Ming-3.0-tts-0.5B vs Voxtral 4B TTS: uno di questi pesi non è in vendita

Leggi la licenza prima del benchmark, perché in questo confronto è lei a risolvere la questione per prima. Ming-3.0-tts-0.5B è MIT — scaricalo, fai fine-tuning, distribuiscilo all'interno di un prodotto commerciale, attribuisci Ant Group e vai avanti. Voxtral 4B TTS è CC BY-NC 4.0, ereditata dai dataset di voci di riferimento che ne stanno alla base, il che significa che i pesi di Mistral AI non sono affatto concessi in licenza per uso commerciale. La via commerciale per Voxtral è l'API a $0,016 per mille caratteri. Quindi la vera domanda non è quale modello suoni meglio. È se stai comprando una voce che gestisci o affittando una voce che chiami, e solo uno di questi due checkpoint ti consente di scegliere. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in l'Archivio degli incidenti AI di OrcaRouter dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Quella impostazione sembra rendere facile il confronto, e non è così, perché i due modelli sono bravi in cose diverse e quello ospitato offre qualcosa che quello aperto non può offrire: una curva di latenza e throughput pubblicata, eseguita su infrastruttura di serving reale, a tre livelli di concorrenza. Ming-3.0-tts-0.5B è stato pubblicato su Hugging Face il 24 settembre 2026 e il suo codice di inferenza su GitHub il 19 ottobre 2026 senza alcun annuncio da parte di Ant Group per nessuno dei due — il modello ha 19 giorni come artefatto e poche ore come qualcosa che si può effettivamente eseguire. Voxtral 4B TT​S è stato annunciato da Mistral a marzo 2026 e ha avuto sette mesi per essere misurato. Qui di seguito, la licenza, la forma di deployment, i numeri che ciascuna parte può onestamente rivendicare e le domande a cui nessuno dei due fornitori ha risposto.

Due licenze che non sono variazioni su un tema

• Ming-3.0-tts-0.5B — MIT. Uso commerciale, modifica, ridistribuzione e fine-tuning tutti consentiti, con attribuzione. Un checkpoint da 2,96 GB che puoi inserire in un'immagine container, eseguire sul tuo acceleratore e consegnare a un cliente senza chiedere il permesso a nessuno.

• Voxtral 4B TTS — CC BY-NC 4.0. Non commerciale. La scheda di Mistral è esplicita nel precisare che il modello eredita la licenza delle sue voci di riferimento, tratte da fonti tra cui EARS, CML-TTS, IndicVoices-R e un set arabo di audio naturale. I pesi si scaricano senza problemi; il vincolo è la licenza, non il file.

La distinzione che le persone fraintendono è che l'API non è soggetta alla stessa restrizione. Chiamare Voxtral tramite il servizio di Mistral è una transazione commerciale con il fornitore, e $0.016 per mille caratteri è il prezzo. Eseguirlo in self-hosting all'interno di un prodotto a pagamento è un atto diverso, ed è quello che la licenza vieta. Se la tua implementazione deve essere on-premises — residenza dei dati, inferenza air-gapped, un cliente che non approverà un endpoint di terze parti — allora Voxtral 4B TT​S non è un'opzione a nessun prezzo, mentre Ming-3.0-tts-0.5B è disponibile senza condizioni.

Questo è un confine netto, e vale la pena separarlo da quello più sfumato. Una licenza non commerciale consente comunque valutazione, ricerca e sperimentazione interna, quindi il modo sensato di leggere questa tabella è che Voxtral è un servizio che puoi provare gratuitamente e Ming è un artefatto che puoi possedere a tutti gli effetti.

Cosa offre mezzo miliardo di parametri, e cosa no

• Dimensioni e architettura — Ming-3.0-tts-0.5B è un modello dense da 0,5B su backbone Qwen2.5-0.5B con una testa diffusion-transformer, e il checkpoint include il suo tokenizer audio e speaker encoder. Voxtral 4B TT​S conta circa 4 miliardi di parametri, servito tramite vLLM-Omni, basato sulla base Ministral-3-3B di Mistral.

• Output — Ming a 44,1 kHz; Voxtral a 24 kHz in WAV, PCM, FLAC, MP3, AAC o Opus. Un master a 44,1 kHz è la differenza tra un file che puoi consegnare a un montatore video e un file che deve prima essere ricampionato, e conta di più nel doppiaggio e nella trasmissione che in un agente telefonico.

• Modalità — Ming prevede attività denominate (TTS, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) con esclusioni reciproche documentate. Voxtral supporta streaming e batch, senza alcuna tassonomia equivalente delle attività pubblicata.

• Voci — Ming offre più di 100 voci cinesi integrate e cinque voci inglesi integrate, oltre alla clonazione zero-shot da una breve clip e alla progettazione della voce a partire da una descrizione in linguaggio naturale. Voxtral offre 20 voci preimpostate e si adatta a una clip di riferimento di appena tre secondi. Venti sono una rosa curata; cento sono un cast. Quello che vuoi dipende dal fatto che tu stia costruendo un prodotto con una sola voce o uno strumento che consenta ad altri di sceglierne una.

• Paralinguistica — i 14 tag inline di Ming coprono respiro, tosse, sospiro, risata, esitazione, sorpresa e domande, oltre a controlli espliciti di emozione, velocità, tono e volume. Mistral non pubblica alcun vocabolario di tag per Voxtral. L'assenza di documentazione non è assenza di capacità, e non ne è nemmeno prova.

Il conteggio di 0,5B parametri è la parte che viene fraintesa. Ming non è una versione più piccola di Voxtral; è un design diverso, che scommette sul fatto che un backbone compatto più un encoder di parlante incluso e un tokenizer siano sufficienti per un parlato controllabile, e spende la propria capacità sul controllo anziché sulla scala. Nella valutazione multilingue di Ant, batte VoxCPM2 sull'accuratezza del contenuto in quattro lingue su cinque, pur perdendo in similarità del parlante in tutte e cinque — che è l'aspetto che assume su una scorecard un modello ottimizzato per le parole anziché per il timbro.

L'unico numero che Voxtral ha e che Ming non ha

Mistral ha pubblicato un benchmark di serving, ed è la cosa più utile in entrambe le release per chiunque stia pianificando la capacità. Su un singolo H200 con vLLM-Omni 0.18.0, con un input di 500 caratteri e un riferimento audio di dieci secondi:

• Concorrenza 1 — 70 millisecondi di latenza, fattore in tempo reale 0,103, circa 119 caratteri al secondo di tempo GPU.

• Concorrenza 16 — 331 millisecondi, RTF 0.237, circa 879 caratteri al secondo.

• Concorrenza 32 — 552 millisecondi, RTF 0.237 riportato, circa 1,431 caratteri al secondo.

Questo è un piano di capacità in tre righe: la latenza resta sotto il secondo ben oltre la concorrenza che la maggior parte dei prodotti vocali raggiunge effettivamente, e il throughput scala di circa dodici volte da un flusso a trentadue. È l'harness di Mistral stesso, non riprodotto, e presuppone l'ambiente di riferimento — ma è una forma su cui si può dimensionare un deployment.

Il numero equivalente di Ming è indipendente anziché riportato dal fornitore, e misura qualcosa di leggermente diverso. Artificial Analysis registra Ming-3.0-tts a 42,1 caratteri al secondo di tempo di generazione sul proprio harness, una richiesta alla volta. Ciò corrisponde circa a un terzo della velocità a singolo flusso di Voxtral, rilevata con un metodo diverso su hardware diverso, e la dichiarazione onesta è che le due cifre non sono direttamente confrontabili: una è il throughput di Mistral a un livello di concorrenza scelto su un H200, l'altra è la misurazione a singolo flusso di una terza parte su hardware non pubblicato. Quello che si può dire è che entrambi sono sufficientemente veloci per il parlato interattivo e nessuno dei due rappresenta un vincolo di tempo reale.

La differenza di throughput che conta davvero è legata al licensing. La curva di Voxtral è un motivo per chiamare l'API invece di costruire attorno ai pesi — l'ingegneria del serving è già fatta, e paghi per carattere invece che per GPU-ora. La velocità di Ming è un motivo per calcolare il tuo punto di pareggio, perché a 42,1 caratteri al secondo un milione di caratteri equivale a circa 6,6 ore di generazione, e se ciò sia conveniente dipende interamente da quanto costa il tuo acceleratore quando è altrimenti inattivo.

Nove lingue contro sette, e nessuno dei due elenchi è un'affermazione sulla qualità

• Ming-3.0-tts-0.5B — cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, con sichuanese e cantonese come attività dialettali separate e un identificatore di lingua esplicito richiesto per le cinque lingue non cinesi.

• Voxtral 4B TT​S — inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, hindi e arabo. La scheda descrive "dialetti diversi" all'interno di tale supporto senza enumerarli.

La sovrapposizione è di cinque lingue: inglese, francese, spagnolo, tedesco e una tra coreano o giapponese, a seconda di come si conta la copertura regionale. Ogni modello copre qualcosa che l'altro non copre — italiano, portoghese, olandese, hindi e arabo dalla parte di Voxtral; coreano, giapponese, sichuanese e cantonese dalla parte di Ming. Se la tua roadmap include arabo o hindi, la decisione è già presa prima ancora di leggere il primo benchmark.

Ciò che nessuno dei due fornitori pubblica è la qualità per lingua. Mistral non fornisce alcun tasso di errore per nessuna delle sue nove lingue. Ant ha testato cinque lingue non cinesi sul set MiniMax e ha pubblicato dei numeri, ma si tratta dell'harness di Ant stesso contro concorrenti scelti da Ant stesso, e non dicono nulla sul coreano o sul giapponese rispetto a Voxtral perché Voxtral non era nella tabella. Quindi il confronto linguistico qui riguarda la copertura, non la competenza, e qualsiasi articolo che lo presenti come competenza sta tirando a indovinare.

La scheda che ha entrambe le cose, in un certo senso

Entrambi i modelli compaiono nelle classifiche vocali di Artificial Analysis, ma non alla stessa data di rilevazione e non con lo stesso insieme di modelli circostanti, quindi consideralo un orientamento piuttosto che un risultato di un confronto testa a testa.

• Ming-3.0-tts-0.5B — Voce Provider 1.188 Elo (intervallo 1.173–1.203, fascia di classifica 17–23, diciannovesima riga dell'elenco); Voce controllata 1.069 (1.053–1.085, fascia di classifica 10–18, tredicesima riga). Entrambe le rilevazioni sono del 19 ottobre 2026, il giorno in cui è stato pubblicato il suo codice di inferenza.

• Voxtral 4B TT​S — Voce controllata 1.005 Elo, intervallo di classifica 24–30, ventiseiesima riga della stessa rilevazione del 19 ottobre. La sua posizione relativa alla voce del provider non era presente nel materiale che abbiamo potuto verificare.

La board Controlled Voice è quella di cui fidarsi, perché ogni modello lì clona le stesse voci di riferimento fisse e il cast vocale smette di essere un fattore confondente. Nella cattura sopra, il 1.069 di Ming e il 1.005 di Voxtral distano 64 punti, e con intervalli di ranking sovrapposti la conclusione onesta è che Ming ottiene un punteggio più alto su una misurazione effettuata più tardi rispetto a un campo più ampio. Non va letto come una vittoria consolidata di 64 punti. Va letto come prova che un checkpoint aperto da 0,5B non è fuori dalla sua portata accanto a un modello vendor da 4B sulla fedeltà vocale, che è la parte sorprendente.

Quanto ti costa davvero, in termini di ingegneria, una pipeline Ming self-hosted

Adottare Ming non è un download e una chiamata di funzione. L'ambiente di riferimento è fissato: PyTorch 2.6 con CUDA 12.4, testato su una H800-80GB e una H20-96G, flash-attention opzionale con fallback su SDPA. La normalizzazione del testo richiede pynini 2.1.6 — una libreria nota per essere scomoda da installare — oppure si passa un flag che disattiva la normalizzazione e si accetta che numeri, valute e abbreviazioni arrivino grezzi al modello.

Quelli sono i costi che non compaiono mai in una tabella comparativa e compaiono sempre in uno sprint. I costi equivalenti di Voxtral sono nascosti nel prezzo dell'API: qualcun altro ha fissato l'ambiente, qualcun altro gestisce la concorrenza, e il compromesso è che non puoi cambiare il cast vocale oltre ad adattarlo da una clip di riferimento, e non puoi mettere il modello su una macchina che controlli per scopi commerciali.

Anche la maturità di Ming va valutata con onestà. Il repository GitHub è stato pubblicato il 19 ottobre 2026, con il primo commit che conteneva il codice di inferenza, un Dockerfile, esempi one-click e un cookbook di attività, e con commit alla documentazione pubblicati fino a quel pomeriggio, incluso uno che segnalava il supporto a vLLM-Omni. vLLM-Omni è lo stesso stack di serving che Mistral ha usato per il suo benchmark Voxtral, il che è una coincidenza utile: il percorso verso un deployment in produzione per Ming è quello che Voxtral ha già documentato, un livello più in basso.

Dove si inserisce il routing e la parte che non tocca

OrcaRouter non serve Ming-3.0-tts-0.5B; è un checkpoint che esegui tu. Voxtral 4B TT​S è disponibile tramite l'API di Mistral stessa, e questo pezzo non sostiene che lo instradiamo noi. Ciò che un router raggiunge in entrambe le architetture è il testo attorno alla voce: lo script, le decisioni sui tag in stile SSML, la fase di traduzione che trasforma un unico script master in nove lingue prima della sintesi, il summariser che accorcia un passaggio per farlo stare in uno slot temporale. Queste chiamate avvengono centinaia di volte per minuto di audio ed è lì che si concentrano davvero i costi di una pipeline e le sue modalità di fallimento.

Questo è il livello su cui operiamo: oltre 200 modelli di testo dietro un'unica chiave al prezzo di listino del fornitore con 0% di ricarico aggiunto, così un taglio di prezzo di un fornitore ti raggiunge il giorno stesso in cui viene applicato anziché al successivo aggiornamento dei prezzi; failover automatico tra provider, così un pomeriggio storto di un singolo provider non blocca la generazione di script che alimenta la voce; e un DSL di routing per comporre più modelli in un'unica chiamata quando la fase di traduzione e la riscrittura di stile richiedono modelli diversi. Il modello vocale in fondo alla catena è tuo da scegliere, e questo articolo parla di come sceglierlo.

Quello che nessuna delle due carte ti dice

Tre domande decidono la maggior parte delle implementazioni reali, e nessuno dei due fornitori risponde a nessuna di esse.

• Come si mantiene la qualità in condizioni di concorrenza? Mistral misura latenza e throughput a 32 stream ma non pubblica alcun delta di qualità tra batch e streaming. La release di Ming non affronta affatto la concorrenza — un harness a richiesta singola, una GPU di riferimento e nessuna curva di throughput vLLM, solo una nota di supporto.

• Come suona una generazione fallita? Nessuna delle due schede documenta il comportamento in caso di troncamento, i loop di ripetizione, o cosa succede quando uno script a 14 tag si scontra con una frase che il modello non riesce ad analizzare. La scheda di Ant è insolitamente franca sui suoi punti deboli — paralinguistica multi-evento instabile, controllo delle emozioni che peggiora quando le parole non trasmettono emozione, la similarità francese come sua lingua peggiore, e una progettazione vocale aperta che non corrisponde al sistema più forte con cui è stata valutata — ma una sezione sui limiti non è una tassonomia dei fallimenti.

• Chi lo manterrà tra un anno? Mistral è un'azienda con un servizio TT​S commerciale e un evidente incentivo a mantenerlo aggiornato; il checkpoint di marzo è già stabile da sette mesi. Ming-3.0-tts-0.5B ha un like, sei download e un repository creato il giorno in cui è stato scritto questo testo. Ant Group potrebbe benissimo sostenerlo — la famiglia Ming include varianti ASR, audio e tiny, il che suggerisce un programma piuttosto che un'iniziativa isolata — ma nulla nella release si impegna a nulla.

Quell'ultimo punto è quello da soppesare rispetto alla licenza MIT. Una licenza permissiva ti garantisce il diritto di usare i pesi per sempre; non garantisce che qualcuno corregga un bug nel codice di inferenza, e la differenza diventa visibile solo al settimo mese.

La decisione, nell'ordine in cui arriva effettivamente

Inizia dal vincolo di deployment, perché elimina un'opzione in modo definitivo. Se il modello deve essere eseguito su un'infrastruttura che controlli e l'output deve essere utilizzabile a livello commerciale, la risposta è Ming-3.0-tts-0.5B, e le domande rimanenti sono di ingegneria: fissa l'ambiente, installa pynini o accetta testo non normalizzato, prevedi circa 6,6 GPU-ora per milione di caratteri, e accetta che la voce sarà un po' meno fedele a un clip di riferimento rispetto alla migliore alternativa open. Se il modello deve parlare arabo, hindi, italiano, portoghese o olandese, la risposta è Voxtral 4B TT​S tramite l'API, e le domande rimanenti sono commerciali: 0,016 $ per mille caratteri, venti voci, un output a 24 kHz che potrebbe richiedere ricampionamento, e un fornitore che ha pubblicato la curva di servizio su cui dimensionerai il sistema.

Se nessuno dei due vincoli è restrittivo, il fattore discriminante è ciò che è il tuo prodotto. Una pipeline di doppiaggio o broadcast che richiede molte voci, copertura dei dialetti ed emozione inline vuole il cast di Ming e il suo output a 44,1 kHz, e lo pagherà in termini operativi. Un voice agent o un IVR che richiede latenza prevedibile, streaming e qualcun altro disponibile in chiamata vuole l'API di Voxtral, e lo pagherà per carattere e nella perdita di un cast vocale che non può estendere oltre venti.

La sola cosa che vale la pena fare prima di entrambe: mettere per iscritto in quali lingue rilascerai effettivamente il prodotto nei prossimi dodici mesi e quali di queste il tuo team legale consentirà di far uscire dalla tua infrastruttura. Queste due liste restringono la scelta da un confronto tra modelli a un unico candidato più in fretta di qualsiasi punteggio Elo e, a differenza delle classifiche, sono aggiornate.