Ming-3.0-tts-0.5B vs VoxCPM2: 한쪽은 단어에서, 다른 쪽은 목소리에서 승리한다

공개된 비교는 정확히 하나뿐입니다: Ming-3.0-tts-0.5B와 VoxCPM2, 그리고 그것을 작성한 곳은 Ant Group입니다. 자사 모델 카드에서 Ant는 두 다국어 음성 모델을 독일어, 스페인어, 프랑스어, 한국어, 일본어에 걸쳐 Mi​niMax 테스트 세트로 벤치마크했습니다. Ming-3.0-tts-0.5B는 다섯 언어 중 네 언어에서 더 정확한 단어를 생성합니다. VoxCPM2는 다섯 언어 모두에서 더 충실한 음성을 생성합니다. 그 하나의 패턴 — 콘텐츠 정확도는 0.5B 체크포인트에, 화자 유사도는 2B 체크포인트에 — 은 이 맞대결에 관해 누군가 공개한 것 중 가장 유용한 정보이며, 벤더 자체의 표이기도 하므로 가장 주의가 필요한 것이기도 합니다. Ant는 자사가 공개하기로 선택한 오류율에서는 이기고, 같은 페이지의 유사도 점수에서는 집니다. 이번과 같은 릴리스의 배경이 되는, 문서화된 AI 실패와 에이전트 사고들은 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰 등급, 이의 제기 여부 플래그가 함께 제공됩니다.

두 모델 모두 오픈 가중치이고, 둘 다 상업적 사용을 허용하며, 둘 다 서비스로 호출하는 것이 아니라 직접 운영하는 모델입니다. Ming-3.0-tts-0.5B는 Qwen2.5-0.5B 백본에 디퓨전 트랜스포머 헤드를 결합한 Ant Group의 MIT 라이선스 덴스 모델로, 2026년 9월 24일 Hugging Face에 공개되었고 추론 코드는 2026년 10월 19일 GitHub에 뒤이어 공개되었으며, 두 모델 모두 벤더 공지가 없었습니다. VoxCPM2는 OpenBMB의 2026년 4월 Apache-2.0 체크포인트로, MiniCPM-4 백본을 사용하는 2B 토크나이저 없는 디퓨전-자기회귀 모델입니다. 아래의 모든 내용은 이러한 크기와 라이선스 차이, 그리고 둘 중 하나는 독립적인 아레나 점수가 있고 다른 하나는 없다는 사실에서 비롯됩니다.

Ant의 자체 표가 실제로 말하는 내용

MiniMax 다국어 테스트 세트는 콘텐츠 오류, 즉 독일어·스페인어·프랑스어의 단어 오류율과 한국어·일본어의 문자 오류율을 화자 유사도 코사인 값과 함께 보고합니다. 오류는 낮을수록 좋고, 유사도는 높을수록 좋습니다. Ant가 두 모델을 직접 실행했습니다. 여기서 제3자가 재현한 것은 없으며, VoxCPM2의 유지관리자들이 반박 표를 게시한 것도 찾을 수 없었습니다.

• 독일어 — Ming-3.0-tts-0.5B 오류 0.365, 유사도 0.753; VoxCPM2 오류 0.963, 유사도 0.790.

• 스페인어 — Ming 1.099, 유사도 0.763; VoxCPM2 1.324, 유사도 0.836.

• 프랑스어 — Ming 4.264, 유사도 0.675; VoxCPM2 3.380, 유사도 0.761. 오류 순위가 뒤바뀌는 유일한 언어입니다.

• 한국어 — Ming 1.728, 유사도 0.793; VoxCPM2 3.547, 유사도 0.839.

• 일본어 — Ming 3.765, 유사도 0.765; VoxCPM2 4.358, 유사도 0.825.

어느 모델이든 성과를 인정받기 전에 두 가지를 짚어볼 만하다. 첫째, 독일어 격차는 0.365 대 0.963으로 크고, 한국어와 일본어 격차는 더 작으며 프랑스어 결과는 반대 방향으로 나타난다. 따라서 “더 정확하다”는 것은 언어별 주장이지 일반적인 주장이 아니다. 둘째, 그 표에 있는 모든 모델에서 프랑스어 오류율이 높다. 나란히 기재된 경쟁 모델은 그 항목에서 19.878을 기록한다. 온 분야가 나쁜 수치에 몰려 있는 언어라면, 모델이 아니라 테스트 세트가 일부 역할을 하고 있는 언어다. 프랑스어는 VoxCPM2의 승리로 보기보다 결론이 나지 않은 것으로 취급해야 한다.

왜 유사도 열을 두 번 읽어야 하는가

화자 유사도는 출력이 참조 음성처럼 들리는지를 측정합니다. 이것은 데모와 제품을 구분하는 지표입니다. 표류하는 복제 음성은 모든 단어가 맞더라도 청취자를 장면 밖으로 끌어내며, 어떤 다운스트림 ASR 점수도 그런 일이 일어났다고 알려주지 않습니다.

Ming은 다섯 언어 모두에서 0.037(스페인어)에서 0.086(프랑스어) 사이의 격차로 뒤진다. 이는 한정된 척도상의 코사인 거리이므로 격차는 크지 않지만 일관되며, 다섯 언어에 걸친 일관성은 단 하나의 잘못된 행보다 설명하기 어렵다. 솔직한 설명은 Ant 자체 카드에 있는데, 화자 유사성이 콘텐츠 정확도에 뒤진다고 분명히 밝히고 있다. 이 모델은 단어를 정확히 맞히는 쪽으로 조정되었다.

이를 예상할 두 번째이자 더 구체적인 이유가 있으며, 그것은 아키텍처적입니다. VoxCPM2는 AudioVAE V2 토크나이저에 내장된 초해상도 단계를 통해 48 kHz로 디코딩하며, 16 kHz 참조 클립을 입력받으면서도 48 kHz 출력을 생성합니다. Ming-3.0-tts-0.5B는 44.1 kHz에서 동작합니다. 샘플레이트는 유사성이 아닙니다. 더 높은 레이트가 목소리를 더 충실하게 만들지는 않습니다. 그러나 VoxCPM2 파이프라인은 리샘플링 단계를 거치면서도 참조 목소리의 특성을 보존하는 것을 명시적으로 중심에 두고 설계되었으며, 이는 스피커 인코더가 번들된 0.5B 모델이 택하지 않는 설계 선택입니다.

그러므로 정직한 해석은 "VoxCPM2가 더 크기 때문에 복제를 더 잘한다"가 아니다. 두 모델이 동일한 목표의 서로 다른 절반을 최적화하고 있으며, 벤더 표는 각각이 자기 절반에서 이긴다는 것을 보여준다.

음성 클리핑: 두 가지 API, 두 가지 철학

둘 다 짧은 클립에서 제로샷으로 복제합니다. 통합을 작성하고 있다면 두 방식의 작동 메커니즘 차이는 고려해야 할 만큼 큽니다.

• Ming-3.0-tts-0.5B — 하나의 진입점, 하나의 태스크 인자. MingTTS("inclusionAI/Ming-3.0-tts-0.5B")를 호출한 다음, synthesize(task=...)에 prompt_wav_path, prompt_text 및 use_spk_emb를 지정합니다. 태스크로는 TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM, IP가 있습니다. 체크포인트에 백본, DiT 헤드, 오디오 토크나이저, Campplus 화자 인코더가 함께 포함되어 있으므로 클로닝은 별도의 파이프라인이 아니라 일급 태스크입니다.

• VoxCPM2 — pip install voxcpm, 그런 다음 VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). 보이스 디자인은 텍스트 자체에 괄호형 접두사로 지정하며, "(description)text", 여기서 cfg_value=2.0 및 inference_timesteps=10를 문서에 제시된 시작 값으로 사용합니다.

그 결과 Ming의 제어 표면은 구조화되어 있는 반면 VoxCPM2의 제어 표면은 텍스트 기반입니다. Ming은 문서화된 상호 배제가 있는 명명된 작업을 제공합니다. FREEFORM은 음성 디자인, 내장 음성, 감정, 방언 또는 속성 제어와 결합할 수 없으며, 다국어 작업은 5개의 비중국어 언어에 대해 명시적인 language_id를 요구합니다. 즉, 배울 것은 더 많고 추측할 것은 더 적습니다. VoxCPM2의 단일 문자열은 시도하기는 더 빠르지만 결정론적으로 만들기는 더 어렵습니다. OpenBMB 자체 카드에서도 음성 디자인과 스타일이 실행마다 달라지므로 후보를 1~3개 생성할 것을 권장합니다.

프로듀서가 목록에서 보이스를 선택하는 UI를 만든다면, Ming의 100개 이상 내장 중국어 보이스와 5개 내장 영어 보이스는 그대로 렌더링할 수 있는 메뉴입니다. VoxCPM2에는 이에 상응하는 목록이 없습니다. VoxCPM2의 보이스는 설계하거나 복제하는 것이지, 열거되어 있지 않습니다.

언어, 방언, 그리고 준언어적 층위

• 언어 수 — Ming-3.0-tts-0.5B는 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어를 지원하며, 쓰촨어와 광둥어는 별도의 방언 작업으로 포함합니다. VoxCPM2는 30개 언어를 주장합니다. Ant는 비중국어 5개 언어를 테스트했습니다. OpenBMB는 우리가 검증할 수 있는 언어별 오류 표를 공개하지 않았으므로, 그 30개는 품질 주장이 결부되지 않은 범위 주장입니다.

• 방언 — Ming은 쓰촨어와 광둥어를 언어 인자 없이 하나의 작업으로 노출합니다. VoxCPM2의 30개 언어 목록은 우리가 읽은 자료에서 방언별로 세분화되어 있지 않으며, 해당 언어가 포함되었다는 이유로 지역 변종까지 포함된 것으로 처리하는 것이 바로 이 항목이 방지하려는 실수입니다.

• 인라인 제어 — Ming은 숨소리, 기침, 한숨, 웃음, 머뭇거림, 놀람, 질문을 위한 14개 태그를 중국어 또는 영어로 제공하며, 감정·속도·피치·음량을 명시적으로 지정할 수도 있습니다. VoxCPM2에는 태그 어휘가 없으며, 자연어 설명 프리픽스가 제어 역할을 합니다.

• Ant 스스로 인정한 약점 — 다중 이벤트 준언어 문장은 불안정하고, 텍스트에 감정 신호가 없으면 감정 제어가 저하되며, 개방형 음성 설계는 Ant가 비교 평가한 가장 강력한 시스템에 미치지 못한다. 마지막 지적은 호스팅된 프런티어 음성과의 격차를 타당하게 설명한 것이며, VoxCPM2에도 해당된다.

실용적인 기준: 대본에 웃음, 한숨, 또는 문장 중간의 망설임 멈춤이 필요하다면 Ming을 선택하세요. Ming이 지원하지 않는 언어가 필요하거나, 이름 붙은 프리셋이 아닌 글로 쓰인 설명을 바탕으로 설계된 음성이 필요하다면 VoxCPM2를 선택하세요.

실행: CUDA 핀 기준 8GB

• Ming-3.0-tts-0.5B — NVIDIA H800-80GB 및 H20-96G에서 CUDA 12.4로 테스트했습니다. Flash-attention은 선택 사항이며 SDPA 폴백을 제공합니다. 텍스트 정규화에는 pynini==2.1.6이 필요하거나, --no_text_normalization을 전달한 뒤 원시 숫자와 약어가 모델로 그대로 전달되는 것을 감수하면 됩니다. PyTorch 2.6이 참조 환경입니다. 출력은 44.1 kHz입니다.

• VoxCPM2 — 개발 시 bf16에서 약 8GB의 VRAM을 사용하며, 24GB 카드에서는 최대 약 22GB까지 사용합니다. Python 3.10 이상, PyTorch 2.5.0 이상, CUDA 12.0 이상이 필요합니다. 문서상 실시간 계수는 일반 PyTorch에서 RTX 4090 기준 약 0.30, Nano-VLLM 사용 시 약 0.13입니다 — 실시간보다 대략 2~3배 빠르며, 서빙 계층을 사용하면 8배입니다.

두 문단은 아주 다른 두 가지 엔지니어링 오후를 그리고 있다. Ming의 스택은 더 최신이면서 더 깨지기 쉬운 쪽이다. 고정된 FST 라이브러리, 선택적 커널, 특정 CUDA 빌드에 고정된 참조 환경으로 구성된다. VoxCPM2는 4월에 출시된 이후 6개월 분량의 커뮤니티 설치 보고를 흡수해 왔다. 그 성숙도 우위는 실재하지만 일시적이다. Ming의 추론 코드는 이 글이 작성된 날 게시되었고, 저장소에는 같은 날 오후 문서 커밋에서 vLLM-Omni 지원 관련 노트가 추가되었다.

우리가 확인할 수 있는 호스팅 추론 제공업체 중 어느 곳도 두 모델을 제공하지 않으며, 이는 이 비교의 결함이라기보다 그 전제에 가깝습니다. 두 모델 모두 다운로드하는 체크포인트이기 때문입니다. 다만 이는 독립적인 증거가 한쪽으로 치우쳐 있다는 뜻이기도 합니다. Ming-3.0-tts-0.5B는 두 음성 보드 모두에서 Artificial Analysis 행을 갖고 있습니다. Provider Voice에서 Elo 1,188(구간 1,173–1,203, 순위 범위 17–23, 2026년 10월 19일에 수집한 목록의 열아홉 번째 행)이고, Controlled Voice에서는 1,069(1,053–1,085, 순위 범위 10–18, 같은 날 열세 번째 행)입니다. VoxCPM2는 최신 수집 시점 기준 어느 보드에도 행이 없으며, 이 부재는 최근의 누락이라기보다 4월부터 안정적으로 이어져 왔습니다. 따라서 이 글에서 유일한 독립적 수치는 Ming의 것이며, 그것도 상당한 수치입니다. VoxCPM2에는 이에 맞설 것이 없고, 아무도 측정하지 않은 일대일 Elo를 정직한 글이라면 만들어낼 수 없습니다.

라이선스, 파인튜닝, 그리고 아무도 묻지 않는 질문

두 라이선스 모두 상업적 사용을 허용합니다. Ming은 MIT 라이선스로, 라이선스 중 가장 관대한 축에 속하며 저작자 표시만 요구합니다. VoxCPM2는 Apache 2.0으로, 명시적인 특허 허여와 상표권 예외 조항을 추가합니다. 대부분의 팀에게 그 차이는 법률적이라기보다 행정적인 것이며, 둘 중 어느 쪽이든 조달 설문지에 대한 깔끔한 답이 되지만 비상업적 라이선스는 그렇지 않습니다.

진짜 비대칭성은 파인튜닝에 있습니다. VoxCPM2는 5~10분 분량의 오디오로 전체 지도 파인튜닝과 LoRA를 수행하는 방법을 문서화하고 있어, 작은 데이터셋과 GPU 한 대만으로 모델을 특정 화자나 스타일 쪽으로 조정할 수 있습니다. Ming-3.0-tts-0.5B는 우리가 검토한 릴리스에서 파인튜닝 레시피도, 학습 스크립트도, LoRA 경로도 제공하지 않습니다. 제품에 프롬프트로 조종하는 모델이 아니라 온전히 자신의 모델이 필요하다면, 그것은 벤치마크 격차가 아니라 역량 격차이며, 어떤 Elo 수치를 참고하기도 전에 선택을 좌우합니다.

Ming이 같은 요구에 내놓은 답은 보이스 디자인과 클로닝입니다. 음성을 설명하거나 클립을 제공하면 됩니다. 이는 대부분의 제작 요구를 충족하지만, 독점 오디오로 대규모 학습을 해야 하는 요구는 하나도 충족하지 못합니다.

라우팅 계층이 이곳에서 제 역할을 하는 경우

OrcaRouter는 Ming-3.0-tts-0.5B나 VoxCPM2를 호스팅하지 않습니다. 두 모델 모두 저희가 엔드포인트를 넘겨드릴 수 있는 모델이 아니며, 이 글은 그렇지 않은 척하지 않겠습니다. 라우터가 음성 파이프라인에서 실제로 닿는 부분은 파형 이전의 모든 단계입니다. 대본을 초안하고, 약어를 풀어 쓰고, 웃음 태그가 어디에 들어갈지 정하고, 3.2초 자리에 3.8초로 나온 문장을 다시 쓰는 모델이죠. 이는 텍스트 호출이며, 저희는 하나의 키로 200개가 넘는 텍스트 모델을 공급사 정가에 0% 마크업을 더해 라우팅합니다 — 따라서 공급사가 가격을 인하하면 다음 재가격 책정 때가 아니라 같은 날 저희 쪽에서도 인하가 적용됩니다. 자동 장애 조치는 파이프라인의 그 절반이 계속 응답하도록 유지하며, 음성 절반은 직접 운영하는 다운로드입니다.

그것이 솔직한 경계입니다. 라우터는 자신의 GPU에서 실행하는 체크포인트에는 잘못된 도구이며, 체크포인트가 무엇을 말하도록 요청받을지를 결정하는 모델에는 올바른 도구입니다.

리더보드 뒤에 숨지 않고 선택하기

콘텐츠가 다국어이고 이해관계자들이 논쟁하는 지표가 단어 정확도라면, 이름이 지정된 프리셋을 갖춘 중국어 우선 음성 커버리지가 필요하다면, 인라인 감정 태그가 스크립트 형식의 일부라면, 보급형 하드웨어에도 무리 없이 들어가는 2.96 GB MIT 체크포인트를 원한다면, 또는 0.5B 파라미터 수가 실행 가능한 단가와 불가능한 단가를 가르는 차이라면 Ming-3.0-tts-0.5B를 선택하세요. 음성이 VoxCPM2의 음성보다 참조 음성에 약간 덜 충실할 것이고, 추론 코드는 나온 지 불과 몇 시간밖에 되지 않았으며, 미세 조정 경로가 없다는 점을 알고 시작하세요.

음성 정체성이 곧 제품인 경우 — 더빙, 캐릭터 작업, 청취자가 클론이 어긋나는 것을 눈치챌 수 있는 모든 상황 — VoxCPM2를 선택하세요. Ming이 지원하지 않는 언어 중 하나가 필요하거나, 자신의 오디오로 파인튜닝할 계획이거나, 4월부터 별문제 없이 설치할 수 있었던 스택을 원한다면 말입니다.

동점을 가르는 기준은 비용이 적게 들며, 위의 어떤 숫자도 그것을 대체하지 못합니다. 자신의 텍스트에서 문장 100개를 고르고 참조 클립 하나를 준비해 두 모델을 모두 실행해 보세요. 단어는 ASR 모델로 채점하고, 음성은 Ant가 사용한 것과 동일한 코사인 지표로 채점하세요. 그러면 반나절 만에 자신의 콘텐츠와 자신의 악센트를 기준으로 언어별 답을 얻을 수 있습니다. 이는 공개 테스트 세트로 만든 벤더 표가 줄 수 있는 것보다 많고, 두 모델 중 하나만 나열한 리더보드가 줄 수 있는 것보다 훨씬 많습니다.