkapan tersebut berasal dari 19 Oktober 2026, hari ketika kode inferensinya dirilis.

• Voxtral 4B TTS — Suara Terkontrol 1.005 Elo, rentang peringkat 24–30, baris kedua puluh enam dari rekaman 19 Oktober yang sama. Posisi suara penyedianya tidak terdapat dalam materi yang dapat kami verifikasi.

Papan Controlled Voice adalah papan yang layak dipercaya, karena setiap model di sana mengkloning suara referensi tetap yang sama dan susunan suaranya tidak lagi menjadi faktor perancu. Pada tangkapan layar di atas, skor 1,069 milik Ming dan 1,005 milik Voxtral terpaut 64 poin, dan dengan rentang peringkat yang tumpang tindih, kesimpulan jujurnya adalah bahwa Ming memperoleh skor lebih tinggi pada pengukuran yang dilakukan belakangan terhadap kumpulan peserta yang lebih besar. Jangan membacanya sebagai kemenangan 64 poin yang sudah final. Bacalah sebagai bukti bahwa checkpoint terbuka 0,5B tidak kewalahan bersanding dengan model vendor 4B dalam hal fidelitas suara, dan itulah bagian yang mengejutkan.

Berapa biaya engineering yang sebenarnya harus Anda keluarkan untuk pipeline Ming yang self-hosted

Mengadopsi Ming bukan sekadar mengunduh dan memanggil fungsi. Lingkungan referensinya dipatok: PyTorch 2.6 dengan CUDA 12.4, diuji pada H800-80GB dan H20-96G, flash-attention opsional dengan fallback SDPA. Normalisasi teks memerlukan pynini 2.1.6 — pustaka yang terkenal sulit dipasang — atau Anda memberikan flag yang mematikan normalisasi dan menerima bahwa angka, mata uang, dan singkatan dikirim mentah ke model.

Itu adalah biaya-biaya yang tidak pernah muncul dalam tabel perbandingan dan selalu muncul dalam sprint. Biaya setara Voxtral tersembunyi di dalam harga API: pihak lain yang mengunci lingkungan, pihak lain yang menangani konkurensi, dan imbal baliknya adalah Anda tidak dapat mengubah susunan suara selain mengadaptasi dari klip referensi, dan Anda tidak dapat menempatkan model di mesin yang Anda kendalikan untuk tujuan komersial.

Kematangan Ming juga harus dinilai secara jujur. Repositori GitHub-nya diluncurkan pada 19 Oktober 2026, dengan commit pertama yang memuat kode inferensi, Dockerfile, contoh sekali klik, dan cookbook tugas, serta commit dokumentasi yang masuk sepanjang sore itu — termasuk salah satunya yang menandai dukungan vLLM-Omni. vLLM-Omni adalah tumpukan penyajian yang sama yang digunakan Mistral untuk benchmark Voxtral-nya, sebuah kebetulan yang berguna: jalur menuju deployment produksi bagi Ming adalah jalur yang sudah didokumentasikan Voxtral, satu lapisan di bawahnya.

Di mana routing cocok, dan bagian yang tidak disentuhnya

OrcaRouter tidak menyediakan Ming-3.0-tts-0.5B; itu adalah checkpoint yang Anda jalankan. Voxtral 4B TT​S tersedia melalui API milik Mistral sendiri, dan artikel ini tidak mengklaim bahwa kami merutekannya. Yang benar-benar dijangkau router dalam either architecture adalah teks di sekitar suara — skrip, keputusan tag mirip SSML, langkah terjemahan yang mengubah satu skrip induk menjadi sembilan bahasa sebelum sintesis, peringkas yang memendekkan suatu bagian agar sesuai slot waktu. Panggilan-panggilan itu terjadi ratusan kali per menit audio dan di situlah biaya pipeline serta mode kegagalannya benar-benar terkonsentrasi.

Itulah lapisan yang kami operasikan: lebih dari 200 model teks di balik satu kunci pada harga daftar penyedia dengan tambahan markup 0%, sehingga pemotongan harga vendor sampai kepada Anda pada hari diberlakukan, bukan pada penetapan harga ulang berikutnya; failover otomatis antarpenyedia, sehingga sore buruk satu penyedia tidak menghentikan pembuatan skrip yang menyuplai suara; dan DSL perutean untuk menyusun beberapa model menjadi satu panggilan ketika langkah terjemahan dan penulisan ulang gaya memerlukan model yang berbeda. Model suara di ujung rantai terserah Anda pilih, dan artikel ini membahas pemilihannya.

Apa yang tidak diberitahukan kedua kartu itu kepada Anda

Tiga pertanyaan menentukan sebagian besar penerapan nyata, dan tak satu pun vendor menjawab pertanyaan-pertanyaan itu.

• Bagaimana kualitas bertahan di bawah konkurensi? Mistral mengukur latensi dan throughput pada 32 aliran tetapi tidak menerbitkan delta kualitas antara batch dan streaming. Rilis Ming sama sekali tidak memiliki penjelasan konkurensi — harness satu permintaan, GPU referensi, dan tidak ada kurva throughput vLLM, hanya catatan dukungan.

• Seperti apa bunyi generasi yang gagal? Kedua kartu itu tidak mendokumentasikan perilaku pemotongan, loop pengulangan, atau apa yang terjadi ketika skrip 14-tag berbenturan dengan kalimat yang tidak dapat diurai oleh model. Kartu Ant luar biasa terus terang tentang titik lemahnya — paralinguistik multiperistiwa yang tidak stabil, kontrol emosi yang memburuk ketika kata-katanya tidak mengandung emosi, kemiripan bahasa Prancis sebagai bahasa terburuknya, dan desain suara terbuka yang tidak menyamai sistem terkuat yang menjadi pembanding evaluasinya — tetapi bagian keterbatasan bukanlah taksonomi kegagalan.

• Siapa yang akan memelihara ini dalam setahun? Mistral adalah perusahaan dengan layanan TTS komersial dan insentif yang jelas untuk menjaganya tetap mutakhir; checkpoint Maret sudah stabil selama tujuh bulan. Ming-3.0-tts-0.5B memiliki satu like, enam unduhan, dan repositori yang dibuat pada hari tulisan ini dibuat. Ant Group mungkin akan mendukungnya — keluarga Ming mencakup ASR, audio, dan varian kecil, yang menunjukkan suatu program, bukan upaya sekali jalan — tetapi tidak ada apa pun dalam rilisnya yang berkomitmen pada apa pun.

Poin terakhir itulah yang perlu ditimbang terhadap lisensi MIT. Lisensi permisif menjamin hak Anda untuk menggunakan bobot tersebut selamanya; lisensi itu tidak menjamin bahwa siapa pun akan memperbaiki bug dalam kode inferensi, dan perbedaannya baru terlihat pada bulan ketujuh.

Keputusan itu, sesuai urutan kedatangannya yang sebenarnya

Mulailah dari batasan deployment, karena itu langsung menghilangkan satu opsi. Jika model harus berjalan di infrastruktur yang Anda kendalikan dan outputnya harus dapat digunakan secara komersial, jawabannya adalah Ming-3.0-tts-0.5B, dan pertanyaan yang tersisa bersifat teknis: kunci lingkungannya, pasang pynini atau terima teks yang tidak dinormalisasi, anggarkan sekitar 6,6 jam-GPU per juta karakter, dan terima bahwa suara akan sedikit kurang setia pada klip referensi dibandingkan alternatif terbuka terbaik. Jika model harus berbicara dalam bahasa Arab, Hindi, Italia, Portugis, atau Belanda, jawabannya adalah Voxtral 4B TT​S melalui API, dan pertanyaan yang tersisa bersifat komersial: $0.016 per seribu karakter, dua puluh suara, output 24 kHz yang mungkin perlu di-resampling, dan vendor yang telah menerbitkan kurva serving yang akan menjadi acuan Anda dalam menentukan ukuran.

Jika tidak ada kendala yang mengikat, penentu akhirnya adalah jenis produk Anda. Alur dubbing atau penyiaran yang membutuhkan banyak suara, cakupan dialek, dan emosi inline menginginkan cast Ming dan output 44,1 kHz-nya, serta akan membayarnya di sisi operasional. Agen suara atau IVR yang membutuhkan latensi yang dapat diprediksi, streaming, dan pihak lain yang siaga menginginkan API Voxtral, serta akan membayarnya per karakter dan atas hilangnya pilihan suara yang tidak dapat diperluas melebihi dua puluh.

Satu hal yang layak dilakukan sebelum salah satu dari keduanya: tuliskan bahasa mana yang benar-benar akan Anda rilis dalam dua belas bulan ke depan, dan bahasa mana di antaranya yang akan diizinkan tim legal Anda untuk keluar dari infrastruktur Anda. Kedua daftar itu mempersempit ini dari perbandingan model menjadi satu kandidat lebih cepat daripada angka Elo mana pun, dan tidak seperti papan peringkat, keduanya terkini.