Ming-3.0-tts-0.5B vs VoxCPM2: uno vince con le parole, l'altro con la voce

Esiste esattamente un confronto pubblicato tra Ming-3.0-tts-0.5B e VoxCPM2, e l'ha scritto Ant Group. Nella sua model card, Ant valuta i due modelli vocali multilingue sul set di test Mi​niMax in tedesco, spagnolo, francese, coreano e giapponese. Ming-3.0-tts-0.5B produce le parole più accurate in quattro delle cinque lingue. VoxCPM2 produce la voce più fedele in tutte e cinque. Quell'unico schema — accuratezza dei contenuti per il checkpoint 0,5B, similarità del parlante per quello 2B — è la cosa più utile che chiunque abbia pubblicato su questo confronto, ed è una tabella dello stesso fornitore, quindi è anche la cosa che più necessita di un'avvertenza. Ant vince sul tasso di errore che ha scelto di pubblicare e perde sul punteggio di similarità nella stessa pagina. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro ai rilasci come questo sono raccolti nell'OrcaRouter AI Incident Archive in cui ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

Entrambi i modelli sono open-weight, entrambi consentono l'uso commerciale ed entrambi sono gestiti da te anziché essere chiamati come servizio. Ming-3.0-tts-0.5B è il modello dense con licenza MIT di Ant Group, su un backbone Qwen2.5-0.5B con una head diffusion-transformer, pubblicato su Hugging Face il 24 settembre 2026, con il codice di inferenza pubblicato successivamente su GitHub il 19 ottobre 2026 e nessun annuncio del fornitore per nessuno dei due. VoxCPM2 è il checkpoint Apache-2.0 di OpenBMB di aprile 2026, un modello diffusion-autoregressive da 2B senza tokenizer su un backbone MiniCPM-4. Tutto quanto segue dipende da quella differenza di dimensioni e licenza, e dal fatto che uno dei due ha un punteggio arena indipendente e l'altro no.

Cosa dice in realtà la tabella di Ant stessa

Il set di test multilingue Mi​niMax segnala errori di contenuto — tasso di errori a livello di parola per tedesco, spagnolo e francese, tasso di errori a livello di carattere per coreano e giapponese — insieme a un coseno di similarità tra parlanti. Un errore più basso è meglio; una similarità più alta è meglio. Ant ha eseguito entrambi i modelli autonomamente. Nulla di quanto qui riportato è stato riprodotto da terzi, e i manutentori di VoxCPM2 non hanno pubblicato una tabella di confutazione che siamo riusciti a trovare.

• Tedesco — Ming-3.0-tts-0.5B errore 0.365, somiglianza 0.753; VoxCPM2 errore 0.963, somiglianza 0.790.

• Spagnolo — Ming 1.099, somiglianza 0.763; VoxCPM2 1.324, somiglianza 0.836.

• Francese — Ming 4.264, similarità 0.675; VoxCPM2 3.380, similarità 0.761. Questa è l'unica lingua in cui la classifica degli errori si inverte.

• Coreano — Ming 1.728, similarità 0.793; VoxCPM2 3.547, similarità 0.839.

• Giapponese — Ming 3.765, similarità 0.765; VoxCPM2 4.358, similarità 0.825.

Due cose meritano attenzione prima di attribuire merito all'uno o all'altro modello. Innanzitutto, il divario tedesco è ampio — 0,365 contro 0,963 — mentre i divari coreano e giapponese sono più piccoli e il risultato francese va nella direzione opposta, quindi «più accurato» è un'affermazione valida per singola lingua, non generale. In secondo luogo, i tassi di errore francesi sono alti per ogni modello in quella tabella; un concorrente elencato accanto a loro segna 19,878 lì. Una lingua in cui l'intero campo si concentra su numeri scarsi è una lingua in cui è il set di test, non i modelli, a fare parte del lavoro. Considera il francese inconcludente anziché una vittoria di VoxCPM2.

Perché la colonna della similarità è quella da leggere due volte

La somiglianza del parlante misura se l'output suona come la voce di riferimento. È la metrica che separa una demo da un prodotto: una voce clonata che si discosta porta l'ascoltatore fuori dalla scena anche quando ogni parola è corretta, e nessun punteggio ASR a valle ti dirà mai che è successo.

Ming perde in tutte e cinque le lingue, con margini compresi tra 0,037 (spagnolo) e 0,086 (francese). Si tratta di distanze coseno su una scala limitata, quindi gli scarti sono modesti ma coerenti, e una coerenza su cinque lingue è più difficile da spiegare come un caso isolato rispetto a una singola riga sbagliata. La spiegazione sincera si trova nella scheda di Ant stessa, che afferma chiaramente che la somiglianza tra parlanti è inferiore all'accuratezza del contenuto. Il modello è stato ottimizzato per azzeccare le parole.

C'è una seconda ragione, più specifica, per aspettarselo, ed è architetturale. VoxCPM2 decodifica a 48 kHz tramite uno stadio di super-risoluzione integrato nel suo tokenizer AudioVAE V2, e accetta una clip di riferimento a 16 kHz pur producendo comunque un'uscita a 48 kHz. Ming-3.0-tts-0.5B opera a 44.1 kHz. La frequenza di campionamento non equivale alla somiglianza — una frequenza più alta non rende una voce più fedele — ma la pipeline di VoxCPM2 è esplicitamente costruita attorno alla preservazione del carattere di una voce di riferimento attraverso la fase di ricampionamento, e questa è una scelta progettuale che un modello da 0.5B con un encoder del parlante integrato non compie.

Quindi la lettura onesta non è "VoxCPM2 clona meglio perché è più grande". È che i due modelli ottimizzano metà diverse dello stesso obiettivo, e la tabella del fornitore mostra ciascuno vincere la propria metà.

Clipping di una voce: due API, due filosofie

Entrambi clonano in zero-shot da una breve clip. Le meccaniche differiscono abbastanza da essere importanti se stai scrivendo l'integrazione.

• Ming-3.0-tts-0.5B — un unico punto di accesso, un argomento di task. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), poi synthesize(task=...) con prompt_wav_path, prompt_text e use_spk_emb. I task includono TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM e IP. Il checkpoint raggruppa il backbone, la testa DiT, il tokenizer audio e un encoder di speaker Campplus, quindi il clonaggio è un task di prima classe anziché una pipeline separata.

• VoxCPM2 — pip install voxcpm, poi VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Il voice design è un prefisso tra parentesi sul testo stesso, "(description)text", con cfg_value=2.0 e inference_timesteps=10 come punti di partenza documentati.

La conseguenza è che la superficie di controllo di Ming è strutturata e quella di VoxCPM2 è testuale. Ming offre attività denominate con esclusioni reciproche documentate — FREEFORM non può essere combinato con la progettazione della voce, una voce integrata, i controlli di emozione, dialetto o attributo, e l'attività multilingue richiede un esplicito language_id per le cinque lingue non cinesi. C'è di più da imparare e meno da indovinare. La singola stringa di VoxCPM2 è più rapida da provare e più difficile da rendere deterministica; la scheda di OpenBMB consiglia di generare da uno a tre candidati perché la progettazione della voce e lo stile variano tra un'esecuzione e l'altra.

Se stai realizzando un'interfaccia in cui un producer sceglie una voce da un elenco, le oltre 100 voci cinesi integrate di Ming e le cinque voci inglesi integrate costituiscono un menu che puoi renderizzare. VoxCPM2 non ha un roster equivalente: le sue voci vengono progettate o clonate, non enumerate.

Lingue, dialetti e il livello paralinguistico

• Numero di lingue: Ming-3.0-tts-0.5B copre cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, oltre a sichuanese e cantonese come attività dialettali separate. VoxCPM2 dichiara 30 lingue. Ant ha testato cinque lingue non cinesi; OpenBMB non pubblica alcuna tabella degli errori per lingua che siamo stati in grado di verificare, quindi il 30 è un'affermazione di copertura senza alcuna garanzia di qualità associata.

• Dialetti — Ming espone il sichuanese e il cantonese come un'attività senza argomento lingua. L'elenco di 30 lingue di VoxCPM2 non è suddiviso per dialetto nel materiale che abbiamo letto, e considerare le varietà regionali coperte perché la lingua è coperta è l'errore che questo punto mira a prevenire.

• Controllo inline — Ming include 14 tag per respiro, tosse, sospiro, risata, esitazione, sorpresa e domande, in cinese o inglese, più emozione, velocità, tono e volume espliciti. VoxCPM2 non ha un vocabolario di tag; il suo controllo è il prefisso di descrizione in linguaggio naturale.

• Punto debole, per ammissione della stessa Ant — le frasi paralinguistiche con più eventi sono instabili, il controllo delle emozioni peggiora quando il testo non veicola alcun segnale emotivo, e la progettazione vocale aperta non è all’altezza del sistema più forte rispetto al quale Ant ha valutato. Quest’ultimo è una descrizione corretta del divario rispetto a una voce frontier ospitata, e vale anche per VoxCPM2.

La distinzione pratica: scegli Ming se il tuo script richiede una risata, un sospiro o una pausa di esitazione nel mezzo di una frase. Scegli VoxCPM2 se il tuo script richiede una lingua che Ming non copre, oppure una voce progettata da una descrizione scritta anziché da un preset con nome.

Eseguirli: 8 GB a fronte di un pin CUDA

• Ming-3.0-tts-0.5B — testato su una NVIDIA H800-80GB e una H20-96G con CUDA 12.4. Flash-attention è opzionale, con fallback su SDPA. La normalizzazione del testo richiede pynini==2.1.6, oppure si passa --no_text_normalization e si accettano numeri e abbreviazioni grezzi inviati al modello. PyTorch 2.6 è l'ambiente di riferimento. L'output è a 44.1 kHz.

• VoxCPM2 — circa 8 GB di VRAM in bf16 per lo sviluppo e un picco di circa 22 GB su una scheda da 24 GB, Python 3.10 o versioni successive, PyTorch 2.5.0 o versioni successive, CUDA 12.0 o versioni successive. Il fattore in tempo reale documentato è circa 0,30 su una RTX 4090 in PyTorch standard e circa 0,13 con Nano-VLLM — da due a tre volte più veloce del tempo reale, oppure otto con il livello di serving.

Quei due paragrafi descrivono pomeriggi di ingegneria molto diversi. Lo stack di Ming è quello più recente e quello più fragile: una libreria FST fissata a una versione specifica, un kernel opzionale, un ambiente di riferimento fissato a una build CUDA specifica. VoxCPM2 è disponibile da aprile e ha assorbito sei mesi di segnalazioni di installazione dalla community. Quel vantaggio di maturità è reale ed è temporaneo: il codice di inferenza di Ming è stato pubblicato il giorno in cui è stato scritto questo testo, e il repository ha acquisito la sua nota di supporto per vLLM-Omni in un commit di documentazione lo stesso pomeriggio.

Nessuno dei due modelli è offerto da un provider di inferenza ospitata che siamo riusciti a identificare, e questo non è tanto una lacuna in questo confronto quanto la sua premessa: entrambi sono checkpoint che si scaricano. Significa però che le prove indipendenti sono sbilanciate. Ming-3.0-tts-0.5B ha una riga di Artificial Analysis in entrambe le classifiche vocali: 1.188 Elo su Provider Voice (intervallo 1.173–1.203, fascia di posizione 17–23, la diciannovesima riga dell'elenco che abbiamo acquisito il 19 ottobre 2026) e 1.069 su Controlled Voice (1.053–1.085, fascia di posizione 10–18, tredicesima riga lo stesso giorno). VoxCPM2 non ha alcuna riga in nessuna delle due classifiche alla data delle nostre ultime rilevazioni, e l'assenza è stabile da aprile, non una recente omissione. Quindi l'unico numero indipendente in questo articolo appartiene a Ming, ed è rispettabile; VoxCPM2 non ha nulla da contrapporre, e nessun articolo onesto può inventare un Elo testa a testa che nessuno ha misurato.

Licenza, fine-tuning e la domanda che nessuno fa

Entrambe le licenze consentono l'uso commerciale. Ming è MIT, che è tra le licenze più permissive in assoluto e richiede solo l'attribuzione. VoxCPM2 è Apache 2.0, che aggiunge una concessione esplicita sui brevetti e un'esclusione per i marchi. Per la maggior parte dei team la differenza è amministrativa più che legale, e l'una o l'altra rappresenta una risposta pulita a un questionario di procurement, mentre una licenza non commerciale no.

La vera asimmetria è il fine-tuning. VoxCPM2 documenta il fine-tuning supervisionato completo e LoRA su cinque-dieci minuti di audio, il che significa che puoi indirizzare il modello verso un parlante o uno stile specifici con un piccolo dataset e una singola GPU. Ming-3.0-tts-0.5B non include alcuna ricetta di fine-tuning, alcuno script di addestramento né alcun percorso LoRA nella release che abbiamo letto. Se il tuo prodotto ha bisogno di un modello che sia tuo invece di un modello a cui fai prompt, non si tratta di un divario di benchmark — è un divario di capacità, e decide la scelta prima che venga consultato qualsiasi numero Elo.

La risposta di Ming allo stesso bisogno è voice design più clonazione: descrivi la voce oppure fornisci una clip. Questo copre la maggior parte delle esigenze di produzione e nessuna di quelle che implicano l'addestramento su audio proprietario su larga scala.

Dove un livello di routing si guadagna il suo posto qui

OrcaRouter non ospita Ming-3.0-tts-0.5B né VoxCPM2. Nessuno dei due è un modello per cui possiamo fornirti un endpoint, e questo articolo non fingerà il contrario. Ciò che un router raggiunge in una pipeline vocale è tutto ciò che sta a monte della forma d'onda: il modello che redige il copione, espande le abbreviazioni, decide dove va il tag della risata e riscrive la frase uscita a 3,8 secondi quando lo slot era di 3,2. Quelle sono chiamate di testo, e instradiamo più di 200 modelli di testo dietro un'unica chiave al prezzo di listino del fornitore con 0% di ricarico aggiunto — così quando un fornitore taglia un prezzo, il taglio è attivo dalla nostra parte lo stesso giorno anziché al successivo adeguamento dei prezzi. Il failover automatico mantiene quella metà della pipeline in risposta mentre la metà vocale è un download che gestisci tu stesso.

Quello è il confine onesto. Un router è lo strumento sbagliato per un checkpoint che esegui sulla tua GPU, e lo strumento giusto per i modelli che decidono cosa viene chiesto al checkpoint di dire.

Scegliere, senza una classifica dietro cui nascondersi

Scegli Ming-3.0-tts-0.5B se i tuoi contenuti sono multilingue e l’accuratezza delle parole è la metrica su cui discutono i tuoi stakeholder, se ti serve una copertura vocale con priorità al cinese e preset denominati, se i tag emotivi inline fanno parte del formato dello script, se vuoi un checkpoint MIT da 2,96 GB che entra comodamente su hardware modesti, oppure se un conteggio di 0,5B parametri è la differenza tra un costo unitario sostenibile e uno non sostenibile. Procedi sapendo che la voce sarà leggermente meno fedele al riferimento rispetto a quella di VoxCPM2, che il codice di inferenza è stato rilasciato da poche ore e che non esiste un percorso di fine-tuning.

Scegli VoxCPM2 se l'identità vocale è il prodotto — doppiaggio, caratterizzazione, qualsiasi cosa in cui un ascoltatore noterebbe che il clone si sta discostando — se ti serve una delle lingue non coperte da Ming, se intendi fare fine-tuning sul tuo audio, o se vuoi uno stack che da aprile si installa senza sorprese.

Il criterio di spareggio è {{1}}economico{{/1}} e nessuno dei {{2}}numeri sopra{{/2}} lo sostituisce. Prendi cento frasi di un tuo testo, una clip di riferimento e {{3}}esegui entrambi{{/3}}. Assegna un punteggio alle {{4}}parole{{/4}} con un modello ASR e assegna un punteggio alla {{5}}voce{{/5}} con la {{6}}stessa metrica coseno{{/6}} che {{7}}ha usato Ant{{/7}}. Otterrai {{8}}una risposta per lingua{{/8}} {{9}}in un pomeriggio{{/9}}, {{10}}sul tuo contenuto{{/10}}, {{11}}con i tuoi accenti{{/11}} — {{12}}che è più di quanto una tabella di un fornitore{{/12}} {{13}}costruita su un set di test pubblico{{/13}} {{14}}possa darti{{/14}}, {{15}}e considerevolmente più di una classifica{{/15}} {{16}}che elenca solo uno dei due modelli{{/16}}.