Ming-3.0-tts-tiny 対 VoxCPM2：2つのチェックポイント、そのうち速度を公表しているのは1つ

これはMing-3.0-tts-tinyシリーズで唯一、両側を実際に実行できる比較であり、そのことが議論の焦点を変える。Ming-3.0-tts-tinyは、Ant GroupのinclusionAIによる79億パラメータのMixture of Expertsで、トークンあたり約13億を活性化し、MITライセンス、ディスク上で約18GB、推奨カードとしてH800が挙げられている。VoxCPM2は、OpenBMBによる20億パラメータのトークナイザーフリーのモデルで、MiniCPM-4をバックボーンとし、Apache 2.0、bfloat16で約8GB、2026年4月にリリースされた。どちらもリーダーボードの行を持たない。どちらもホスト型の価格を持たない。両方のモデルがダウンロード可能でどちらもスコアが付けられていない場合、比較は好みの問題ではなく算数の問題になる。GPU時間あたりの音声時間、プロセスあたりのメモリ、そしてトレーニングコードを自分で書かずにそのモデルをファインチューニングできるかどうかである。このようなリリースの背後にある、文書化されたAIの失敗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、各エントリには独自の情報源、重大度、信頼度グレード、および係争中フラグが付いている。

リリース履歴は率直に述べておく価値がある。なぜなら、それが成熟度の差を説明しているからだ。VoxCPM2は4月から公開されており、直近1か月で約847,000ダウンロードを積み上げ、推論と併せて学習スクリプトも提供している。Ming-3.0-tts-tinyのリポジトリは2026年9月22日に作成され、重みは9月24日に公開され、それを実行するコードは10月19日08:58 UTCに9つのコミットが一気に届くまで公には存在しなかった。Antはこのモデルを発表していない。技術レポートはなく、ロードマップでは未チェックの項目として記載されており、モデルカードは10月16日に、技術レポートへの言及を削除するために編集された。つまり、一方はユーザーベースを持つ5か月前のプロジェクトであり、もう一方は執筆時点で1週間前にすぎないパイプラインである。

そのうちの1番目のものは公開し、もう一方は公開しない

VoxCPM2のカードには、RTX 4090上の標準PyTorchでリアルタイム係数が約0.30、Nano-VLLMでは約0.13まで下がると記載されています。リアルタイム係数は音声1秒あたりの計算秒数なので、この2つの数値は、GPU 1時間で前者では約3.3時間分、後者では約7.7時間分の完成した音声が得られることを意味します。

Ming-3.0-tts-tiny はスループットをまったく公開していません。リアルタイム係数も、毎秒文字数も、カード上で測定された値もありません。このリリースが示すのは、検証に用いた環境 — Python 3.10.15、torch および torchaudio 2.7.1（CUDA 11.8）、transformers は 4.46.3 に固定、H800、そして実行を無駄にする前にインストール状態を確認する事前チェックスクリプト — に加えて、アーキテクチャです。BF16 で 8,980,964,372 パラメータ、F32 で 40,096、合計 7.9B のエキスパートスタックで、トークンあたり約 1.3B がアクティブです。

0.5B の兄弟モデルのスループットを借りて差を埋めることはできません。そのモデルは独立した評価ハーネスで毎秒 42.1 文字と測定され、2.96 GB を占めます。一方、小型モデルはトークンあたり約 2.5 倍のパラメータを活性化し、ディスク容量は約 6 倍です。スパースルーティングは、総量が大きいことによるコストの一部を取り戻します。それがこのアーキテクチャの狙いそのものですが、Ant の外部で、その効果をどれだけ取り戻せるのか数値化した者は誰もいません。

穴のあるコスト計算を行っている。

一方は速度を公表しており、もう一方は公表していないため、この比較を誠実に行うなら、単一の数値ではなく範囲で示すことになります。その概略は次のとおりです。

• RTX 4090上のVoxCPM2、PyTorch — RTF 0.30、つまりGPU時間あたり3.3時間分の音声。ナレーション100万文字は、音声でおおよそ毎秒15文字とすると約18.5時間の完成音声になり、およそ5.6 GPU時間に相当します。

• 同じカード上のVoxCPM2、Nano-VLLM — RTF 0.13、つまりGPU 1時間あたり7.7時間、同じ100万文字なら約2.4 GPU時間。サービングスタックは重みに触れることなく、出力を2倍以上にします。

• Ming-3.0-tts-tiny — 不明。仮に毎秒20文字とすると、生成には約14時間かかる計算になる。毎秒10文字なら約28時間。どちらの数値も実測値ではなく、誰かが公表するまではプレースホルダーとして扱うべきだ。

• メモリ — VoxCPM2 は bf16 で約 8 GB と公称しており、24 GB のコンシューマー向けカードにもバッチ処理の余地を残して収まります。Ming-3.0-tts-tiny は 18 GB の重みに加えてアクティベーションと音声デコーダーが必要なため、妥当なターゲットは 80 GB の H800 であり、24 GB カードでは不十分です。

• シーケンス上限 — VoxCPM2 は 8,192 トークンが上限で、長文作業における実質的な制約となるため、本格的に取り組む前に最長の段落に照らして確認する価値があります。Ming-3.0-tts-tiny は同等の上限を公表していません。長文向けの経路はポッドキャストタスクで、単一の発話ではなく台本を受け取ります。

欠けている数値があっても揺るがない結論は、速度ではなく稼働率に関するものだ。遊んでいるカードは、価格がいくらであってもあらゆるホスト型APIに劣る。すでに所有していて稼働させ続けているカードなら、この2つのどちらを動かしていても、限界費用では勝つ。0.30 RTFと0.13 RTFの差は、音声1時間あたりのコストで2.3倍であり、これは多くのチームがサービングスタックの変更から期待する以上に大きく、パラメータ数の差から示唆される以上に大きい。

ファインチューニングとなると、両者はもはや比較にならない。

VoxCPM2は、わずか5～10分の音声による完全な教師ありファインチューニングとLoRAの両方について、それぞれトレーニングスクリプトと設定を用意し、文書化しています。これは脚注ではありません。振る舞いを借りるモデルと、振る舞いを所有するモデルの違いなのです。

Ming-3.0-tts-tiny が文書化しているのは推論であり、トレーニングではありません。このリポジトリはタスクのクックブックです — シード音声のクローニング、多言語、パラ言語、ポッドキャスト、基本属性、感情、方言、自由形式、音声デザイン、そして「ip」タスク — が、単一の MingTinyTTS.from_pretrained エントリポイントを中心にまとめられています。LoRA のレシピも、SFT の設定も、ファインチューニングがそもそもサポートされているかどうかの記述もありません。実現可能である可能性は十分あります。チェックポイントはチェックポイントですから。しかし「可能」と「動作するスクリプトを伴って文書化されている」は必要なエンジニアリングの量が異なり、VoxCPM2 が提供しているのは後者です。

ブランドボイス、規制対象の領域、あるいはどちらのモデルもそのままではうまく扱えない言語にとって、それが決定的な非対称性になる。参照音声5分と提供された設定なら1週間の作業だ。参照実装のないスパースな7.9Bモデルの学習経路をリバースエンジニアリングするのは四半期の作業だ。

言語、方言、そして「30言語」がもたらすもの

• Ming-3.0-tts-tiny — 中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語に加え、各方言の参照クリップを提供すれば四川語と広東語にも対応します。2つの方言を数に入れると合計9種類です。

• VoxCPM2 — 広東語や四川語を含む30言語に対応。カードには言語タグが不要と記載されている。テキストを渡せば、言語を推測してくれる。これは便利だが、失敗モードを伴う。混在言語のテキストは自分ではなくモデルによって解決されるからだ。

両者が共通して対応する言語について、言語別のエラー率を公表しているのは一方だけであり、それはAntだ。ドイツ語0.325%の文字エラー、スペイン語0.971%、日本語3.427%、フランス語3.470%、韓国語6.000%——いずれもAnt自身の評価ハーネス上で、いずれも再現されていない。VoxCPM2は言語別の表を公表していないため、広さの優位性を深さの主張と照らし合わせて検証することはできない。ここで言語品質の勝者を挙げる者は、あるベンダーの表計算シートを、別のベンダーの沈黙と突き合わせて引用しているにすぎない。

韓国語の数値は独立した一文に値する。なぜなら、それは Ming-3.0-tts-tiny の記録における最も明確な欠陥だからだ。文字誤り率は 6.000% で、同じ言語について同モデルの 0.5B 兄弟モデルが記録する 1.728% の約 3.5 倍に当たる。モデルカードは既知の弱点に韓国語を挙げているが、メカニズムは何も示していない。スパースルーティングによる説明はもっともらしいが、測定されていない。

ライセンス問題、その隔たりは見た目ほど大きくない

どちらも商用利用を許容する寛容なライセンスで、この分野では珍しく、はっきり言っておく価値があります。Ming-3.0-tts-tiny は重みとコードが MIT で、同意なく人になりすまさないこと、合成音声であることを明示することを求める利用上の注意が付いています。これは許諾の条件ではなく、ドキュメント内での要請です。VoxCPM2 は Apache 2.0 で、商用利用が明示的に自由であり、独自の許容利用に関する文言があります。

どちらのライセンスも、プロジェクトを終わらせるような法務レビューを強制するものではなく、一部のオープンウェイト音声リリースを本番環境で使えなくするホステッドサービス向けの除外条項もありません。セルフホスト型の導入では、両者はライセンスが決め手になるべきではないほど近接しているため、判断材料はトレーニングの経緯、メモリフットプリント、速度であるべきです。

どちらもボード上にはなく、それでも片方の数字は借りられる

Artificial Analysis はMing-3.0-ttsを Provider Voice で 1,188 Elo、Controlled Voice で 1,069 のエントリとして掲載している。これは 0.5B モデルだ。Ming-3.0-tts-tiny には arena の行がなく — ランク付けもランク外もされておらず、プレビューエントリでもない — そして GitHub README は、どのチェックポイントがそれらの数値を出したのかを明記せずに、1,188 と 1,069 の数値を再掲している。

VoxCPM2はどちらのボードにも行がまったくなく、そのHugging Faceページには、推論プロバイダーがこれをデプロイしていないと記されています。この不在は低スコアではありません。つまり、どちらのモデルも選好パネルの前に置かれたことがなく、この比較における唯一の品質証拠は、一方がAnt自身のスイートで、もう一方は何もないということです。

始める前に数値が必要なら、有用な代替は VoxCPM2 が実際に公開しているリアルタイム係数です。これは品質指標ではありませんが、測定値であり、自分のカード上で再現でき、モデルの運用にどれだけコストがかかるかを示します。Ming-3.0-tts-tiny の相当値は、自分で出す必要がある範囲です。

それぞれが実際に何のためのものか

VoxCPM2 を選ぶのは、ワークロードが長尺でコストに敏感な場合、Ant の9言語以外の言語が必要な場合、デプロイ先が単体のコンシューマー向けカードで 8 GB の VRAM が問題になる場合、あるいは自分で録った5分間の音声で LoRA を組む予定がある場合だ。トークナイザー不要の設計と、AudioVAE V2 に内蔵された超解像による 48 kHz 出力は紛れもないエンジニアリング上の利点であり、5か月間の公開利用実績のおかげで、障害の現れ方はベンダーではなく他人によって文書化されている。

Ming-3.0-tts-tiny は、同モデルだけが提供する次のような機能が必要なときに選んでください。1回のパスでこなすマルチスピーカーのポッドキャストタスク、感情・速度・ピッチ・音量を明示的に制御できる14個のインライン準言語タグ、100以上の中国語音声キャストと5つの英語音声、そして方言の扱いが推測ではなく作り込まれた中国語ファーストモデルです。その代わりに、それを最初にベンチマークするチームになること、韓国語が公表済みの弱点であること、ファインチューニングが文書化されていないこと、リリース全体がまだ1週間しか経っていないことを受け入れてください。

OrcaRouterはどちらのモデルもルーティングしません。また、本記事をそう示唆するものとして読むべきではありません — どちらもご自身でダウンロードして実行することで利用できます。カタログに載っているのは、同じパイプラインのテキスト部分です：1つのキーで200以上のモデルをプロバイダーの定価で、マークアップを加えずに提供しているため、ベンダーの価格変更がその日のうちに反映されます。スクリプトを作成したりエージェントを動かしたりするモデルについては、プロバイダー間の自動フェイルオーバーも備えています。両方の音声オプションがセルフホスト型で、どちらも文字単位の課金がないため、月ごとに実際に比較できる継続コストはテキスト層であり、単一のエンドポイントの背後に置く価値があるのはこの層です。

この比較は最初と同じ地点で終わる。2つのチェックポイントがあり、共通のスコアボードはなく、判断は、手頃なハードウェアでの速度とファインチューニングが必要か、それとも大規模なハードウェア上での中国語優先の制御が必要か、という点に帰着する。VoxCPM2は前者に公表済みの数値で答える。Ming-3.0-tts-tinyは後者にタスククックブックで答え、スループットの数値は示していない。それはAntが次に公開できれば最も有用な単一の情報だ。