Ming-3.0-tts-tiny vs VoxCPM2: 두 체크포인트, 그중 하나는 속도를 공개한다

이것은 Ming-3.0-tts-tiny 시리즈에서 양쪽 모두를 실제로 실행할 수 있는 유일한 비교이며, 이는 논의의 쟁점을 바꿉니다. Ming-3.0-tts-tiny는 Ant Group의 inclusionAI에서 공개한 79억 매개변수의 전문가 혼합(MoE) 모델로, 토큰당 약 13억 개를 활성화하며, MIT 라이선스이고, 디스크에서 약 18GB이며, H800이 권장 카드로 명시되어 있습니다. VoxCPM2는 OpenBMB에서 공개한 20억 매개변수의 토크나이저 프리 모델로, MiniCPM-4 백본을 사용하며, Apache 2.0이고, bfloat16에서 약 8GB이며, 2026년 4월에 출시되었습니다. 어느 쪽도 리더보드에 행이 없습니다. 어느 쪽도 호스팅 가격이 없습니다. 두 모델이 모두 다운로드 가능하고 모두 점수가 매겨지지 않은 경우, 비교는 선호의 문제가 아니라 산술의 문제가 됩니다: GPU 시간당 오디오 시간, 프로세스당 메모리, 그리고 훈련 코드를 직접 작성하지 않고도 해당 모델을 미세 조정할 수 있는지 여부입니다. 이와 같은 릴리스의 배경에 있는 문서화된 AI 실패와 에이전트 사건은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 고유한 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 함께 있습니다.

출시 이력은 성숙도 격차를 설명해 주므로 분명히 짚고 넘어갈 가치가 있다. VoxCPM2는 4월부터 공개되어 있었고, 지난 한 달 동안 약 847,000회 다운로드를 기록했으며, 추론과 함께 학습 스크립트도 제공한다. Ming-3.0-tts-tiny의 저장소는 2026년 9월 22일에 만들어졌고, 가중치는 9월 24일에 올라왔으며, 이를 실행하는 코드는 한 오후에 커밋 아홉 개가 도착한 10월 19일 08:58 UTC까지 공개적으로 존재하지 않았다. Ant는 이 모델을 발표하지 않았다. 기술 보고서도 없다. 로드맵에는 체크되지 않은 항목으로 올라가 있고, 모델 카드는 10월 16일에 기술 보고서에 대한 언급을 없애기 위해 특별히 편집되었다. 따라서 이들 중 하나는 사용자 기반을 갖춘 다섯 달 된 프로젝트이고, 다른 하나는 이 글을 쓰는 시점에 겨우 일주일 된 파이프라인이다.

그들 중 첫 번째는 발행하고 다른 하나는 발행하지 않는다.

VoxCPM2의 모델 카드에는 RTX 4090에서 표준 PyTorch로 실행할 때 실시간 계수가 약 0.30이고, Nano-VLLM 환경에서는 약 0.13까지 낮아진다고 제시되어 있습니다. 실시간 계수는 오디오 1초당 연산 초 수를 의미하므로, 이 두 수치는 첫 번째 경우 GPU 1시간으로 완성된 음성 약 3.3시간 분량을 얻고, 두 번째 경우 약 7.7시간 분량을 얻는다는 뜻입니다.

Ming-3.0-tts-tiny는 처리량을 전혀 공개하지 않는다. 실시간 계수도, 초당 문자 수도, GPU 카드에서 측정한 수치도 없다. 이 릴리스가 실제로 제공하는 것은 검증 환경 — Python 3.10.15, CUDA 11.8 기반의 torch 및 torchaudio 2.7.1, 4.46.3으로 고정된 transformers, H800, 그리고 실행을 낭비하기 전에 설치 상태를 점검하는 사전 점검 스크립트 — 와 아키텍처다: BF16 기준 8,980,964,372개 파라미터, F32 기준 40,096개, 토큰당 약 1.3B가 활성인 총 7.9B 규모의 전문가 스택.

0.5B 형제 모델의 처리량을 끌어다 격차를 메울 수는 없습니다. 그 모델은 독립 하네스에서 초당 42.1자로 측정되었고 2.96GB를 차지합니다. 초소형 모델은 토큰당 약 2.5배 많은 파라미터를 활성화하며 디스크는 대략 6배 차지합니다. 희소 라우팅은 더 큰 총량에 드는 비용의 일부를 되찾아오는데, 바로 그것이 이 아키텍처의 핵심입니다. 하지만 Ant 외부에서는 그 정도가 얼마인지 수치로 제시한 사람이 없습니다.

구멍이 있는 상태로 원가 계산을 수행하기

한쪽은 속도를 공개하고 다른 쪽은 공개하지 않기 때문에, 이 비교를 정직하게 표현하면 수치가 아니라 범위입니다. 그 윤곽은 다음과 같습니다.

• RTX 4090, PyTorch에서 VoxCPM2 — RTF 0.30, 즉 GPU 시간당 3.3시간의 오디오. 내레이션 100만 자는 대략 초당 15자 발화 기준으로 약 18.5시간의 완성 오디오이며, 대략 5.6 GPU시간입니다.

• 동일한 카드에서 VoxCPM2, Nano-VLLM — 0.13 RTF, 즉 GPU-hour당 7.7시간, 또는 동일한 100만 문자에 대해 약 2.4 GPU-hour. 서빙 스택은 가중치를 건드리지 않고 출력량을 두 배 이상으로 늘립니다.

• Ming-3.0-tts-tiny — 알 수 없음. 가상의 초당 20자 기준이라면 약 14시간의 생성이 필요하고, 초당 10자라면 약 28시간이 필요하다. 두 수치 모두 측정값이 아니며, 누군가 하나를 발표할 때까지 둘 다 임시값으로 취급해야 한다.

• 메모리 — VoxCPM2는 bf16에서 약 8GB를 요구하므로, 배치 처리 여유를 두고도 24GB 소비자용 카드에 들어갑니다. Ming-3.0-tts-tiny는 18GB의 가중치에 활성화와 오디오 디코더까지 더해야 하므로 80GB H800이 합리적인 대상이며 24GB 카드는 아닙니다.

• 시퀀스 한도 — VoxCPM2는 최대 8,192 토큰으로 제한되며, 이는 장문 작업에 실질적인 제약이므로 작업을 확정하기 전에 가장 긴 문단과 비교해 확인할 가치가 있습니다. Ming-3.0-tts-tiny는 이에 상응하는 한도를 공개하지 않습니다. 장문 경로는 팟캐스트 작업이며, 이는 단일 발화가 아니라 대본을 입력으로 받습니다.

숫자가 빠져도 살아남는 결론은 속도가 아니라 활용률에 관한 것이다. 유휴 상태로 놀고 있는 카드는 어떤 가격에서도 모든 호스티드 API에 뒤지고, 이미 보유한 카드를 계속 바쁘게 돌린다면 이 둘 중 무엇을 돌리든 한계 비용에서 이긴다. 0.30과 0.13 RTF 사이의 격차는 오디오 1시간당 비용으로 2.3배인데, 이는 대부분의 팀이 서빙 스택 변경에서 기대하는 것보다 크고 파라미터 수 차이가 시사하는 것보다도 크다.

파인튜닝은 이 둘이 더 이상 비교 대상이 아니게 되는 지점이다

VoxCPM2는 단 5~10분 분량의 오디오로 전체 지도 미세 조정과 LoRA를 모두 문서화하고 있으며, 각각에 대한 학습 스크립트와 구성 파일을 제공합니다. 이는 각주에 불과한 것이 아니라, 동작을 빌려 쓰는 모델과 동작을 직접 소유하는 모델 사이의 차이입니다.

Ming-3.0-tts-tiny는 훈련이 아니라 추론을 문서화합니다. 이 저장소는 작업 쿡북입니다 — 시드 음성 복제, 다국어, 준언어적 요소, 팟캐스트, 기본 속성, 감정, 방언, 자유 형식, 음성 설계, 그리고 "ip" 작업 — 이 모든 것이 단일 MingTinyTTS.from_pretrained 진입점을 중심으로 묶여 있습니다. LoRA 레시피도, SFT 구성도, 파인튜닝이 지원되는지에 대한 언급도 전혀 없습니다. 충분히 가능할 수 있습니다. 체크포인트는 체크포인트일 뿐이니까요. 하지만 "가능함"과 "작동하는 스크립트로 문서화됨"은 필요한 엔지니어링의 양이 다르며, VoxCPM2가 제공하는 것은 후자입니다.

브랜드 보이스, 규제 도메인, 또는 두 모델 모두 기본 상태로는 잘 처리하지 못하는 언어의 경우, 그것이 결정적 비대칭성입니다. 참조 오디오 5분과 제공된 구성은 일주일의 작업입니다. 참조 구현이 없는 희소 7.9B 모델의 학습 경로를 역설계하는 일은 분기(3개월)의 작업입니다.

언어, 방언, 그리고 "30개 언어"로 얻을 수 있는 것

• Ming-3.0-tts-tiny — 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어를 지원하며, 해당 방언의 참조 클립을 제공하면 쓰촨어와 광둥어도 지원합니다. 두 방언까지 세면 총 아홉 개입니다.

• VoxCPM2 — 광둥어와 쓰촨어를 포함한 30개 언어를 지원하며, 설명 카드에는 언어 태그가 필요 없다고 명시되어 있습니다. 텍스트를 입력하면 모델이 언어를 추론합니다. 이는 편리하지만 실패 모드가 있습니다. 혼합 언어 텍스트는 사용자가 아니라 모델이 해석하기 때문입니다.

두 제품이 공유하는 언어에 대해 언어별 오류율을 공개한 쪽은 Ant 한 곳뿐이다. 독일어 문자 오류 0.325%, 스페인어 0.971%, 일본어 3.427%, 프랑스어 3.470%, 한국어 6.000%로, 모두 Ant 자체 하네스에서 나온 수치이며 모두 재현되지 않았다. VoxCPM2는 언어별 표를 공개하지 않으므로, 폭넓음 우위는 깊이 주장과 대조해 확인할 수 없다. 여기서 언어 품질의 승자를 언급하는 사람은 한 공급업체의 스프레드시트를 다른 공급업체의 침묵에 맞세우는 셈이다.

한국어 수치는 별도의 문장으로 다뤄질 만하다. 왜냐하면 그것은 Ming-3.0-tts-tiny의 기록에서 가장 명백한 결함이기 때문이다. 문자 오류율 6.000%로, 같은 언어에서 자사의 0.5B 형제 모델이 기록한 1.728%의 약 3.5배다. 이 카드는 한국어를 알려진 약점 중 하나로 나열하면서도 아무런 메커니즘도 제시하지 않는다. 희소 라우팅 설명은 그럴듯하지만 측정되지 않았다.

라이선스 문제, 격차는 보기보다 작다

둘 다 상업적 이용에 허용적이며, 이는 이 분야에서 흔치 않은 일이라 분명히 말할 가치가 있습니다. Ming-3.0-tts-tiny는 가중치와 코드에 MIT 라이선스를 적용하며, 동의 없이 사람을 사칭하지 말고 합성 오디오임을 표시하라는 사용 안내가 있습니다. 이는 라이선스 부여 조건이라기보다 문서상의 요청입니다. VoxCPM2는 Apache 2.0으로, 상업적 이용이 명시적으로 무료이며, 자체적인 허용 사용 문구가 있습니다.

어느 라이선스도 프로젝트를 끝장내는 법률 검토를 강요하지 않으며, 일부 오픈 웨이트 음성 모델 공개를 프로덕션에서 쓸 수 없게 만드는 호스팅 서비스 예외 조항도 어느 쪽에나 없습니다. 자체 호스팅 배포라면 두 라이선스는 충분히 비슷하므로 라이선스가 승부를 가르는 기준이 되어서는 안 되고, 학습 방식과 메모리 사용량, 속도가 그 기준이 되어야 합니다.

둘 다 보드에 없고, 어쨌든 숫자 하나는 빌려오게 된다

Artificial Analysis는 Ming-3.0-tts 항목을 Provider Voice에서 1,188 Elo, Controlled Voice에서 1,069로 기재합니다. 그것은 0.5B 모델입니다. Ming-3.0-tts-tiny는 아레나 행이 없습니다 — 순위에 오르지도, 순위 밖으로 표시되지도, 프리뷰 항목도 아니며 — GitHub README는 1,188과 1,069 수치를 어떤 체크포인트가 산출했는지 밝히지 않은 채 그대로 재현합니다.

VoxCPM2는 두 보드 어디에도 행 자체가 없으며, Hugging Face 페이지에도 이를 배포하는 추론 제공자가 없다고 명시되어 있습니다. 이러한 부재는 낮은 점수를 의미하는 것이 아닙니다. 이는 두 모델 중 어느 것도 선호도 평가 패널에 제시된 적이 없다는 뜻이므로, 이 비교에서 품질에 관한 유일한 근거는 한쪽의 Ant 자체 평가 제품군뿐이고 다른 쪽에는 아무것도 없습니다.

시작하기 전에 숫자가 필요하다면, 유용한 대체 지표는 VoxCPM2가 실제로 공개하는 실시간 계수(real-time factor)입니다. 이는 품질 지표는 아니지만 측정된 값이고, 자신의 그래픽카드에서 재현 가능하며, 모델 운영에 드는 비용을 알려줍니다. Ming-3.0-tts-tiny의 해당 값은 직접 산출해야 하는 범위입니다.

각각이 실제로 무엇을 위한 것인지

VoxCPM2는 워크로드가 장문이고 비용에 민감할 때, Ant의 아홉 개 언어에 없는 언어가 필요할 때, 배포 환경이 소비자용 단일 카드라서 8GB VRAM이 중요할 때, 또는 자체 녹음한 5분 분량 오디오로 LoRA를 학습하는 것이 로드맵에 있을 때 선택하십시오. 토크나이저가 없는 설계와 AudioVAE V2의 내장 슈퍼 해상도를 통한 48kHz 출력은 실질적인 엔지니어링 이점이며, 5개월간의 공개 사용 덕분에 실패 모드는 벤더가 아닌 외부 사용자들에 의해 문서화되어 있습니다.

Ming-3.0-tts-tiny는 오직 그것만이 제공하는 기능이 필요할 때 선택하세요. 단일 패스로 처리되는 다중 화자 팟캐스트 작업, 감정·속도·음높이·음량을 명시적으로 제어하는 14개의 인라인 준언어 태그, 5개의 영어 음성을 포함한 100명 이상의 중국어 성우진, 그리고 방언 처리가 추론된 것이 아니라 구축된 중국어 우선 모델입니다. 그 대신 귀하의 팀이 이를 벤치마킹하는 첫 번째 팀이 된다는 점, 한국어가 공개된 약점이라는 점, 파인튜닝이 문서화되지 않았다는 점, 전체 릴리스가 이제 일주일밖에 되지 않았다는 점을 감수하세요.

OrcaRouter는 두 모델 중 어느 것도 라우팅하지 않으며, 이 글은 그렇게 암시하는 것으로 읽혀서는 안 됩니다 — 두 모델 모두 직접 다운로드해 실행해야 사용할 수 있습니다. 카탈로그에 있는 것은 동일한 파이프라인의 텍스트 절반입니다: 하나의 키로 200개 이상의 모델을 공급사 정가에 마크업 없이 이용할 수 있으므로 공급사의 가격 변동이 당일 그대로 반영되며, 스크립트를 작성하거나 에이전트를 구동하는 모델에 대해서는 공급사 간 자동 페일오버가 제공됩니다. 두 음성 옵션이 모두 셀프 호스팅되고 둘 다 글자당 요금이 부과되지 않으므로, 월별로 실제로 비교할 수 있는 반복 비용은 텍스트 계층이며, 바로 이것이 단일 엔드포인트 뒤에 두는 것이 가치 있는 계층입니다.

비교는 시작한 곳에서 끝난다. 두 체크포인트, 공유된 점수판은 없고, 결정은 적당한 하드웨어에서 속도와 파인튜닝이 필요한지, 아니면 대형 하드웨어에서 중국어 우선 제어가 필요한지에 달려 있다. VoxCPM2는 공개된 수치로 첫 번째에 답한다. Ming-3.0-tts-tiny는 과제 요리책을 내세워 두 번째에 답하지만 처리량 수치는 없으며, 이는 Ant가 다음에 공개할 수 있는 가장 유용한 단일 항목이다.