Ming-3.0-tts-0.5B vs Voxtral 4B TTS：このうち一方の重みは販売されていない

ベンチマークの前にライセンスを読んでください。この組み合わせでは、ライセンスが先に議論を決着させるからです。Ming-3.0-tts-0.5BはMITです — ダウンロードし、ファインチューニングし、商用製品に組み込んで出荷し、Ant Groupの帰属表示を添えてそのまま進められます。Voxtral 4B TT​SはCC BY-NC 4.0で、その背後にある参照音声データセットから引き継がれたものなので、Mistral AIの重みは商用利用がまったく許諾されていません。Voxtralの商用ルートは、千文字あたり$0.016のAPIです。したがって本当の問いは、どちらのモデルの音が良いかではありません。自分で運用する声を買うのか、呼び出す声を借りるのかということであり、この2つのチェックポイントのうち選べるのは片方だけです。 このようなリリースの背後にある、記録されたAI障害やエージェントインシデントは、the OrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。

その枠組みは比較を簡単にしてくれるように聞こえるが、実際にはそうならない。なぜなら2つのモデルは得意分野が異なり、ホスト型のモデルにはオープンなモデルが提供できないもの、すなわち実運用のサービング基盤上で3段階の同時実行数で計測された、公開済みのレイテンシとスループットの曲線が付いてくるからだ。Ming-3.0-tts-0.5B は2026年9月24日に Hugging Face へ、その推論コードは2026年10月19日に GitHub へ公開されたが、どちらについても Ant Group からの告知はなかった。このモデルは成果物としては19日しか経っておらず、実際に実行できるものとしては数時間しか経っていない。Voxtral 4B TT​S は Mistral によって2026年3月に発表され、計測する時間が7か月あった。以下では、ライセンス、デプロイ形態、双方が正直に主張できる数値、そしてどちらのベンダーも答えていない問いを取り上げる。

テーマの変奏ではない2つのライセンス

• Ming-3.0-tts-0.5B — MIT。商用利用、改変、再配布、ファインチューニングはいずれも許可されており、帰属表示が条件です。2.96 GB のチェックポイントは、コンテナイメージに収め、自社のアクセラレーターで実行し、誰の許可も得ずに顧客へ出荷できます。

• Voxtral 4B TT​S — CC BY-NC 4.0。非商用。Mistralのモデルカードには、このモデルが参照音声のライセンスを継承することが明記されており、その参照音声はEARS、CML-TTS、IndicVoices-R、自然音声のアラビア語セットなどのソースから取得されています。重みのダウンロードは問題なく行えます。制約となるのはファイルではなくライセンスです。

人が誤解している区別は、APIには同じ制限が課されていないということだ。Mistralのサービスを通じてVoxtralを呼び出すのはベンダーとの商取引であり、1000文字あたり0.016ドルがその価格である。それを有料製品の内部でセルフホストすることは別の行為であり、ライセンスが禁じているのはこちらだ。導入をオンプレミスで行わなければならない場合——データレジデンシー、エアギャップ推論、サードパーティのエンドポイントを承認しない顧客——には、Voxtral 4B TTSはどんな価格でも選択肢にならないが、Ming-3.0-tts-0.5Bは無条件で利用できる。

それは厳格な境界であり、より緩やかな境界とは切り分けて考える価値がある。非商用ライセンスでも評価、研究、社内での実験は依然として認められる。したがって、この表を読む際の妥当な解釈は、Voxtral は無料で試せるサービスであり、Ming は完全に所有できる成果物だ、というものになる。

5億パラメータがもたらすもの、そしてもたらさないもの

• サイズとアーキテクチャ — Ming-3.0-tts-0.5B は、Qwen2.5-0.5B をバックボーンとし、diffusion-transformer ヘッドを備えた密な 0.5B モデルであり、チェックポイントにはオーディオトークナイザーと話者エンコーダーが同梱されています。Voxtral 4B TTS は約 40 億パラメータで、vLLM-Omni 経由で提供され、Mistral の Ministral-3-3B をベースに構築されています。

• 出力 — Ming は 44.1 kHz、Voxtral は 24 kHz で、WAV、PCM、FLAC、MP3、AAC、Opus に対応。44.1 kHz のマスターは、動画編集者にそのまま渡せるファイルと、まずリサンプリングが必要なファイルとの違いを生みます。そしてこれは、電話エージェントよりも吹き替えや放送でより重要になります。

• モード — Ming には、相互排他が文書化された名前付きタスク（TTS、FREEFORM、VOICE_DESIGN、MULTILINGUAL、BASIC、EMOTION、DIALECT、IP）があります。Voxtral はストリーミングとバッチに対応していますが、同等のタスク分類は公開されていません。

• 音声 — Ming には100以上の中国語内蔵音声と5つの英語内蔵音声が搭載され、さらに短いクリップからのゼロショットクローニングと自然言語の説明による音声設計も可能です。Voxtral には20のプリセット音声が搭載され、最短3秒の参照クリップに適応します。20は厳選された名簿であり、100は配役リストです。どちらを求めるかは、1つの声を持つ製品を作っているのか、他の人が声を選べるツールを作っているのかによって変わります。

• パラ言語 — Mingの14個のインラインタグは、呼吸、咳、ため息、笑い、ためらい、驚き、質問をカバーし、さらに感情、速度、ピッチ、音量の明示的な制御も備えています。MistralはVoxtral向けのタグ語彙を公開していません。ドキュメントがないことは機能がないことを意味せず、機能がある証拠でもありません。

0.5Bというパラメータ数は誤解されやすい部分だ。MingはVoxtralの小型版ではなく、異なる設計であり、コンパクトなバックボーンに同梱の話者エンコーダーとトークナイザーを組み合わせれば制御可能な音声には十分だと賭け、その容量を規模ではなく制御に費やしている。Ant自身の多言語評価では、5言語中4言語でコンテンツ精度においてVoxCPM2を上回る一方、話者類似度では5言語すべてで下回っている。これは、音色よりも言葉に最適化されたモデルがスコアカード上でどう見えるかを示している。

VoxtralにあってMingにはない唯一の数値

Mistralはサービングベンチマークを公開しました。これは、キャパシティプランニングを行うすべての人にとって、どちらのリリースにおいても最も有用なものです。vLLM-Omni 0.18.0を実行する単一のH200上で、500文字の入力と10秒の音声リファレンスを使用した場合：

• 同時実行数 1 — レイテンシ 70 ミリ秒、リアルタイム係数 0.103、GPU 時間で毎秒約 119 文字。

• 並行数16 — 331ミリ秒、RTF 0.237、1秒あたり約879文字。

• 同時実行数32 — 552ミリ秒、RTF 0.237を引き継ぎ、1秒あたり約1,431文字。

それは3行で示されたキャパシティプランだ。レイテンシは、ほとんどの音声製品が実際に到達する同時接続数をはるかに超えても1秒未満に収まり、スループットは1ストリームから32ストリームでおよそ12倍にスケールする。これはMistral自身のハーネスによるもので、再現はされておらず、基準環境を前提としている。ただし、デプロイの規模を見積もるための形としては使える。

Mingの相当する数値はベンダー報告ではなく独立したもので、測っている内容も少し異なる。Artificial Analysisは独自のハーネス上で、1回に1リクエストずつ、Ming-3.0-ttsを生成時間1秒あたり42.1文字と記録している。これは、異なるハードウェア上で異なる手法によって測られたVoxtralの単一ストリームレートのおよそ3分の1であり、正直に言えば、この2つの数値は直接比較できるものではない。一方はH200上で選択された並行度におけるMistralのスループットであり、もう一方は非公開のハードウェア上での第三者による単一ストリーム測定だ。言えるのは、どちらも対話型音声に十分な速さであり、どちらもリアルタイム性の制約にはならないということだ。

実際に重要になるスループットの差は、ライセンスに連動している。Voxtralの曲線は、重みを中心に構築するのではなくAPIを呼ぶ理由になる。サービングのエンジニアリングはすでに済んでおり、GPU時間単位ではなく文字単位で支払うことになるからだ。Mingのレートは、自社の採算分岐点を計算する理由になる。なぜなら、毎秒42.1文字では100万文字の生成に約6.6時間かかり、それが安いかどうかは、アクセラレータがそれ以外の時間にアイドル状態であるときのコストに完全に依存するからだ。

9言語対7言語、そしてどちらのリストも品質を謳ったものではない

• Ming-3.0-tts-0.5B — 中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語に対応。四川方言と広東語は個別の方言タスクとして扱われ、中国語以外の5言語には明示的な言語識別子が必要です。

• Voxtral 4B TT​S — 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、ヒンディー語、アラビア語。カードには、その対応範囲内における「多様な方言」について記載されているが、個別には列挙されていない。

重複しているのは5言語です。英語、フランス語、スペイン語、ドイツ語、そして地域対応範囲の数え方によって韓国語か日本語のどちらか一方です。各モデルは相手がカバーしていないものをカバーしています——Voxtral側はイタリア語、ポルトガル語、オランダ語、ヒンディー語、アラビア語、Ming側は韓国語、日本語、四川語、広東語です。ロードマップにアラビア語かヒンディー語が含まれるなら、最初のベンチマークを読むまでもなく結論は出ています。

どちらのベンダーも公表していないのは、言語ごとの品質です。Mistralは9言語のいずれについてもエラー率を出していません。AntはMi​niMaxセットで中国語以外の5言語をテストし、数値を公表しましたが、それはAnt自身のハーネスをAntが自ら選んだ競合相手に対して用いたものであり、Voxtralは表に含まれていなかったため、韓国語や日本語についてVoxtralとの比較は何も示していません。したがって、ここでの言語比較は能力ではなくカバレッジであり、それを能力として提示する記事は推測をしていることになります。

両方を備えたボード、という感じかな

両モデルはArtificial Analysisの音声リーダーボードに掲載されていますが、同じ計測日でも同じ比較対象群でもないため、これは直接対決の結果ではなく、傾向を把握するための参考情報として扱ってください。

• Ming-3.0-tts-0.5B — プロバイダーボイス 1,188 Elo（区間 1,173–1,203、順位範囲 17–23、リストの19行目）。統制ボイス 1,069（1,053–1,085、順位範囲 10–18、13行目）。どちらのキャプチャも2026年10月19日、つまり推論コードが公開された日のものです。

• Voxtral 4B TT​S — 制御された音声 1,005 Elo、ランク範囲 24～30、同じ10月19日キャプチャの26行目。そのプロバイダー音声の位置は、確認できた資料には含まれていなかった。

Controlled Voice board は信頼する価値がある。そこではすべてのモデルが同じ固定参照音声をクローンするため、音声キャストが交絡要因にならなくなるからだ。上のキャプチャでは、Ming の 1,069 と Voxtral の 1,005 が 64 ポイント差で並んでおり、順位範囲が重なっていることを踏まえると、正直な結論は「Ming はより後に行われ、より大きな母集団を対象とした測定で高いスコアを出した」ということになる。これを確定した 64 ポイントの勝利と読んではいけない。むしろ、音声忠実度において 0.5B のオープンチェックポイントが 4B のベンダーモデルと並んでも見劣りしない証拠と読むべきで、そこが驚きの部分だ。

セルフホストのMingパイプラインがエンジニアリング面で実際にかかるコスト

Mingの採用は、ダウンロードして関数を呼び出すだけではない。リファレンス環境は固定されている。PyTorch 2.6とCUDA 12.4で、H800-80GBおよびH20-96Gでテスト済み。flash-attentionはオプションで、SDPAへのフォールバックがある。テキスト正規化にはpynini 2.1.6が必要だ。これはインストールが厄介なことで知られるライブラリである。あるいは、正規化を無効にするフラグを渡し、数値、通貨、略語がそのままモデルに渡ることを受け入れるかだ。

それらは比較表には決して現れず、スプリントでは必ず現れるコストだ。Voxtralにおける同等のコストはAPI価格の中に隠れている。環境の固定は他者が行い、並行処理の管理も他者が行う。その代わりに、参照クリップから適応させる以上に声のキャストを変更できず、商用目的で自分が管理するマシンにモデルを載せることもできない。

Ming の成熟度も正直に評価しなければならない。GitHub リポジトリは 2026年10月19日に公開され、最初のコミットには推論コード、Dockerfile、ワンクリックのサンプル、タスククックブックが含まれ、ドキュメントのコミットはその日の午後まで続いた。その中には vLLM-Omni 対応を示すものもあった。vLLM-Omni は Mistral が Voxtral のベンチマークで使ったのと同じサービングスタックであり、これは有用な偶然だ。Ming の本番デプロイへの道筋は、Voxtral がすでに文書化した道筋を一段下ったものにあたる。

ルーティングが当てはまる場所と、それが触れない部分

OrcaRouter は Ming-3.0-tts-0.5B を提供していません。これは自分で実行するチェックポイントです。Voxtral 4B TTS は Mistral 自身の API を通じて利用可能であり、本稿は当社がそれをルーティングしているとは主張していません。どちらのアーキテクチャでも、ルーターが実際に扱うのは音声の周辺にあるテキストです。台本、SSML 風タグの判断、合成前に1つのマスター台本を9言語に変換する翻訳ステップ、時間枠に収まるよう一節を短縮する要約器などです。これらの呼び出しは音声1分あたり数百回発生し、パイプラインのコストと障害モードが実際に集中するのはそこです。

それが私たちの運営するレイヤーです：1つのキーの背後に200以上のテキストモデルを、プロバイダーの定価に0%のマークアップを加えて提供。そのため、ベンダーの値下げは次回の価格改定を待たずに、実施されたその日にあなたのもとへ届きます。プロバイダー間の自動フェイルオーバーにより、1つのプロバイダーの一時的な不調で、音声を支えるスクリプト生成が止まることはありません。また、翻訳ステップとスタイル書き換えで異なるモデルが必要なときに、複数のモデルを1回の呼び出しにまとめるためのルーティングDSLも備えています。チェーンの最後にある音声モデルはあなたが選ぶものであり、この記事はその選び方について説明します。

どちらのカードも教えてくれないこと

実際の導入の多くを左右するのは3つの問いだが、どちらのベンダーもそのいずれにも答えていない。

• 並行実行下で品質はどのように維持されるのか。Mistral は 32 ストリームでのレイテンシとスループットを測定しているが、バッチとストリーミングの間の品質差分は公表していない。Ming のリリースには並行実行に関する説明が一切ない — 単一リクエストのハーネス、リファレンス GPU、vLLM のスループット曲線はなく、サポートに関する注記があるだけだ。

• 生成に失敗したとき、それはどのように聞こえるのか？どちらのカードも、切り詰めの挙動、繰り返しループ、あるいは14タグのスクリプトがモデルの解析できない文と衝突したときに何が起きるかを記載していない。Antのカードは自らの弱点について異例なほど率直だ——不安定な複数イベントのパラ言語情報、言葉自体に感情が伴わないと劣化する感情制御、最も苦手な言語であるフランス語の類似度、そして評価対象となった最強のシステムには及ばないオープンエンドな音声設計——だが、限界のセクションは失敗の分類体系ではない。

• 1年後、これを保守しているのは誰か？ Mistralは商用TTSサービスを持つ企業であり、それを最新に保つ明らかな動機がある。3月のチェックポイントはすでに7か月間安定している。Ming-3.0-tts-0.5Bはいいねが1件、ダウンロードが6件で、この記事を書いた当日に作成されたリポジトリだ。Ant Groupが支援する可能性は十分ある——MingファミリーにはASR、音声、小型の変種が含まれており、単発ではなく継続的な取り組みを示唆している——が、リリースには何も確約されていない。

最後の点こそ、MITライセンスと比較検討すべき点です。寛容なライセンスは、重みを永久に使用する権利を保証しますが、推論コードのバグを誰かが修正してくれることは保証しません。そしてその違いは、7か月目になって初めて見えてくるのです。

決定は、実際に届く順序で

デプロイ制約から始めましょう。それが選択肢を一つ完全に排除するからです。モデルを自分で管理するインフラ上で実行する必要があり、出力が商用利用可能でなければならない場合、答えは Ming-3.0-tts-0.5B です。残る問題はエンジニアリングです。環境を固定し、pynini をインストールするか非正規化テキストを受け入れ、100万文字あたり約6.6 GPU時間を見込み、音声が最良のオープンな代替品よりも参照クリップへの忠実さが少し劣ることを受け入れる必要があります。モデルがアラビア語、ヒンディー語、イタリア語、ポルトガル語、オランダ語を話す必要がある場合、答えは API 経由の Voxtral 4B TTS です。残る問題は商業面です。1000文字あたり0.016ドル、20音声、リサンプリングが必要になる可能性がある24 kHz出力、そしてサイジングの基準となるサービングカーブを公開済みのベンダーです。

どちらの制約も当てはまらない場合、決め手はあなたの製品が何であるかだ。多くの声、方言カバレッジ、インライン感情を必要とする吹き替えや放送のパイプラインなら、Mingの声のラインナップとその44.1 kHz出力を選び、その代価を運用面で払うことになる。予測可能なレイテンシ、ストリーミング、そして他にオンコール対応者がいることを必要とする音声エージェントやIVRなら、VoxtralのAPIを選び、文字単位の料金と、20を超えて拡張できない声のラインナップを失うことで代価を払うことになる。

{{1}}どちらか{{/1}}を実行する前にやっておく価値があることが1つあります。それは、今後12か月に実際にリリースする言語と、そのうち法務チームが自社インフラの外への持ち出しを許可する言語を書き出すことです。この2つのリストは、どんなEloの数値よりも速く、これをモデル比較から単一候補へと絞り込みます。しかも、リーダーボードとは違って最新の情報です。