Ming-3.0-tts-0.5B vs Voxtral 4B TTS: 이 중 하나의 가중치는 판매되지 않는다

벤치마크보다 라이선스를 먼저 읽으세요. 이 조합에서는 라이선스가 논쟁을 먼저 정리하기 때문입니다. Ming-3.0-tts-0.5B는 MIT입니다 — 다운로드하고, 미세 조정하고, 상용 제품에 포함해 배포하고, Ant Group 출처를 명시한 뒤 계속하면 됩니다. Voxtral 4B TT​S는 CC BY-NC 4.0이며, 그 기반이 된 참조 음성 데이터셋에서 계승된 라이선스이므로 Mistral AI의 가중치는 상업적 사용이 전혀 허가되지 않습니다. Voxtral의 상업적 경로는 1,000자당 $0.016의 API입니다. 따라서 진짜 질문은 어느 모델의 소리가 더 좋은가가 아닙니다. 직접 운영하는 목소리를 사는 것인지, 호출하는 목소리를 빌리는 것인지이며, 이 두 체크포인트 중 하나만이 선택권을 줍니다. 이번과 같은 릴리스의 배경이 된 문서화된 AI 실패와 에이전트 사건은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 고유한 출처, 심각도, 신뢰도 등급, 이의 제기 플래그가 함께 있습니다.

그런 식으로 틀을 잡으면 비교가 쉬워질 것처럼 들리지만, 실제로는 그렇지 않다. 두 모델은 잘하는 영역이 다르고, 호스팅 모델에는 오픈 모델이 제공할 수 없는 것이 하나 있기 때문이다. 바로 실제 서빙 인프라에서 세 가지 동시성 수준으로 실행한, 공개된 지연 시간 및 처리량 곡선이다. Ming-3.0-tts-0.5B는 2026년 9월 24일 Hugging Face에, 추론 코드는 2026년 10월 19일 GitHub에 공개되었으며, Ant Group은 둘 모두에 대해 아무런 발표도 하지 않았다. 이 모델은 아티팩트로서는 19일 되었고, 실제로 실행할 수 있는 무언가로서는 겨우 몇 시간 된 셈이다. Voxtral 4B TTS는 Mistral이 2026년 3월에 발표했으며, 측정할 수 있는 시간이 7개월 있었다. 아래에서는 라이선스, 배포 형태, 각 측이 정직하게 내세울 수 있는 수치, 그리고 어느 벤더도 답하지 않은 질문들을 다룬다.

주제의 변주가 아닌 두 가지 라이선스

• Ming-3.0-tts-0.5B — MIT. 상업적 사용, 수정, 재배포 및 파인튜닝이 모두 허용되며, 저작자 표시를 조건으로 합니다. 컨테이너 이미지에 넣고 자체 가속기에서 실행한 뒤 누구의 허가도 없이 고객에게 배포할 수 있는 2.96 GB 체크포인트입니다.

• Voxtral 4B TT​S — CC BY-NC 4.0. 비상업적 용도. Mistral의 모델 카드에는 이 모델이 EARS, CML-TTS, IndicVoices-R 및 자연 오디오 아랍어 세트를 포함한 출처에서 가져온 참조 음성의 라이선스를 상속한다고 명시되어 있습니다. 가중치는 문제없이 다운로드됩니다. 제약은 파일이 아니라 라이선스입니다.

사람들이 잘못 이해하는 구분점은 API에는 동일한 제한이 적용되지 않는다는 것입니다. Mistral의 서비스를 통해 Voxtral을 호출하는 것은 벤더와의 상업적 거래이며, 가격은 1,000자당 $0.016입니다. 이를 유료 제품 내에서 셀프 호스팅하는 것은 다른 행위이며, 라이선스가 금지하는 것이 바로 그것입니다. 배포가 온프레미스여야 한다면 — 데이터 레지던시, 에어갭 추론, 타사 엔드포인트를 승인하지 않는 고객 — Voxtral 4B TT​S는 어떤 가격에서도 선택지가 아니지만, Ming-3.0-tts-0.5B는 무조건 사용할 수 있습니다.

그것은 엄격한 경계이며, 더 느슨한 경계와 분리해서 볼 가치가 있습니다. 비상업적 라이선스는 여전히 평가, 연구, 내부 실험을 허용하므로, 이 표를 해석하는 합리적인 방법은 Voxtral은 무료로 테스트해 볼 수 있는 서비스이고 Ming은 온전히 소유할 수 있는 아티팩트라는 것입니다.

5억 개의 파라미터로 무엇을 얻을 수 있고, 무엇을 얻을 수 없는가

• 크기 및 아키텍처 — Ming-3.0-tts-0.5B는 Qwen2.5-0.5B 백본에 diffusion-transformer 헤드를 갖춘 dense 0.5B 모델이며, 체크포인트에는 오디오 토크나이저와 스피커 인코더가 함께 포함되어 있습니다. Voxtral 4B TT​S는 약 40억 개의 파라미터를 가지며, vLLM-Omni를 통해 제공되고 Mistral의 Ministral-3-3B 기반으로 구축되었습니다.

• 출력 — Ming은 44.1 kHz, Voxtral은 24 kHz로 WAV, PCM, FLAC, MP3, AAC 또는 Opus 형식입니다. 44.1 kHz 마스터는 비디오 편집자에게 바로 넘길 수 있는 파일과 먼저 리샘플링해야 하는 파일의 차이이며, 더빙과 방송에서는 전화 에이전트보다 더 중요합니다.

• 모드 — Ming은 이름이 지정된 작업(TTS, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP)을 제공하며, 상호 배제 관계가 문서화되어 있습니다. Voxtral은 스트리밍과 배치를 지원하지만, 이에 상응하는 작업 분류 체계는 공개되어 있지 않습니다.

• 음성 — Ming은 100개 이상의 내장 중국어 음성과 5개의 내장 영어 음성을 제공하며, 짧은 클립에서의 제로샷 클로닝과 자연어 설명으로부터의 음성 디자인도 지원합니다. Voxtral은 20개의 프리셋 음성을 제공하고, 3초 정도로 짧은 참조 클립에도 적응합니다. 20개는 엄선된 명단이고, 100개는 캐스팅 목록입니다. 어느 쪽을 원하는지는 하나의 음성으로 제품을 만드는지, 다른 사람들이 음성을 고를 수 있는 도구를 만드는지에 달려 있습니다.

• 준언어적 요소 — Ming의 인라인 태그 14종은 숨소리, 기침, 한숨, 웃음, 망설임, 놀람, 질문을 아우르며, 감정·속도·음높이·음량을 명시적으로 제어하는 기능도 포함합니다. Mistral은 Voxtral에 대해 공개한 태그 어휘가 없습니다. 문서화의 부재는 능력의 부재가 아니며, 능력의 증거도 아닙니다.

0.5B 파라미터 수는 오해되기 쉬운 부분이다. Ming은 Voxtral의 축소판이 아니라 다른 설계로, 컴팩트한 백본에 스피커 인코더와 토크나이저를 함께 묶으면 제어 가능한 음성에 충분하다고 보고, 용량을 규모보다 제어에 쓴다. Ant 자체의 다국어 평가에서 Ming은 5개 언어 중 4개에서 콘텐츠 정확도는 VoxCPM2를 앞섰지만, 5개 언어 모두에서 화자 유사도는 뒤졌다. 이는 단어를 음색보다 우선하도록 조정된 모델이 점수표에서 보여주는 모습이다.

Voxtral에는 있지만 Ming에는 없는 단 하나의 숫자

Mistral은 서빙 벤치마크를 공개했는데, 이는 용량 계획을 세우는 사람에게 두 릴리스 모두에서 가장 유용한 자료입니다. 단일 H200에서 vLLM-Omni 0.18.0을 실행하고 500자 입력과 10초 분량의 오디오 참조를 사용한 경우:

• 동시성 1 — 지연 시간 70밀리초, 실시간 계수 0.103, GPU 시간 기준 초당 약 119자.

• 동시성 16 — 331밀리초, RTF 0.237, 초당 약 879자.

• 동시성 32 — 552밀리초, RTF 0.237 이월, 초당 약 1,431자.

그것은 세 줄로 된 용량 계획입니다: 지연 시간은 대부분의 음성 제품이 실제로 도달하는 동시성 수준을 훨씬 넘어서도 1초 미만으로 유지되고, 처리량은 하나의 스트림에서 서른두 개로 대략 열두 배 확장됩니다. 이는 Mistral 자체 하네스이며 재현된 바 없고, 기준 환경을 가정하지만 — 배포 규모를 산정할 수 있는 형태입니다.

Ming의 해당 수치는 벤더가 보고한 것이 아니라 독립적으로 측정된 것이며, 측정하는 대상도 약간 다릅니다. Artificial Analysis는 자체 하네스에서 한 번에 하나의 요청으로 Ming-3.0-tts를 생성 시간당 초당 42.1자로 기록합니다. 이는 다른 방법과 다른 하드웨어에서 측정한 Voxtral의 단일 스트림 속도의 약 3분의 1이며, 솔직히 말하면 두 수치는 직접 비교할 수 없습니다. 하나는 H200에서 선택된 동시성 수준에서의 Mistral 처리량이고, 다른 하나는 공개되지 않은 하드웨어에서 제3자가 측정한 단일 스트림 측정값입니다. 말할 수 있는 것은 둘 다 대화형 음성에 충분히 빠르며 어느 것도 실시간 제약이 아니라는 점입니다.

정말로 중요한 처리량 차이는 라이선스에 연동되어 있습니다. Voxtral의 곡선은 가중치를 중심으로 구축하기보다 API를 호출할 이유입니다 — 서빙 엔지니어링은 이미 완료되어 있고, GPU 시간당이 아니라 문자당 비용을 지불합니다. Ming의 속도는 자체 손익분기점을 계산할 이유입니다. 초당 42.1자에서는 100만 자를 생성하는 데 약 6.6시간이 걸리므로, 그것이 저렴한지는 전적으로 여러분의 가속기가 그 외에는 유휴 상태일 때 드는 비용에 달려 있습니다.

아홉 개 언어 대 일곱 개, 그리고 어느 목록도 품질을 보증하는 것은 아니다

• Ming-3.0-tts-0.5B — 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어를 지원하며, 쓰촨어와 광둥어는 별도의 방언 작업으로 제공되고, 중국어가 아닌 다섯 언어에는 명시적인 언어 식별자가 필요합니다.

• Voxtral 4B TTS — 영어, 프랑스어, 스페인어, 독일어, 이탈리아어, 포르투갈어, 네덜란드어, 힌디어 및 아랍어. 카드에서는 해당 지원 범위 내의 "다양한 방언"을 설명하지만 이를 일일이 열거하지는 않습니다.

겹치는 부분은 다섯 개 언어입니다: 영어, 프랑스어, 스페인어, 독일어, 그리고 지역 지원 범위를 어떻게 세느냐에 따라 한국어 또는 일본어 중 하나입니다. 각 모델은 상대 모델이 다루지 않는 부분을 커버합니다 — Voxtral 쪽은 이탈리아어, 포르투갈어, 네덜란드어, 힌디어, 아랍어를, Ming 쪽은 한국어, 일본어, 쓰촨어, 광둥어를 다룹니다. 로드맵에 아랍어나 힌디어가 포함되어 있다면, 첫 번째 벤치마크를 읽기도 전에 결정은 끝난 것입니다.

두 공급업체 모두 공개하지 않는 것은 언어별 품질이다. Mistral은 자사의 9개 언어 중 어느 언어에 대해서도 오류율을 제공하지 않는다. Ant는 Mi​niMax 세트에서 중국어가 아닌 5개 언어를 테스트하고 수치를 공개했지만, 그 수치는 Ant가 직접 고른 경쟁사들을 상대로 Ant 자체 하네스를 사용한 결과이며, Voxtral이 표에 없었기 때문에 Voxtral 대비 한국어나 일본어에 관해서는 아무것도 말해주지 않는다. 따라서 여기서의 언어 비교는 역량이 아니라 지원 범위이며, 이를 역량으로 제시하는 기사는 추측에 불과하다.

둘 다 갖춘 보드, 뭐랄까

두 모델 모두 Artificial Analysis의 음성 리더보드에 등장하지만, 같은 측정 날짜도 아니고 주변 비교군도 동일하지 않으므로, 이는 일대일 비교 결과가 아니라 대략적인 방향 파악용으로만 받아들이세요.

• Ming-3.0-tts-0.5B — Provider Voice 1,188 Elo(구간 1,173–1,203, 순위 범위 17–23, 목록의 열아홉 번째 행); Controlled Voice 1,069(1,053–1,085, 순위 범위 10–18, 열세 번째 행). 두 캡처 모두 추론 코드가 공개된 날인 2026년 10월 19일의 것입니다.

• Voxtral 4B TT​S — Controlled Voice 1,005 Elo, 순위 범위 24–30, 동일한 10월 19일 캡처의 스물여섯 번째 행. 해당 제공자 음성 위치는 우리가 확인할 수 있었던 자료에 없었습니다.

Controlled Voice 보드는 신뢰할 만한 보드입니다. 그곳의 모든 모델이 동일한 고정 참조 음성을 복제하므로 음성 캐스트가 더 이상 교란 변수가 되지 않기 때문입니다. 위 캡처에서 Ming의 1,069와 Voxtral의 1,005는 64점 차이이며, 순위 범위가 겹치므로 정직한 결론은 Ming이 더 큰 모델군을 상대로 나중에 수행된 측정에서 더 높은 점수를 받았다는 것입니다. 이를 확정된 64점 승리로 읽지 마십시오. 다만 음성 충실도에서 0.5B 오픈 체크포인트가 4B 벤더 모델 옆에서도 역량이 부족하지 않다는 증거로 읽으십시오. 이것이 놀라운 부분입니다.

셀프 호스팅 Ming 파이프라인이 엔지니어링 측면에서 실제로 얼마나 비용을 치르게 하는가

Ming을 도입하는 것은 다운로드하고 함수를 호출하는 일이 아닙니다. 참조 환경은 고정된 환경입니다. PyTorch 2.6과 CUDA 12.4이며, H800-80GB와 H20-96G에서 테스트되었고, flash-attention은 선택 사항이며 SDPA 폴백이 있습니다. 텍스트 정규화에는 설치가 까다롭기로 악명 높은 라이브러리인 pynini 2.1.6이 필요합니다. 그렇지 않으면 정규화를 끄는 플래그를 전달하고 숫자, 통화, 약어가 가공되지 않은 채로 모델에 전달되는 것을 감수해야 합니다.

그것들은 비교 표에는 절대 나타나지 않고 스프린트에서는 항상 나타나는 비용들이다. Voxtral의 경우 그에 해당하는 비용은 API 가격 안에 숨어 있다. 환경을 고정해 주는 것도 다른 누군가이고, 동시성 처리도 다른 누군가가 맡으며, 그 대가는 참조 클립에서 적응하는 것 이상으로 음성 캐스트를 바꿀 수 없고, 상업적 목적으로 모델을 직접 통제하는 머신에 올릴 수 없다는 것이다.

Ming의 성숙도 역시 정직하게 평가되어야 한다. GitHub 저장소는 2026년 10월 19일에 공개되었고, 첫 커밋에는 추론 코드, Dockerfile, 원클릭 예제, 작업 쿡북이 포함되었으며 그날 오후까지 문서 커밋이 이어졌다. 그중에는 vLLM-Omni 지원을 표시한 커밋도 있었다. vLLM-Omni는 Mistral이 Voxtral 벤치마크에 사용한 것과 동일한 서빙 스택으로, 이는 유용한 우연이다. Ming의 프로덕션 배포 경로는 Voxtral이 이미 문서화한 경로이며, 한 계층 아래에 있다.

라우팅이 들어맞는 곳, 그리고 그것이 건드리지 않는 부분

OrcaRouter는 Ming-3.0-tts-0.5B를 제공하지 않습니다. 그것은 직접 실행하는 체크포인트입니다. Voxtral 4B TTS는 Mistral 자체 API를 통해 사용할 수 있으며, 이 글은 우리가 그것을 라우팅한다고 주장하지 않습니다. 어느 아키텍처에서든 라우터가 실제로 닿는 것은 음성 주변의 텍스트입니다 — 대본, SSML 유사 태그 결정, 하나의 마스터 대본을 합성 전에 아홉 개 언어로 바꾸는 번역 단계, 시간 슬롯에 맞게 구절을 줄이는 요약기. 이런 호출은 오디오 1분당 수백 번 발생하며, 파이프라인의 비용과 실패 모드가 실제로 집중되는 곳이 바로 여기입니다.

이것이 우리가 운영하는 계층입니다: 하나의 키 뒤에 있는, 공급자 정가에 0% 마크업이 추가된 200개 이상의 텍스트 모델을 제공하며, 따라서 공급업체의 가격 인하는 다음 가격 재책정 때가 아니라 시행되는 날 바로 여러분에게 반영됩니다. 또한 공급자 전반에 걸친 자동 장애 조치로 한 공급자의 일시적인 문제가 음성을 뒷받침하는 스크립트 생성을 중단시키지 않으며, 번역 단계와 스타일 재작성에 서로 다른 모델이 필요할 때 여러 모델을 하나의 호출로 묶기 위한 라우팅 DSL도 제공합니다. 체인 끝의 음성 모델은 여러분이 선택할 수 있으며, 이 글은 바로 그 선택에 관한 것입니다.

어느 카드도 알려주지 않는 것

세 가지 질문이 대부분의 실제 배포를 좌우하는데, 어느 벤더도 그중 어느 질문에도 답하지 않는다.

• 동시성 환경에서 품질은 어떻게 유지되는가? Mistral은 32개 스트림에서 지연 시간과 처리량을 측정하지만 배치와 스트리밍 간 품질 차이는 공개하지 않는다. Ming의 릴리스에는 동시성 관련 내용이 전혀 없다 — 단일 요청 하니스, 참조 GPU, vLLM 처리량 곡선은 없고 지원 관련 참고 사항만 있다.

• 실패한 생성은 어떤 소리로 들리는가? 두 카드 모두 잘림 동작, 반복 루프, 또는 14개 태그로 구성된 스크립트가 모델이 구문 분석할 수 없는 문장과 충돌할 때 무슨 일이 일어나는지를 문서화하지 않는다. Ant의 카드는 약점에 대해 이례적으로 솔직하다. 불안정한 다중 이벤트 준언어적 특징, 단어에 감정이 실려 있지 않을 때 저하되는 감정 제어, 가장 취약한 언어인 프랑스어 유사도, 그리고 평가 대상이었던 가장 강력한 시스템에 필적하지 못하는 개방형 음성 설계 등이 그것이다. 그러나 한계 섹션은 실패 분류 체계가 아니다.

• 1년 뒤에 누가 이것을 유지할까? Mistral은 상용 TT​S 서비스를 운영하는 회사이며, 이를 최신 상태로 유지할 명백한 인센티브가 있습니다. 3월 체크포인트는 이미 7개월 동안 안정적으로 유지되어 왔습니다. Ming-3.0-tts-0.5B는 좋아요 1개, 다운로드 6회, 그리고 이 글을 작성한 날 생성된 저장소를 가지고 있습니다. Ant Group이 이를 지원할 가능성은 충분합니다 — Ming 제품군에는 ASR, 오디오 및 소형 변형이 포함되어 있어 일회성보다는 프로그램을 시사하지만, 릴리스에는 어떤 것도 약속되어 있지 않습니다.

그 {{1}}마지막 요점{{/1}}이 MIT 라이선스와 견줘 저울질해야 할 부분입니다. 허용적 라이선스는 가중치를 영구히 사용할 권리를 보장하지만, 추론 코드의 버그를 누군가 고쳐 줄 것까지 보장하지는 않으며, 그 차이는 일곱 번째 달에야 비로소 드러납니다.

그 결정은 실제로 도착하는 순서대로

배포 제약부터 시작하겠습니다. 그것이 한 가지 선택지를 완전히 배제하기 때문입니다. 모델이 통제 가능한 인프라에서 실행되어야 하고 출력이 상업적으로 사용 가능해야 한다면, 답은 Ming-3.0-tts-0.5B이며, 남은 질문은 엔지니어링에 관한 것입니다. 환경을 고정하고, pynini를 설치하거나 정규화되지 않은 텍스트를 받아들이고, 100만 자당 약 6.6 GPU-시간을 예산으로 잡고, 음성이 최고의 오픈 대안보다 참조 클립에 약간 덜 충실할 것이라는 점을 받아들이는 것입니다. 모델이 아랍어, 힌디어, 이탈리아어, 포르투갈어 또는 네덜란드어를 말해야 한다면, 답은 API를 통한 Voxtral 4B TT​S이며, 남은 질문은 상업적입니다. 1,000자당 $0.016, 스무 개의 음성, 리샘플링이 필요할 수 있는 24 kHz 출력, 그리고 여러분이 용량 산정의 기준으로 삼게 될 서빙 곡선을 공개한 공급업체입니다.

두 제약 조건 중 어느 것도 구속력이 없다면, 최종 판단 기준은 제품의 성격입니다. 다양한 음성, 방언 커버리지, 인라인 감정이 필요한 더빙 또는 방송 파이프라인이라면 Ming의 캐스트와 44.1 kHz 출력을 원할 것이며, 그 대가는 운영 측면에서 치르게 됩니다. 예측 가능한 지연 시간, 스트리밍, 그리고 누군가가 온콜로 대응해 주는 체계가 필요한 음성 에이전트나 IVR이라면 Voxtral의 API를 원할 것이며, 그 대가는 문자당 비용과 20개를 넘어 확장할 수 없는 보이스 캐스트를 잃는 것으로 치르게 됩니다.

어느 쪽이든 하기 전에 꼭 해야 할 한 가지는 앞으로 12개월 안에 실제로 출시할 언어가 무엇인지, 그리고 그중 법무 팀이 인프라 밖으로 내보내도 된다고 허용할 언어는 무엇인지 적어 두는 것입니다. 이 두 목록은 어떤 Elo 수치보다도 빠르게 모델 비교에서 단일 후보로 좁혀 주며, 리더보드와 달리 최신 상태입니다.