Ming-3.0-tts-tiny vs VoxCPM2: Dua Checkpoint, Salah Satunya Mempublikasikan Kecepatannya

Ini adalah satu-satunya perbandingan dalam seri Ming-3.0-tts-tiny di mana kedua sisi benar-benar dapat dijalankan, dan itu mengubah apa yang menjadi pokok argumen. Ming-3.0-tts-tiny, dari inclusionAI milik Ant Group, adalah mixture of experts berparameter 7,9 miliar yang mengaktifkan sekitar 1,3 miliar parameter per token, berlisensi MIT, sekitar 18 GB di disk, dengan H800 disebut sebagai kartu yang direkomendasikan. VoxCPM2, dari OpenBMB, adalah model tanpa tokenizer berparameter 2 miliar dengan backbone MiniCPM-4, Apache 2.0, sekitar 8 GB pada bfloat16, dirilis pada April 2026. Tidak satu pun memiliki baris di papan peringkat. Tidak satu pun memiliki harga hosting. Ketika kedua model sama-sama dapat diunduh dan sama-sama belum diberi skor, perbandingan tidak lagi soal preferensi dan menjadi soal aritmetika: jam audio per GPU-jam, memori per proses, dan apakah Anda dapat melakukan fine-tuning pada model tersebut tanpa menulis kode pelatihan sendiri. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status disengketakan.

Sejarah rilisnya perlu dinyatakan secara gamblang karena menjelaskan kesenjangan kematangan. VoxCPM2 telah tersedia untuk publik sejak April, telah mengumpulkan sekitar 847.000 unduhan dalam sebulan terakhir, dan menyertakan skrip pelatihan bersama inferensi. Repositori Ming-3.0-tts-tiny dibuat pada 22 September 2026, bobotnya tiba pada 24 September, dan kode untuk menjalankannya tidak tersedia untuk publik hingga 19 Oktober pukul 08.58 UTC, ketika sembilan commit masuk dalam satu sore. Ant belum mengumumkan model tersebut. Tidak ada laporan teknis; peta jalan mencantumkannya sebagai kotak yang belum dicentang, dan kartu model diedit pada 16 Oktober khusus untuk menghapus rujukan ke laporan tersebut. Jadi, salah satunya adalah proyek berusia lima bulan dengan basis pengguna, dan yang lainnya adalah pipeline yang, pada saat penulisan ini, baru berusia seminggu.

Nomor satu di antara mereka memublikasikan dan yang lainnya tidak.

Kartu VoxCPM2 mencantumkan faktor waktu nyata sekitar 0,30 dalam PyTorch standar pada RTX 4090, lalu turun menjadi kira-kira 0,13 di bawah Nano-VLLM. Faktor waktu nyata adalah detik komputasi per detik audio, jadi kedua angka tersebut berarti satu jam-GPU menghasilkan sekitar 3,3 jam ucapan jadi pada kasus pertama dan sekitar 7,7 jam pada kasus kedua.

Ming-3.0-tts-tiny sama sekali tidak memublikasikan throughput. Bukan faktor waktu nyata, bukan karakter per detik, tidak ada yang diukur pada kartu. Yang diberikan rilis ini adalah lingkungan tempat ia divalidasi — Python 3.10.15, torch dan torchaudio 2.7.1 dengan CUDA 11.8, transformers dipatok ke 4.46.3, H800, dan skrip preflight yang memeriksa instalasi Anda sebelum Anda menyia-nyiakan satu kali eksekusi — ditambah arsitekturnya: 8.980.964.372 parameter dalam BF16, 40.096 dalam F32, expert stack bertotal 7,9B dengan sekitar 1,3B aktif per token.

Anda tidak dapat meminjam throughput saudara 0.5B untuk menutupi kekurangan itu. Model tersebut terukur pada 42,1 karakter per detik dalam harness independen dan menempati 2,96 GB; model mungil itu mengaktifkan sekitar dua setengah kali lebih banyak parameter per token dan menempati ruang disk sekitar enam kali lipat. Perutean sparse mengimbangi sebagian biaya dari total yang lebih besar, yang justru menjadi inti arsitektur ini, tetapi belum ada pihak di luar Ant yang mengukur berapa besar nilainya.

Melakukan perhitungan biaya dengan celah di dalamnya

Karena satu pihak mempublikasikan kecepatannya dan pihak lain tidak, versi jujur dari perbandingan ini adalah sebuah rentang, bukan satu angka. Berikut bentuknya.

• VoxCPM2 pada RTX 4090, PyTorch — RTF 0,30, jadi 3,3 jam audio per jam-GPU. Satu juta karakter narasi, pada kira-kira 15 karakter per detik ucapan, adalah sekitar 18,5 jam audio jadi, atau kira-kira 5,6 jam-GPU.

VoxCPM2 pada kartu yang sama, Nano-VLLM — RTF 0,13, sehingga 7,7 jam per jam-GPU, atau sekitar 2,4 jam-GPU untuk satu juta karakter yang sama. Stack serving ini lebih dari menggandakan output tanpa menyentuh bobot.

• Ming-3.0-tts-tiny — tidak diketahui. Pada kecepatan hipotetis 20 karakter per detik, dibutuhkan sekitar 14 jam pembuatan; pada 10 karakter per detik, sekitar 28. Kedua angka tersebut bukan hasil pengukuran dan keduanya harus diperlakukan sebagai placeholder sampai seseorang menerbitkannya.

• Memori — VoxCPM2 menyebut sekitar 8 GB pada bf16, yang muat di kartu konsumen 24 GB dengan ruang untuk batching. Bobot 18 GB Ming-3.0-tts-tiny ditambah aktivasi dan dekoder audio berarti H800 80 GB adalah target yang masuk akal, sedangkan kartu 24 GB bukan.

• Batas urutan — VoxCPM2 dibatasi hingga 8.192 token, yang merupakan batasan nyata untuk pekerjaan bentuk panjang dan sebaiknya dicek terhadap paragraf terpanjang Anda sebelum Anda memutuskan. Ming-3.0-tts-tiny tidak menerbitkan batas yang setara; jalur bentuk panjangnya adalah tugas podcast, yang menggunakan skrip, bukan satu ucapan.

Kesimpulan yang tetap bertahan meski angka yang hilang tidak diketahui adalah soal utilisasi, bukan kecepatan. Kartu yang menganggur kalah dari setiap API terkelola berapa pun harganya, dan kartu yang sudah Anda miliki dan terus dipakai menang dari sisi biaya marginal, mana pun dari kedua opsi ini yang Anda jalankan. Selisih antara 0,30 dan 0,13 RTF adalah faktor 2,3 dalam biaya per jam audio, yang lebih besar daripada yang biasanya diperkirakan tim dari perubahan serving stack dan lebih besar daripada yang disiratkan oleh perbedaan jumlah parameter.

Fine-tuning adalah titik di mana keduanya tidak lagi bisa dibandingkan

VoxCPM2 mendokumentasikan fine-tuning tersupervisi penuh maupun LoRA hanya dengan audio selama lima sampai sepuluh menit, lengkap dengan skrip pelatihan dan konfigurasi untuk masing-masingnya. Itu bukan sekadar catatan kaki; itu adalah perbedaan antara model yang perilakunya Anda sewa dan model yang perilakunya Anda miliki.

Ming-3.0-tts-tiny mendokumentasikan inferensi, bukan pelatihan. Repositori ini adalah buku resep tugas — kloning suara seed, multibahasa, paralinguistik, podcast, atribut dasar, emosi, dialek, bentuk bebas, desain suara, dan tugas "ip" — yang dibungkus di sekitar satu MingTinyTTS.from_pretrained titik masuk. Tidak ada resep LoRA, tidak ada konfigurasi SFT, dan tidak ada pernyataan tentang apakah fine-tuning didukung sama sekali. Bisa jadi memang mungkin; checkpoint tetaplah checkpoint. Tetapi "mungkin" dan "didokumentasikan dengan skrip yang berfungsi" adalah tingkat rekayasa yang berbeda, dan yang kedua itulah yang disertakan VoxCPM2.

Untuk gaya bahasa merek, domain teregulasi, atau bahasa yang tidak ditangani dengan baik oleh kedua model secara bawaan, itulah asimetri yang menentukan. Lima menit audio referensi dan konfigurasi yang disediakan setara dengan kerja seminggu. Reverse-engineering jalur pelatihan untuk model sparse 7.9B tanpa implementasi referensi setara dengan satu kuartal.

Bahasa, dialek, dan apa yang bisa didapat dari "30 bahasa"

• Ming-3.0-tts-tiny — Mandarin, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, ditambah Sichuan dan Kanton saat Anda memberikan klip referensi dalam dialek tersebut. Totalnya sembilan jika menghitung kedua dialek itu.

• VoxCPM2 — 30 bahasa termasuk Kanton dan Sichuan, dan kartunya mencatat bahwa tidak diperlukan tag bahasa: Anda cukup memberikan teks dan ia menyimpulkan bahasanya. Itu adalah kemudahan yang menyimpan mode kegagalan, karena teks campuran bahasa akan diselesaikan oleh model, bukan oleh Anda.

Untuk bahasa yang sama-sama mereka dukung, hanya satu pihak yang telah menerbitkan tingkat kesalahan per bahasa, dan itu adalah Ant. Kesalahan karakter Jerman 0,325%, Spanyol 0,971%, Jepang 3,427%, Prancis 3,470%, Korea 6,000%, semuanya pada harness milik Ant sendiri, semuanya belum direproduksi. VoxCPM2 tidak menerbitkan tabel per bahasa, sehingga keunggulan cakupan tidak dapat diperiksa terhadap klaim kedalaman. Siapa pun yang menyebut pemenang dalam kualitas bahasa di sini sedang membandingkan spreadsheet satu vendor dengan kebisuan vendor lain.

Angka untuk bahasa Korea layak mendapat kalimatnya sendiri, karena ini adalah cacat paling jelas dalam rekam jejak Ming-3.0-tts-tiny: kesalahan karakter 6,000%, sekitar tiga setengah kali lipat dari 1,728% yang dicatat oleh saudara 0,5B-nya pada bahasa yang sama. Kartu tersebut mencantumkan bahasa Korea di antara kelemahan yang diketahui dan tidak menawarkan mekanisme apa pun. Penjelasan berbasis perutean sparse masuk akal dan belum diukur.

Soal lisensi, di mana selisihnya lebih kecil daripada yang terlihat

Keduanya permisif untuk penggunaan komersial, yang tidak biasa di bidang ini dan layak dikatakan secara terus terang. Ming-3.0-tts-tiny menggunakan lisensi MIT untuk bobot dan kode, dengan catatan penggunaan yang meminta Anda untuk tidak menyamar sebagai orang lain tanpa persetujuan dan memberi label pada audio sintetis — sebuah permintaan dalam dokumentasi, bukan syarat pemberian lisensi. VoxCPM2 menggunakan Apache 2.0, secara eksplisit gratis untuk penggunaan komersial, dengan pernyataan penggunaan yang dapat diterima tersendiri.

Tidak ada dari kedua lisensi itu yang memaksa tinjauan hukum yang mengakhiri proyek, dan tidak ada pula yang memiliki pengecualian layanan terkelola yang membuat sebagian rilis model suara berbobot terbuka tidak dapat digunakan di produksi. Untuk penerapan yang di-hosting sendiri, keduanya cukup setara sehingga lisensi tidak seharusnya menjadi penentu; cerita pelatihannya, jejak memorinya, dan kecepatannya yang seharusnya menjadi penentu.

Keduanya tidak ada di papan, dan satu angka tetap dipinjam.

Artificial Analysis mencantumkan Ming-3.0-tts sebagai entri pada 1.188 Elo di Provider Voice dan 1.069 di Controlled Voice. Itu adalah model 0.5B. Ming-3.0-tts-tiny tidak memiliki baris arena — tidak diberi peringkat, tidak tanpa peringkat, bukan entri pratinjau — dan README GitHub mereproduksi angka 1.188 dan 1.069 tanpa menyebutkan checkpoint mana yang menghasilkannya.

VoxCPM2 tidak memiliki baris sama sekali, di kedua papan, dan halaman Hugging Face-nya mencatat bahwa tidak ada penyedia inferensi yang menerapkannya. Ketiadaan itu bukan skor rendah. Artinya, belum ada yang menempatkan salah satu dari model-model ini di hadapan panel preferensi, jadi satu-satunya bukti kualitas dalam perbandingan ini adalah rangkaian milik Ant sendiri di satu sisi dan tidak ada apa pun di sisi lain.

Jika Anda memerlukan angka sebelum memulai, pengganti yang berguna adalah yang memang dipublikasikan VoxCPM2: real-time factor. Itu bukan metrik kualitas, tetapi diukur, dapat direproduksi di kartu Anda sendiri, dan memberi tahu Anda berapa biaya untuk mengoperasikan model. Padanan Ming-3.0-tts-tiny adalah rentang yang harus Anda hasilkan sendiri.

Apa sebenarnya kegunaan masing-masing

Pilih VoxCPM2 ketika beban kerjanya berdurasi panjang dan sensitif terhadap biaya, ketika Anda membutuhkan bahasa di luar sembilan bahasa Ant, ketika 8 GB VRAM menjadi pertimbangan karena deployment Anda hanya berupa satu kartu konsumen, atau ketika LoRA pada lima menit audio Anda sendiri masuk dalam peta jalan. Desain tanpa tokenizer dan keluaran 48 kHz melalui super-resolution bawaan AudioVAE V2 adalah keunggulan rekayasa yang nyata, dan lima bulan penggunaan publik berarti mode kegagalannya didokumentasikan oleh orang lain, bukan oleh vendor.

Pilih Ming-3.0-tts-tiny saat Anda membutuhkan hal-hal yang hanya ditawarkannya: tugas podcast multi-pembicara dalam sekali proses, 14 tag paralinguistik inline dengan kontrol emosi, kecepatan, nada, dan volume yang eksplisit, lebih dari 100 pemeran suara Tionghoa dengan lima suara bahasa Inggris, dan model yang mengutamakan bahasa Tionghoa yang penanganan dialeknya dibangun, bukan disimpulkan. Terima sebagai gantinya bahwa Anda akan menjadi tim pertama yang melakukan benchmark terhadapnya, bahwa bahasa Korea adalah kelemahan yang diakui, bahwa fine-tuning tidak terdokumentasi, dan bahwa seluruh rilisnya baru berumur satu minggu.

OrcaRouter tidak merutekan kedua model tersebut, dan artikel ini tidak boleh dibaca sebagai menyiratkan sebaliknya — keduanya diakses dengan mengunduh dan menjalankannya sendiri. Yang ada di katalog adalah bagian teks dari pipeline yang sama: lebih dari 200 model di balik satu kunci dengan harga daftar penyedia tanpa tambahan markup, sehingga perubahan harga vendor sampai kepada Anda pada hari yang sama, dengan failover otomatis antar penyedia untuk model yang menulis skrip atau menjalankan agen. Karena kedua opsi suara di-hosting sendiri dan tidak satu pun menerapkan tagihan per karakter, biaya berulang yang benar-benar dapat Anda bandingkan dari bulan ke bulan adalah lapisan teks, dan itulah yang layak ditempatkan di balik satu endpoint.

Perbandingan ini berakhir di tempat awalnya: dua checkpoint, tanpa papan skor bersama, dan keputusan yang pada akhirnya bergantung pada apakah Anda membutuhkan kecepatan dan fine-tuning pada perangkat keras sederhana atau kontrol yang mengutamakan bahasa Mandarin pada perangkat besar. VoxCPM2 menjawab yang pertama dengan angka yang telah dipublikasikan. Ming-3.0-tts-tiny menjawab yang kedua dengan cookbook tugas dan tanpa angka throughput, yang merupakan hal paling berguna yang bisa Ant terbitkan berikutnya.