Ming-3.0-audio-tiny vs Voxtral 4B TTS：一方は声をまとった聞き手、もう一方は音声合成以外を売りにしない

音声生成だけが目的なら、この比較は30秒ほどで決着するはずだ。Voxtral 4B T​TSはテキスト読み上げモデルであり、テキストを入力すると24 kHz音声を出力し、20種類のプリセット音声、9言語、公開されたレイテンシ表を備え、結果の販売を禁じるライセンス条項がある。Ming-3.0-audio-tinyは音声言語モデルで、たまたま音声生成器を含んでいる——17.74 GBのThinkerに1.4 GBのTalkerを取り付けたもので、3つの名前付き音声とクローニング経路を備え、評価セクションで合成を一度も測定していないリポジトリ内にある。音声そのものが製品なら、比較は始まる前から終わっている。このようなリリースの背景にある、記録されたAI障害やエージェントのインシデントは、次にまとめられています：OrcaRouter AI Incident Archiveでは、各項目に独自の出典、重大度、信頼度グレード、異議フラグが付いています。

興味深いのはもう一方の問いだ。音声を理解し、それに音声で応答する必要があるものを作っていて、両方をこなす1つのモデルを買うか、リスナーを専用の音声に接続するかを決めている。ここで30秒は午後いっぱいになる。2つの選択肢は異なる場所で失敗し、計画に使える数値が付いてくるのは片方だけだからだ。

ライセンスはベンチマーク以上に多くを決める

どれだけ評価しても解決できない点から始めましょう。Voxtral 4B TTS は CC BY-NC 4.0、つまり非商用です。これは、モデルの構築に用いた参照音声データセット（EARS、CML-TTS、IndicVoices-R、アラビア語の自然音声セット）から引き継がれたものです。Mistral はこのことをモデルカードで明確に述べ、商用利用者には自社 API を案内しています。したがって、重みは研究・個人利用向けに公開されており、商用ルートはダウンロードではなく料金表です。

Ming-3.0-audio-tiny は、カードのメタデータおよびそれが参照する GitHub リポジトリの LICENSE において MIT です。知っておくべき点として、Hugging Face リポジトリ自体には LICENSE ファイルが含まれておらず、同梱された2つの参照音声にも独自の別条件は付されていません。ここでの MIT は確かに寛容な主張ではありますが、成果物内のファイルではなくメタデータ上の主張であり、調達部門はそれに気づくでしょう。

• 商用利用 — Ming: 可、MIT、重みとコード。Voxtral: 重みからは不可。ベンダーAPIが認められた手段です。

収録ボイス — Ming: 名前付きで3種類、うち2種類はトランスクリプト付きのリファレンスWAVとして同梱。Voxtral: 20種類のプリセット。

• 言語 — Ming：モデル全体として中国語と英語、Talker 用の個別の言語リストはなし。Voxtral：英語、フランス語、スペイン語、ドイツ語、イタリア語、ポルトガル語、オランダ語、アラビア語、ヒンディー語。

• 出力 — Ming：Talker が生成するものに依存。カードにはサンプルレートもコンテナも指定されていません。Voxtral：24 kHz、WAV、PCM、FLAC、MP3、AAC または Opus。

• 実行するもの — Ming: Thinker（17.74 GB）、さらに 2 台目のデバイス上で 1.4 GB の Talker と 1.6 GB の VAE。Voxtral: 少なくとも 16 GB を搭載した単一 GPU 上の BF16 チェックポイント 1 つ。

• 公開されている音声品質 — Ming：なし。Voxtral：こちらもなし。ただし、代わりにレイテンシとスループットの表があり、何もないよりはましです。

最後の行は、この比較の証拠基盤を正直に要約したものだ。どちらのベンダーも、合成音声の自然さスコア、話者類似度、単語誤り率を公開していない。Mistralは処理速度を公開しており、inclusionAIはモデルがどれだけよく聞き取れるかを公開している。どちらがどれだけ自然に聞こえるかを公開した人はいない。

Mistralの数字が実際に語るもの

Voxtral の表はサービングのベンチマークであり、正しく読み解くことが重要です。単一の NVIDIA H200 上で vLLM-Omni 0.18.0 を用い、500文字の入力と10秒の参照クリップで測定した結果は次のとおりです。

• 同時実行数1 — レイテンシ70 ms、リアルタイム係数0.103、GPUあたり毎秒約119文字。

• 同時実行数 16 — 331 ms、RTF 0.237、約 879 文字/秒。

• 同時実行数 32 — 552 ms、RTF 0.302、1秒あたり約1,431文字。

そこから2つのことが言える。第一に、RTFは同時実行数とともに上昇する — 0.103から0.302 — つまりバッチ処理によるスループットの向上は確かに存在するが、サブリニアだ。文字数はおよそ12倍になる一方、リアルタイム係数は約8倍になる。第二に、同時実行数1で最初の音声が出るまでの70 msは、音声エージェントが生きているように感じられるかを決める数値であり、Ming-3.0-audio-tinyにはない数値だ。より悪い値ではない。存在しないのだ。

Mistralはこのすべてに未再現かつベンダー実行というラベルを付けているが、実際その通りだ。しかし少なくとも、手法が添えられた主張ではある。具体的なハードウェア、具体的なランタイムバージョン、具体的な入力長、具体的な参照長が明記されている。ハーネスを再構築することはできるだろう。

ミンの音声経路が答えられないもの

小型モデルの音声出力は、カード内で3つの文で説明されています。組み込み音声または参照音声、3つの名前付き音声、参照クリップとその正確な文字起こしからのクローニングです。デプロイガイドは運用上の詳細を補足しています。カード上では、Talkerは第2段階として0.18秒で動作し、テキストを生成していないため、温度0.0で出力トークン1つに制限されています。

リポジトリのどこにも、合成出力のサンプルレート、自然さの指標、参照クリップとの類似度指標、あるいは3つの声が同じ話者の異なる声域なのか、それとも本当に異なる話者なのかについての記述はない。評価用画像は認識、音声インテリジェンス、テキストを対象としている。音声生成は、ベンダーがハイライトで宣伝している唯一の機能でありながら、まったく評価されていない。

それはスキャンダルではないが、計画上の制約ではある。Voxtralなら、音声を聞く前にデプロイ規模を見積もれる。カード1枚、16 GB、同時実行数1で毎秒119文字、さらに商用利用に向けた料金表もある。Mingの場合は、まずハードウェアを決め（カード2枚、2枚目は使用率0.18）、それから何か生成してみて初めて音声がわかる。

結局のところ、統合モデルが正解となるのはどのような場合か

Talker には確かな存在意義がある。それは「より安価なTTS」ではない。同じモデルが音声を聞き、その内容について今話している、という点にある。Ming-3.0-audio-tiny は音声とテキスト指示を受け取り、テキスト、またはテキストと音声を返す。録音についての質問に、文字起こしを第二のモデルへシリアライズして渡すことなく、一度の処理で音声で答える。第二のモデルも、壊れる中間テキストも存在しないため、「ASRが『their』と言ったのに、TTSが読み間違えた」という失敗は起きない。

それは、音声による質問応答や、部屋の音を聞いて応答するアシスタント、そして今聞いたばかりの何かについて答える一文が答えになるあらゆる用途では重要だ。ナレーション、オーディオブック、吹き替え、あるいはテキストが別のところから来たあらゆるワークロードでは重要ではない——そしてそれこそがVoxtralが作られたワークロードであり、Mingの3種類の声と2言語に対して、20種類の声と9言語を備えている。

• 同一モデルでの一貫性 — Ming: はい、音声から音声まで1回のフォワードパス。Voxtral: 入力がテキストなので、リスニング側の部分はどこか別の場所から供給される必要がある。

• 音声のバリエーション — Ming: 3つの名前付き音声とクローニング。Voxtral: 20のプリセットと参照音声への適応。

• ストリーミング — {{1}}Ming{{/1}}：提供されていません。{{2}}Talker{{/2}}はストリームではなくステージです。{{3}}Voxtral{{/3}}：カードではストリーミングとバッチ推論がうたわれており、ベンダー自身のAPIデモが参照実装です。

• 多言語音声 — Ming: 中国語と英語。Voxtral: 9言語、方言の注記付き。

• コスト構造 — Ming：ハードウェア固定費、2枚のカード、文字数課金なし。Voxtral：非商用利用ならモデル重みは無料、それ以外はすべてAPIが文字数単位で課金。

音声製品にルーターが加えるもの、加えないもの

OrcaRouter はそのどちらも提供していません。Ming-3.0-audio-tiny は自分で実行するチェックポイントであり、Voxtral 4B TTS は Mistral 自身の API を通じて利用できます。どちらも当社のカタログには含まれておらず、本記事はそのどちらかのホスティングを申し出るものでもありません。音声プロダクトにおけるルーターの役割は、音声を囲むテキストにあります。つまり、スクリプトを生成し、Voxtral が対応する 9 言語に翻訳し、発信者が話した内容の要約を書き、あるセグメントに人間の対応が必要かどうかを判断することです。これらは通常のテキスト呼び出しです — 1 つのキーで 200 以上のテキストモデルを、プロバイダー定価に 0% のマークアップを加えた価格で利用でき、自動フェイルオーバーにより、上流の 1 つが午後に不調だったせいで 1 万本のクリップのバッチが滞ることはありません。

それは吹替パイプラインでは実際の節約になるが、単一モデルのデモでは丸め誤差にすぎない。また、この記事が扱っている問題、つまりその声がどれだけ優れているかということには触れていない。

どちらも先に聴かずに選ぶ方法

製品が音声であるなら、Voxtralを選び、ライセンスの予算を確保してください。評価には非商用のウェイトを実行し、出荷するものについてはAPIに移行します。料金は現在の文字単位のレートになります。得られるのは、レイテンシの表、20種類の音声、9言語、そしてvLLM-Omniでテスト済みのランタイムです。商業目的でのセルフホストの権利は失われ、多くのチームにとってはこれが実質的な判断材料となります。

製品が「時々話す理解」を担うものなら、Ming-3.0-audio-tiny を選び、予算は GPU 2台分とし、Talker は未測定の機能として扱う — まずフォールバックを構築する。3つの声すべてで20文を生成して聴き、後から専用の TTS モデルに差し替えられる選択肢を残しておく。Thinker は結局テキストを返すので、アーキテクチャはその差し替えをきれいに支える。Talker は付属物であり、背骨ではない。

そしてどちらの場合も、何を測定したかを書き留めてください。どちらのベンダーもそうしていませんし、どちらかのモデルについて自然さや類似度の数値を最初に公表するチームは、ベンダーも含めてこの分野に貢献することになるでしょう。

32番目の回答（改訂版）

この記事の冒頭にある短い結論では、比較は30秒で終わると述べていた。音声そのものが製品で、ライセンス料を払う用意があるなら、確かに30秒で終わる。しかし、聞いてから話すものを作っているなら、もっと時間がかかる。なぜなら、その二つの選択肢は代替品ではないからだ。一方は耳のない声であり、もう一方は、一度も評価されたことのない声を備えた耳である。30秒でたどり着くのは問いだ。記事の残りの部分は、そのどちらが本当に必要なのかを見極めるための部分である。