Ming-3.0-tts-0.5B vs VoxCPM2：言葉では一方が勝り、声ではもう一方が勝る

公表されている比較はただ一つしかなく、それはMing-3.0-tts-0.5BとVoxCPM2のもので、Ant Group が書いた。自社のモデルカードで、Ant はこの2つの多言語音声モデルを、ドイツ語、スペイン語、フランス語、韓国語、日本語にわたる Mi​niMax テストセットでベンチマークしている。Ming-3.0-tts-0.5B は5言語のうち4言語でより正確な単語を生成する。VoxCPM2 は5言語すべてでより忠実な声を生成する。その単一のパターン — 内容の正確さは 0.5B チェックポイントに、話者類似度は 2B のものに — は、この対決について誰かが公表した中で最も有用なものだ。そしてそれはベンダー自身の表なので、最も注意書きを必要とするものでもある。Ant は公表を選んだエラー率で勝ち、同じページ上で類似度スコアでは負けている。 このようなリリースの背景にある、文書化された AI の障害やエージェントのインシデントは、OrcaRouter AI Incident Archive に収集されており、各項目には独自の情報源、重大度、信頼度グレード、異議ありフラグが付いている。

両モデルはオープンウェイトで、いずれも商用利用が可能であり、サービスとして呼び出すのではなく、あなた自身が運用する。Ming-3.0-tts-0.5BはAnt GroupによるMITライセンスのdenseモデルで、Qwen2.5-0.5Bをバックボーンにdiffusion-transformerヘッドを備え、2026年9月24日にHugging Faceへ公開され、推論コードは2026年10月19日にGitHubで続いて公開され、どちらについてもベンダーによる発表はなかった。VoxCPM2はOpenBMBの2026年4月のApache-2.0チェックポイントで、MiniCPM-4をバックボーンとする2Bのトークナイザーフリーdiffusion-autoregressiveモデルである。以下に述べることはすべて、このサイズとライセンスの違い、および一方だけが独立したアリーナスコアを持ち、もう一方は持たないという事実から導かれる。

Ant自身の表が実際に示していること

Mi​niMaxの多言語テストセットは、コンテンツエラー——ドイツ語・スペイン語・フランス語は単語誤り率、韓国語・日本語は文字誤り率——と話者類似度コサインを報告している。誤り率は低いほど良く、類似度は高いほど良い。Antが両モデルを自ら実行した。ここにあるものは第三者によって再現されたものではなく、VoxCPM2のメンテナが反論表を公開しているのも、私たちが確認できた限りでは見当たらない。

• ドイツ語 — Ming-3.0-tts-0.5B エラー 0.365、類似度 0.753、VoxCPM2 エラー 0.963、類似度 0.790。

• スペイン語 — Ming 1.099、類似度 0.763；VoxCPM2 1.324、類似度 0.836。

• フランス語 — Ming 4.264、類似度 0.675、VoxCPM2 3.380、類似度 0.761。エラー順位が逆転する唯一の言語です。

• 韓国語 — Ming 1.728、類似度 0.793；VoxCPM2 3.547、類似度 0.839。

日本語 — Ming 3.765、類似度 0.765、VoxCPM2 4.358、類似度 0.825。

どちらのモデルにも評価が与えられる前に、注目すべき点が2つあります。第一に、ドイツ語の差は大きく、0.365 対 0.963 です。一方、韓国語と日本語の差はより小さく、フランス語の結果は逆方向です。したがって「より高精度」は言語ごとの主張であり、一般的な主張ではありません。第二に、その表のどのモデルでもフランス語のエラー率は高く、それらと並んで記載されている競合モデルはそこで19.878を記録しています。分野全体が悪い数値に集中している言語では、モデルではなくテストセットが結果の一部を左右しています。フランス語はVoxCPM2の勝利と見なすのではなく、結論を出せないものとして扱ってください。

類似度の列こそ、二度読むべき理由

話者類似度は、出力が参照音声とどれだけ似て聞こえるかを測る指標です。これはデモと製品を分ける指標でもあります。クローン化した声がずれてしまうと、たとえ一語一句が正確でも、聴き手はその場面から引き離されてしまいますし、そのことに下流のASRスコアが教えてくれることは決してありません。

Mingは5言語すべてで負けており、その差は0.037（スペイン語）から0.086（フランス語）の間に収まる。これらは有界尺度上のコサイン距離なので、差は控えめだが一貫しており、5言語にわたる一貫性は、単一の悪い行よりも言い逃れしにくい。率直な説明はAnt自身のカードにあり、そこには話者類似度が内容精度に劣ると明記されている。モデルは言葉を正しく捉えることに向けて調整されていた。

これが予想される第二の、より具体的な理由はアーキテクチャにあります。VoxCPM2はAudioVAE V2トークナイザー内蔵の超解像ステージを通じて48 kHzでデコードし、16 kHzの参照クリップを受け入れながら48 kHzの出力を生成します。Ming-3.0-tts-0.5Bは44.1 kHzで動作します。サンプルレートは類似性ではありません。より高いレートが声をより忠実にするわけではありませんが、VoxCPM2のパイプラインはリサンプリング工程を通じて参照音声の特徴を保つことを明示的に中心に据えて構築されており、それは話者エンコーダーを同梱した0.5Bモデルが採らない設計上の選択です。

つまり、正直に読み解くなら、「VoxCPM2はより大きいからより良くクローンできる」ということではない。そうではなく、二つのモデルは同じ目的関数の異なる半分をそれぞれ最適化しており、ベンダーの表はそれぞれが自分の担当する半分で勝っていることを示しているのだ。

声をクリッピングする：2つのAPI、2つの哲学

どちらも短いクリップからゼロショットでクローンする。統合を書く場合、両者の仕組みの違いは無視できないほど大きい。

• Ming-3.0-tts-0.5B — 単一のエントリーポイント、1つのタスク引数。MingTTS("inclusionAI/Ming-3.0-tts-0.5B") を呼び出し、次に synthesize(task=...) を prompt_wav_path、prompt_text および use_spk_emb とともに実行します。タスクには TT​S、VOICE_DESIGN、MULTILINGUAL、DIALECT、EMOTION、FREEFORM、IP が含まれます。チェックポイントにはバックボーン、DiT ヘッド、オーディオトークナイザー、Campplus 話者エンコーダーが同梱されているため、クローニングは別個のパイプラインではなく第一級のタスクです。

• VoxCPM2 — pip install voxcpm、続いて VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)。ボイスデザインはテキスト自体の先頭に付ける括弧書きのプレフィックスで、"(description)text"のように記述し、cfg_value=2.0とinference_timesteps=10がドキュメントに記載された開始値です。

その結果、Mingの制御サーフェスは構造化されており、VoxCPM2のそれはテキストベースである。Mingは名前付きタスクを提供し、相互排他が文書化されている。FREEFORMは音声デザイン、内蔵音声、感情、方言、属性の各コントロールと組み合わせることはできず、多言語タスクでは中国語以外の5言語について明示的なlanguage_idが必要である。覚えることは増えるが、推測する余地は減る。VoxCPM2の単一文字列は試すのは速いが、決定論的にするのは難しい。OpenBMB自身のモデルカードは、音声デザインとスタイルが実行ごとに変わるため、1〜3個の候補を生成するよう勧めている。

プロデューサーがリストから声を選ぶUIを構築する場合、Mingの100種類超の組み込み中国語音声と5種類の組み込み英語音声は、レンダリングできるメニューになります。VoxCPM2には同等の名簿はありません。その声は設計またはクローンされるものであり、列挙されるものではないからです。

言語、方言、そしてパラ言語的層

• 言語数 — Ming-3.0-tts-0.5B は中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語をカバーし、さらに四川語と広東語を個別の方言タスクとして扱います。VoxCPM2 は30言語をうたっています。Ant は中国語以外の5言語をテストしました。OpenBMB は検証可能な言語別エラーテーブルを公開していないため、この30という数字は、品質に関する主張を伴わないカバレッジの主張です。

• 方言 — Mingは四川語と広東語を、言語引数を取らないタスクとして公開している。VoxCPM2の30言語リストは、我々が読んだ資料では方言別に分けられておらず、言語がカバーされているからといって地域変種もカバーされていると見なすことが、この箇条書きが防ぐために存在する誤りである。

• インライン制御 — Ming は、呼吸、咳、ため息、笑い、ためらい、驚き、質問のための14個のタグを中国語または英語で備えており、さらに感情、速度、ピッチ、音量を明示的に指定できます。VoxCPM2 にはタグ語彙がなく、その制御は自然言語の説明プレフィックスです。

• Ant自身も認めている弱点 — 複数の事象を含むパラ言語的な文は不安定で、テキストに感情的な信号が含まれていないと感情制御が低下し、オープンエンドな音声設計はAntが比較評価した中で最も強力なシステムには及ばない。その最後の点は、ホスト型フロンティア音声とのギャップを的確に表しており、VoxCPM2にも当てはまる。

実用上の使い分け：台本の文中に笑い声、ため息、ためらいの間が必要ならMingを選んでください。台本にMingが対応していない言語が必要な場合、または名前付きプリセットではなく文章で書かれた説明から設計された声が必要な場合は、VoxCPM2を選んでください。

実行中: CUDAピンに対して8 GB

• Ming-3.0-tts-0.5B — NVIDIA H800-80GB および H20-96G（CUDA 12.4）でテスト済みです。Flash-attention はオプションで、SDPA フォールバックがあります。テキスト正規化には pynini==2.1.6 が必要です。または --no_text_normalization を渡して、生の数値や略語がそのままモデルに渡されることを許容してください。PyTorch 2.6 が参照環境です。出力は 44.1 kHz です。

• VoxCPM2 — 開発用途ではbf16で約8 GBのVRAM、24 GBカードではピーク時約22 GB。Python 3.10以降、PyTorch 2.5.0以降、CUDA 12.0以降。記載されているリアルタイム係数は、RTX 4090上で通常のPyTorchでは約0.30、Nano-VLLMでは約0.13 — リアルタイムより約2〜3倍高速、サービング層を使うと約8倍高速です。

これら2つの段落は、まったく異なるエンジニアリングの午後を描いている。{{1}}Ming のスタック{{/1}}はより新しく、より脆い方だ。固定された{{2}}FST{{/2}}ライブラリ、オプションのカーネル、特定の{{3}}CUDA{{/3}}ビルドに固定された参照環境から成る。{{4}}VoxCPM2{{/4}}は4月に登場して以来、6か月分のコミュニティによるインストール報告を取り込んできた。その成熟度の優位性は現実のものだが、一時的なものだ。{{5}}Ming の推論コード{{/5}}はこの記事が書かれた日に公開され、リポジトリは同じ日の午後のドキュメントコミットで{{6}}vLLM-Omni{{/6}}サポートの注記を加えた。

どちらのモデルも、当方が特定できたホスト型推論プロバイダーからは提供されていません。これはこの比較における欠落というより、むしろ比較の前提そのものです。どちらもダウンロードして使うチェックポイントだからです。とはいえ、独立した証拠が偏っていることは確かです。Ming-3.0-tts-0.5B には、両方の音声ボードに Artificial Analysis の行があります。Provider Voice では 1,188 Elo（区間 1,173–1,203、順位範囲 17–23、2026年10月19日に取得したリストの19行目）、Controlled Voice では 1,069（1,053–1,085、順位範囲 10–18、同日の13行目）です。VoxCPM2 は、最新の取得時点でどちらのボードにも行がなく、この不在は最近の漏れではなく4月以降ずっと続いています。したがって、この記事で唯一の独立した数値は Ming のものであり、それなりの立派な数値です。VoxCPM2 にはそれに対抗できるものはなく、誰も測定していない直接対決の Elo を正直な記事がでっち上げることはできません。

ライセンス、ファインチューニング、そして誰も問わない問い

両方のライセンスは商用利用を許可しています。MingはMITライセンスで、これはライセンスとしてほぼ最も寛容な部類であり、必要なのは帰属表示のみです。VoxCPM2はApache 2.0で、明示的な特許許諾と商標に関する除外条項が追加されています。ほとんどのチームにとって、その違いは法的というより事務的なものであり、どちらも調達アンケートに対して明確な回答となりますが、非商用ライセンスはそうではありません。

本当の非対称性はファインチューニングにある。VoxCPM2は5～10分の音声での完全な教師ありファインチューニングとLoRAを文書化しており、つまり小規模なデータセットと単一GPUで、モデルを特定の話者やスタイルに寄せられる。Ming-3.0-tts-0.5Bは、私たちが読んだリリースにファインチューニングのレシピもトレーニングスクリプトもLoRAの経路も含まれていない。製品に、プロンプトで指示するモデルではなく自分たちのモデルが必要なら、それはベンチマークの差ではなく能力の差であり、Eloの数値を見るまでもなく選択を決める。

同じニーズに対するMingの答えは、音声デザインとクローニングです。声を説明するか、クリップを提供します。これはほとんどの制作ニーズをカバーしますが、独自の音声で大規模にトレーニングすることを伴うニーズはカバーしません。

ここでルーティング層がその価値を発揮する場面

OrcaRouterはMing-3.0-tts-0.5BもVoxCPM2もホストしていません。どちらも当社がエンドポイントを提供できるモデルではなく、本記事ではそうでないふりはしません。ルーターが音声パイプラインで到達できるのは、波形より上流のすべてです。台本を起草し、略語を展開し、笑いタグをどこに置くかを決め、3.2秒の枠に3.8秒で出てきた文を書き直すモデルです。これらはテキスト呼び出しであり、当社は1つのキーの背後で、プロバイダー定価に0%のマークアップを加えた価格で200以上のテキストモデルをルーティングします — そのため、ベンダーが値下げすると、その値下げは次回の価格改定時ではなく当日に当社側でも反映されます。自動フェイルオーバーにより、パイプラインのその半分は応答し続けます。一方、音声の半分はご自身で運用するダウンロードです。

それが正直な境界線だ。ルーターは、自分のGPUで動かすチェックポイントには不適切なツールであり、そのチェックポイントに何を語らせるかを決めるモデルには適切なツールだ。

リーダーボードを盾に隠れることなく、選ぶこと

コンテンツが多言語で、関係者が議論する指標が単語の正確さである場合、名前付きプリセットを備えた中国語優先の音声カバレッジが必要な場合、インライン感情タグがスクリプト形式の一部である場合、手頃なハードウェアに余裕で収まる2.96 GBのMITチェックポイントが欲しい場合、または0.5Bのパラメータ数が実現可能な単位コストと実現不可能な単位コストを分ける場合には、Ming-3.0-tts-0.5Bを選んでください。声はVoxCPM2のものより参照音声への忠実度がわずかに低くなること、推論コードは数時間前にできたばかりであること、ファインチューニングの手段がないことを承知の上で臨んでください。

声のアイデンティティそのものが製品である場合——吹き替え、キャラクター制作、リスナーがクローンのドリフトに気づいてしまうようなあらゆる用途——にはVoxCPM2を選んでください。Mingがカバーしていない言語が必要な場合、自分の音声でファインチューニングする予定がある場合、あるいは4月以降予期せぬトラブルなくインストールできてきたスタックを望む場合にも。

決定打は安上がりで、上記のどの数値もそれに代わるものではない。自分のテキストから100文と参照用クリップを1本用意し、両方を実行しよう。単語はASRモデルで採点し、声はAntが使ったのと同じコサイン指標で採点する。そうすれば、自分のコンテンツで、自分のアクセントで、午後には言語ごとの答えが得られる——これは公開テストセットに基づくベンダーの表から得られるものより多く、2つのモデルのうち1つしか載せていないリーダーボードよりはかなり多い。