Ming-3.0-tts-tiny vs VoxCPM2: Due checkpoint, uno dei quali pubblica la sua velocità

Questo è l'unico confronto della serie Ming-3.0-tts-tiny in cui entrambe le parti possono effettivamente essere eseguite, e questo cambia l'oggetto della discussione. Ming-3.0-tts-tiny, di inclusionAI del Gruppo Ant, è un mixture of experts da 7,9 miliardi di parametri che ne attiva circa 1,3 miliardi per token, con licenza MIT, circa 18 GB su disco, e una H800 indicata come scheda consigliata. VoxCPM2, di OpenBMB, è un modello tokenizer-free da 2 miliardi di parametri su backbone MiniCPM-4, Apache 2.0, circa 8 GB in bfloat16, rilasciato ad aprile 2026. Nessuno dei due ha una riga in classifica. Nessuno dei due ha un prezzo in hosting. Quando entrambi i modelli sono scaricabili e entrambi privi di punteggio, il confronto smette di riguardare le preferenze e diventa una questione di aritmetica: ore di audio per GPU-ora, memoria per processo e se sia possibile fare fine-tuning senza scrivere personalmente il codice di addestramento. I fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di affidabilità e il flag di contestazione.

Le cronologie delle release meritano di essere esposte chiaramente, perché spiegano il divario di maturità. VoxCPM2 è pubblico da aprile, ha accumulato circa 847.000 download nell'ultimo mese e distribuisce script di addestramento insieme all'inferenza. Il repository di Ming-3.0-tts-tiny è stato creato il 22 settembre 2026, i pesi sono arrivati il 24 settembre, e il codice per eseguirli non è stato disponibile pubblicamente fino al 19 ottobre alle 08:58 UTC, quando nove commit sono arrivate in un solo pomeriggio. Ant non ha annunciato il modello. Non esiste alcun report tecnico; la roadmap lo elenca come una casella non selezionata, e la model card è stata modificata il 16 ottobre proprio per rimuovere un riferimento a un report. Quindi uno di questi è un progetto di cinque mesi con una base di utenti, e l'altro è una pipeline che, al momento in cui scriviamo, ha una settimana.

Uno di loro pubblica e l'altro no

La scheda di VoxCPM2 riporta un fattore in tempo reale di circa 0,30 in PyTorch standard su una RTX 4090, che scende a circa 0,13 con Nano-VLLM. Il fattore in tempo reale è il numero di secondi di calcolo per ogni secondo di audio, quindi questi due valori significano che un'ora GPU produce circa 3,3 ore di parlato finito nel primo caso e circa 7,7 nel secondo.

Ming-3.0-tts-tiny non pubblica affatto dati sul throughput. Né un fattore tempo reale, né caratteri al secondo, nulla misurato su una scheda. Ciò che il rilascio fornisce è l'ambiente in cui è stato validato — Python 3.10.15, torch e torchaudio 2.7.1 con CUDA 11.8, transformers fissato a 4.46.3, una H800, e uno script di preflight che controlla l'installazione prima che si sprechi un'esecuzione — più l'architettura: 8.980.964.372 parametri in BF16, 40.096 in F32, uno stack di esperti da 7,9B totali con circa 1,3B attivi per token.

Non puoi prendere in prestito il throughput del gemello 0.5B per colmare il divario. Quel modello è stato misurato a 42,1 caratteri al secondo su un banco di prova indipendente e occupa 2,96 GB; il modello minuscolo attiva circa due volte e mezzo il numero di parametri per token e occupa all'incirca sei volte lo spazio su disco. Il routing sparso recupera parte del costo dovuto al maggior numero complessivo di parametri, che è proprio il punto dell'architettura, ma nessuno al di fuori di Ant ha quantificato quanto.

Facendo il calcolo dei costi con un buco dentro

Poiché una parte pubblica la propria velocità e l'altra no, la versione onesta di questo confronto è un intervallo anziché un valore puntuale. Eccone la struttura.

• VoxCPM2 su una RTX 4090, PyTorch — 0,30 RTF, quindi 3,3 ore di audio per ogni ora-GPU. Un milione di caratteri di narrazione, a circa 15 caratteri al secondo di parlato, corrisponde a circa 18,5 ore di audio finito, ovvero all'incirca 5,6 ore-GPU.

VoxCPM2 sulla stessa scheda, Nano-VLLM — 0,13 RTF, quindi 7,7 ore per GPU-ora, ovvero circa 2,4 GPU-ora per lo stesso milione di caratteri. Lo stack di serving più che raddoppia l'output senza toccare i pesi.

• Ming-3.0-tts-tiny — sconosciuto. A un ipotetico ritmo di 20 caratteri al secondo servirebbero circa 14 ore di generazione; a 10 caratteri al secondo, circa 28. Nessuno dei due numeri è una misurazione e entrambi dovrebbero essere considerati segnaposto finché qualcuno non ne pubblica uno.

• Memoria — VoxCPM2 dichiara circa 8 GB in bf16, che entrano in una scheda consumer da 24 GB con spazio per il batching. I 18 GB di pesi di Ming-3.0-tts-tiny, più le attivazioni e il decoder audio, fanno sì che un H800 da 80 GB sia l'obiettivo sensato e che una scheda da 24 GB non lo sia.

• Limite di sequenza: VoxCPM2 si ferma a 8.192 token, un vincolo reale per i lavori di lunga durata, che vale la pena verificare sul vostro paragrafo più lungo prima di procedere. Ming-3.0-tts-tiny non dichiara alcun limite equivalente; il suo percorso per i testi lunghi è l'attività podcast, che richiede un copione anziché una singola enunciazione.

La conclusione che resta valida nonostante il numero mancante riguarda l'utilizzo più che la velocità. Una scheda che resta inattiva perde contro qualsiasi API ospitata a qualunque prezzo, e una scheda che possiedi già e tieni occupata vince sul costo marginale indipendentemente da quale delle due esegui. Il divario tra 0,30 e 0,13 RTF è un fattore 2,3 nel costo per ora di audio, maggiore di quanto la maggior parte dei team si aspetti da una modifica allo stack di serving e maggiore di quanto suggerirebbe la differenza nel numero di parametri.

Il fine-tuning è il punto in cui i due smettono di essere comparabili.

VoxCPM2 documenta sia il fine-tuning supervisionato completo sia LoRA su appena cinque-dieci minuti di audio, con uno script di addestramento e una configurazione per ciascuno. Non è una nota a piè di pagina: è la differenza tra un modello di cui affitti il comportamento e un modello di cui possiedi il comportamento.

Ming-3.0-tts-tiny documenta l'inferenza, non l'addestramento. Il repository è un ricettario di attività — clonazione della voce seed, multilingue, paralinguistica, podcast, attributi di base, emozione, dialetto, forma libera, progettazione della voce e un'attività "ip" — costruito attorno a un unico MingTinyTTS.from_pretrained punto di ingresso. Non esiste una ricetta LoRA, né una configurazione SFT, né alcuna dichiarazione sul fatto che il fine-tuning sia supportato o meno. Potrebbe benissimo essere possibile; il checkpoint è un checkpoint. Ma "possibile" e "documentato con uno script funzionante" sono quantità diverse di lavoro ingegneristico, e la seconda è quella che offre VoxCPM2.

Per una voce di brand, un dominio regolamentato o una lingua che nessuno dei due modelli gestisce bene in modo nativo, è l'asimmetria decisiva. Cinque minuti di audio di riferimento e una configurazione fornita equivalgono a una settimana di lavoro. Il reverse engineering di un percorso di addestramento per un modello sparse da 7.9B senza implementazione di riferimento equivale a un trimestre.

Lingue, dialetti e cosa ci si guadagna con "30 lingue"

• Ming-3.0-tts-tiny — cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, più il sichuanese e il cantonese quando fornisci una clip di riferimento nel dialetto. Nove in totale se conti i due dialetti.

• VoxCPM2 — 30 lingue, tra cui il cantonese e il sichuanese, e la scheda indica che non è richiesto alcun tag di lingua: gli fornisci il testo e deduce la lingua. È una comodità che presenta un rischio di errore, poiché il testo multilingue sarà interpretato dal modello anziché da te.

Sulle lingue in comune, solo una delle parti ha pubblicato tassi di errore per lingua, ed è Ant. Tedesco 0,325% di errore sui caratteri, spagnolo 0,971%, giapponese 3,427%, francese 3,470%, coreano 6,000%, tutti sul banco di prova proprietario di Ant, tutti non replicati. VoxCPM2 non pubblica alcuna tabella per lingua, quindi il vantaggio in ampiezza non può essere verificato rispetto alla pretesa di profondità. Chiunque qui indichi un vincitore sulla qualità linguistica sta contrapponendo il foglio di calcolo di un fornitore al silenzio di un altro.

Il dato sul coreano merita una frase a sé, perché è il difetto più evidente nel record di Ming-3.0-tts-tiny: 6,000% di errore sui caratteri, circa tre volte e mezzo il 1,728% che il suo omologo 0.5B riporta sulla stessa lingua. La scheda elenca il coreano tra le debolezze note e non offre alcun meccanismo. Una spiegazione basata sullo sparse-routing è plausibile e non misurata.

La questione della licenza, dove il divario è più piccolo di quanto sembri

Entrambi sono permissivi per l'uso commerciale, cosa insolita in questo campo e che vale la pena dire chiaramente. Ming-3.0-tts-tiny è MIT per pesi e codice, con una nota d'uso che chiede di non impersonare persone senza consenso e di etichettare l'audio sintetico — una richiesta nella documentazione anziché una condizione della concessione. VoxCPM2 è Apache 2.0, esplicitamente libero per uso commerciale, con il proprio linguaggio di uso accettabile.

Nessuna delle due licenze impone una revisione legale che blocchi il progetto, e nessuna delle due contiene l’eccezione per i servizi ospitati che rende alcuni rilasci di modelli vocali open-weight inutilizzabili in produzione. Per un deployment self-hosted le due sono abbastanza vicine da non fare della licenza il fattore decisivo; a esserlo dovrebbero essere il percorso di addestramento, l’impronta di memoria e la velocità.

Nessuno dei due è sulla lavagna, e comunque un numero viene preso in prestito.

Artificial Analysis elenca una voce Ming-3.0-tts a 1.188 Elo su Provider Voice e 1.069 su Controlled Voice. Si tratta del modello 0,5B. Ming-3.0-tts-tiny non ha alcuna riga nell'arena — non classificato, non non classificato, non una voce in anteprima — e il README su GitHub riproduce i valori 1.188 e 1.069 senza indicare quale checkpoint li abbia prodotti.

VoxCPM2 non compare in nessuna riga, in nessuna delle due classifiche, e la sua pagina Hugging Face segnala che nessun provider di inferenza lo distribuisce. Questa assenza non è un punteggio basso. Significa che nessuno ha sottoposto nessuno dei due modelli a un panel di preferenze, quindi l'unica prova di qualità in questo confronto è la suite di Ant da un lato e il nulla dall'altro.

Se hai bisogno di un numero prima di iniziare, il sostituto utile è quello che VoxCPM2 pubblica davvero: il fattore in tempo reale. Non è una metrica di qualità, ma è misurato, è riproducibile sulla tua scheda e ti dice quanto costa far funzionare il modello. L'equivalente di Ming-3.0-tts-tiny è un intervallo che dovrai ricavare da solo.

A cosa serve ciascuno in realtà

Scegli VoxCPM2 quando il carico di lavoro è long-form e sensibile ai costi, quando ti serve una lingua al di fuori delle nove di Ant, quando 8 GB di VRAM contano perché il tuo deployment è su una singola scheda consumer, oppure quando una LoRA sui tuoi cinque minuti di audio è in programma. Il design tokenizer-free e l'output a 48 kHz tramite la super-resolution integrata di AudioVAE V2 sono veri vantaggi ingegneristici, e i cinque mesi di utilizzo pubblico significano che le modalità di errore sono documentate da estranei anziché dal fornitore.

Scegli Ming-3.0-tts-tiny quando ti servono le cose che solo lui offre: un'attività di podcast multi-speaker in un'unica passata, 14 tag paralinguistici inline con controlli espliciti di emozione, velocità, tono e volume, un cast di oltre 100 voci cinesi con cinque voci inglesi, e un modello cinese-first la cui gestione dei dialetti è stata costruita anziché dedotta. Accetta in cambio che sarai il primo team a sottoporlo a benchmark, che il coreano è una debolezza dichiarata, che il fine-tuning non è documentato e che l'intera release ha una settimana di vita.

OrcaRouter non instrada nessuno dei due modelli, e questo articolo non deve essere letto come se suggerisse il contrario — a entrambi si accede scaricandoli ed eseguendoli autonomamente. Ciò che si trova nel catalogo è la metà testuale della stessa pipeline: oltre 200 modelli dietro un'unica chiave al prezzo di listino del fornitore senza alcun ricarico aggiunto, quindi una variazione di prezzo del fornitore ti raggiunge lo stesso giorno, con failover automatico tra fornitori per il modello che scrive lo script o guida l'agente. Con entrambe le opzioni vocali self-hosted e nessuna delle due che comporta un costo per carattere, il costo ricorrente che puoi effettivamente confrontare mese per mese è lo strato testuale, ed è quello che vale la pena mettere dietro un unico endpoint.

Il confronto finisce dove è iniziato: due checkpoint, nessun scoreboard condiviso e una decisione che si riduce a stabilire se servono velocità e fine-tuning su hardware modesto oppure controllo Chinese-first su hardware grande. VoxCPM2 risponde al primo con numeri pubblicati. Ming-3.0-tts-tiny risponde al secondo con un cookbook di attività e nessun dato di throughput, che è la cosa singolarmente più utile che Ant potrebbe pubblicare in seguito.