Ming-3.0-tts-0.5B vs VoxCPM2: de één wint op woorden, de ander op stem.

Er is precies één gepubliceerde vergelijking van Ming-3.0-tts-0.5B en VoxCPM2, en Ant Group heeft die geschreven. In de eigen modelkaart benchmarkt Ant de twee meertalige spraakmodellen op de Mi​niMax-testset voor Duits, Spaans, Frans, Koreaans en Japans. Ming-3.0-tts-0.5B levert de nauwkeurigere woorden in vier van de vijf talen. VoxCPM2 levert de getrouwere stem in alle vijf. Dat ene patroon — inhoudelijke nauwkeurigheid tot het 0,5B-checkpoint, sprekersimilariteit tot de 2B-versie — is het nuttigste dat iemand over deze confrontatie heeft gepubliceerd, en het is de eigen tabel van een leverancier, dus het is ook het ding dat het meest om een voorbehoud vraagt. Ant wint op het foutpercentage dat het koos te publiceren en verliest de similariteitsscore op dezelfde pagina. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistingsmarkering heeft.

Beide modellen zijn open-weight, beide staan commercieel gebruik toe, en beide worden door jou gedraaid in plaats van als een dienst te worden aangeroepen. Ming-3.0-tts-0.5B is Ant Groups MIT-gelicentieerde dense model op een Qwen2.5-0.5B-backbone met een diffusion-transformer-head, gepubliceerd op Hugging Face op 24 september 2026, waarbij de inferentiecode volgde op GitHub op 19 oktober 2026 en er voor geen van beide een aankondiging van de leverancier was. VoxCPM2 is OpenBMB's Apache-2.0-checkpoint uit april 2026, een 2B tokenizer-vrij diffusion-autoregressief model op een MiniCPM-4-backbone. Alles hieronder vloeit voort uit dat verschil in omvang en licentie, en uit het feit dat een van beide een onafhankelijke arena-score heeft en de andere niet.

Wat Ants eigen tabel eigenlijk zegt

De meertalige testset van MiniMax rapporteert inhoudsfouten — woordfoutpercentage voor Duits, Spaans en Frans, tekenfoutpercentage voor Koreaans en Japans — naast een cosinus voor sprekersgelijkenis. Een lagere fout is beter; een hogere gelijkenis is beter. Ant heeft beide modellen zelf gedraaid. Niets hier is door een derde partij gereproduceerd, en de beheerders van VoxCPM2 hebben geen weerleggingstabel gepubliceerd die wij konden vinden.

• Duits — Ming-3.0-tts-0.5B fout 0.365, gelijkenis 0.753; VoxCPM2 fout 0.963, gelijkenis 0.790.

• Spaans — Ming 1.099, gelijkenis 0.763; VoxCPM2 1.324, gelijkenis 0.836.

• Frans — Ming 4,264, gelijkenis 0,675; VoxCPM2 3,380, gelijkenis 0,761. Dit is de enige taal waarin de foutrangschikking omdraait.

• Koreaans — Ming 1,728, gelijkenis 0,793; VoxCPM2 3,547, gelijkenis 0,839.

• Japans — Ming 3,765, gelijkenis 0,765; VoxCPM2 4,358, gelijkenis 0,825.

Twee dingen zijn het opmerken waard voordat een van beide modellen de eer krijgt. Ten eerste is de Duitse kloof groot — 0,365 tegen 0,963 — terwijl de Koreaanse en Japanse kloven kleiner zijn en het Franse resultaat de andere kant op gaat, dus "nauwkeuriger" is een bewering per taal, niet een algemene. Ten tweede zijn de Franse foutpercentages hoog voor elk model in die tabel; een concurrent die daarnaast wordt vermeld, scoort daar 19,878. Een taal waarin het hele veld zich rond slechte cijfers clustert, is een taal waarin de testset, niet de modellen, een deel van het werk doet. Beschouw Frans als niet beslissend in plaats van als een overwinning van VoxCPM2.

Waarom de gelijkeniskolom de kolom is die je twee keer moet lezen

Spreekergelijkenis meet of de uitvoer klinkt als de referentiestem. Het is de maatstaf die een demo van een product onderscheidt: een gekloonde stem die afdwaalt, haalt de luisteraar uit de scène, zelfs wanneer elk woord correct is, en geen enkele downstream-ASR-score zal je ooit vertellen dat dat is gebeurd.

Ming verliest het in alle vijf talen, met marges tussen 0,037 (Spaans) en 0,086 (Frans). Dat zijn cosinusafstanden op een begrensde schaal, dus de verschillen zijn bescheiden maar consistent, en consistentie over vijf talen is moeilijker weg te verklaren dan één enkele slechte rij. De openhartige uitleg staat in Ants eigen kaart, die ronduit zegt dat sprekersimilariteit achterblijft bij inhoudsnauwkeurigheid. Het model is afgestemd op het correct krijgen van de woorden.

Er is een tweede, specifiekere reden om dit te verwachten, en die is architecturaal. VoxCPM2 decodeert op 48 kHz via een ingebouwde superresolutiefase in zijn AudioVAE V2-tokenizer, en accepteert een referentieclip van 16 kHz terwijl het nog steeds een uitvoer van 48 kHz produceert. Ming-3.0-tts-0.5B werkt op 44,1 kHz. Bemonsteringsfrequentie is niet hetzelfde als gelijkenis — een hogere frequentie maakt een stem niet getrouwer — maar de VoxCPM2-pijplijn is expliciet gebouwd rond het behouden van het karakter van een referentiestem door de herbemonsteringsstap heen, en dat is een ontwerpkeuze die een 0,5B-model met een meegeleverde sprekerencoder niet maakt.

De eerlijke lezing is dus niet "VoxCPM2 kloont beter omdat het groter is." Het is dat de twee modellen verschillende helften van dezelfde doelstelling optimaliseren, en de leverancierstabel laat zien dat elk de eigen helft wint.

Een stem clippen: twee API's, twee filosofieën

Beide klonen zero-shot op basis van een korte clip. De mechanismen verschillen genoeg om van belang te zijn als je de integratie schrijft.

• Ming-3.0-tts-0.5B — één toegangspunt, één taakargument. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), en dan synthesize(task=...) met prompt_wav_path, prompt_text en use_spk_emb. Taken omvatten TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM en IP. De checkpoint bundelt de backbone, de DiT-head, de audiotokenizer en een Campplus-sprekerencoder, dus klonen is een volwaardige taak in plaats van een aparte pipeline.

• VoxCPM2 — pip install voxcpm, dan VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Voice design is een prefix tussen haakjes op de tekst zelf, "(beschrijving)tekst", met cfg_value=2.0 en inference_timesteps=10 als de gedocumenteerde uitgangspunten.

Het gevolg is dat het bedieningsoppervlak van Ming gestructureerd is en dat van VoxCPM2 tekstueel. Ming geeft je benoemde taken met gedocumenteerde wederzijdse uitsluitingen — FREEFORM kan niet worden gecombineerd met stemontwerp, een ingebouwde stem, emotie-, dialect- of attribuutbesturing, en de meertalige taak vereist een expliciete language_id voor de vijf niet-Chinese talen. Dat is meer om te leren en minder om te gissen. De enkele tekenreeks van VoxCPM2 is sneller uit te proberen en moeilijker deterministisch te maken; de eigen kaart van OpenBMB adviseert één tot drie kandidaten te genereren omdat stemontwerp en stijl per uitvoering variëren.

Als je een UI bouwt waarin een producer een stem uit een lijst kiest, zijn {{1}}de meer dan 100 ingebouwde Chinese stemmen en vijf ingebouwde Engelse stemmen van Ming{{/1}} een menu dat je kunt renderen. {{2}}VoxCPM2{{/2}} heeft geen gelijkwaardige lijst — de stemmen worden ontworpen of gekloond, niet opgesomd.

Talen, dialecten en de paralinguïstische laag

• Aantal talen — Ming-3.0-tts-0.5B dekt Chinees, Engels, Duits, Spaans, Frans, Koreaans en Japans, plus Sichuanees en Kantonees als afzonderlijke dialecttaken. VoxCPM2 claimt 30 talen. Ant testte vijf niet-Chinese talen; OpenBMB publiceert geen foutentabel per taal die wij konden verifiëren, dus de 30 is een dekkingsclaim zonder bijbehorende kwaliteitsclaim.

• Dialecten — Ming biedt Sichuanees en Kantonees aan als één taak zonder taalargument. De lijst van 30 talen van VoxCPM2 is in het materiaal dat we hebben gelezen niet per dialect uitgesplitst, en regionale varianten als gedekt beschouwen omdat de taal gedekt is, is precies de fout die dit punt moet voorkomen.

• Inline-besturing — Ming levert 14 tags voor ademhaling, hoesten, zuchten, lachen, aarzeling, verrassing en vragen, in het Chinees of Engels, plus expliciete emotie, snelheid, toonhoogte en volume. VoxCPM2 heeft geen tagvocabulaire; de besturing ervan is het prefix met een beschrijving in natuurlijke taal.

• Zwakke plek, naar Ant's eigen toegeving — paralinguïstische zinnen met meerdere gebeurtenissen zijn instabiel, emotiebeheersing verslechtert wanneer de tekst geen emotioneel signaal bevat, en open-ended stemontwerp evenaart niet het sterkste systeem waarmee Ant het vergeleek. Dat laatste is een eerlijke beschrijving van de kloof met een gehoste frontier-stem, en het geldt ook voor VoxCPM2.

De praktische afweging: kies Ming als je script een lach, een zucht of een aarzelingpauze midden in een zin nodig heeft. Kies VoxCPM2 als je script een taal nodig heeft die Ming niet dekt, of een stem die is ontworpen op basis van een geschreven beschrijving in plaats van een benoemde preset.

Ze draaien: 8 GB tegen een CUDA-pin

• Ming-3.0-tts-0.5B — getest op een NVIDIA H800-80GB en een H20-96G met CUDA 12.4. Flash-attention is optioneel met een SDPA-fallback. Tekstnormalisatie vereist pynini==2.1.6, of je geeft --no_text_normalization door en accepteert dat ruwe getallen en afkortingen naar het model gaan. PyTorch 2.6 is de referentieomgeving. De uitvoer is 44,1 kHz.

• VoxCPM2 — ongeveer 8 GB VRAM in bf16 voor ontwikkeling en ruwweg 22 GB piek op een kaart van 24 GB, Python 3.10 of nieuwer, PyTorch 2.5.0 of nieuwer, CUDA 12.0 of nieuwer. De gedocumenteerde realtimefactor is ongeveer 0,30 op een RTX 4090 in standaard PyTorch en ongeveer 0,13 met Nano-VLLM — ruwweg twee tot drie keer sneller dan realtime, of acht met de servinglaag.

Die twee alinea's beschrijven heel verschillende middagen in de engineering. Mings stack is de nieuwere en de kwetsbaardere: een vastgepinde FST-bibliotheek, een optionele kernel, een referentieomgeving die vastgepind is op een specifieke CUDA-build. VoxCPM2 is sinds april beschikbaar en heeft zes maanden aan installatierapporten uit de community verwerkt. Dat volwassenheidsvoordeel is reëel en het is tijdelijk — Mings inferentiecode is online gezet op de dag dat dit werd geschreven, en de repository kreeg zijn vLLM-Omni-ondersteuningsnotitie in een documentatiecommit dezelfde middag.

Geen van beide modellen wordt aangeboden door een gehoste inferentieprovider die we konden identificeren, en dat is niet zozeer een hiaat in deze vergelijking als wel het uitgangspunt ervan: beide zijn checkpoints die je downloadt. Het betekent wel dat het onafhankelijke bewijs scheef verdeeld is. Ming-3.0-tts-0.5B heeft een Artificial Analysis-rij op beide spraakboards — 1.188 Elo op Provider Voice (interval 1.173–1.203, rangbereik 17–23, de negentiende rij van de lijst die we op 19 oktober 2026 hebben vastgelegd) en 1.069 op Controlled Voice (1.053–1.085, rangbereik 10–18, dertiende rij op dezelfde dag). VoxCPM2 heeft op geen van beide boards een rij op het moment van onze meest recente vastleggingen, en die afwezigheid is stabiel sinds april, niet een recente weglating. Het enige onafhankelijke cijfer in dit artikel is dus van Ming, en het is een respectabel cijfer; VoxCPM2 heeft niets om daar tegenover te zetten, en geen eerlijk artikel kan een onderlinge Elo-vergelijking verzinnen die niemand heeft gemeten.

Licentie, fine-tuning en de vraag die niemand stelt

Beide licenties staan commercieel gebruik toe. Ming is MIT, wat ongeveer zo permissief is als een licentie maar kan zijn, en vereist alleen naamsvermelding. VoxCPM2 is Apache 2.0, wat een expliciete patentverlening en een uitzondering voor handelsmerken toevoegt. Voor de meeste teams is het verschil administratief van aard in plaats van juridisch, en beide zijn een duidelijk antwoord op een inkoopvragenlijst, terwijl een niet-commerciële licentie dat niet is.

De echte asymmetrie is fine-tuning. VoxCPM2 documenteert volledige supervised fine-tuning en LoRA op vijf tot tien minuten audio, wat betekent dat je het model met een kleine dataset en één GPU richting een specifieke spreker of stijl kunt sturen. Ming-3.0-tts-0.5B levert geen fine-tuningrecept, geen trainingsscript en geen LoRA-route in de release die wij hebben gelezen. Als je product een model nodig heeft dat van jou is in plaats van een model dat je slechts via prompts aanstuurt, dan is dat geen benchmarkkloof — het is een capaciteitskloof, en die beslist de keuze voordat er ook maar een Elo-getal wordt geraadpleegd.

Mings antwoord op dezelfde behoefte is stemontwerp plus klonen: beschrijf de stem of lever een clip aan. Dat dekt de meeste productiebehoeften, maar geen van de behoeften waarbij op grote schaal wordt getraind op propriëtaire audio.

Waar een routeringslaag hier zijn bestaansrecht verdient

OrcaRouter host geen Ming-3.0-tts-0.5B of VoxCPM2. Geen van beide is een model waarvoor we je een endpoint kunnen geven, en dit artikel zal niet doen alsof dat wel zo is. Wat een router in een spraakpijplijn wel bereikt, is alles stroomopwaarts van de golfvorm: het model dat het script opstelt, de afkortingen uitschrijft, bepaalt waar de lachtag komt te staan en de zin herschrijft die in 3,8 seconden werd uitgesproken terwijl het slot 3,2 was. Dat zijn tekstaanroepen, en we routeren meer dan 200 tekstmodellen achter één sleutel tegen de lijstprijs van de provider, met 0% opslag toegevoegd — dus wanneer een leverancier een prijs verlaagt, is de verlaging dezelfde dag live aan onze kant in plaats van bij de volgende prijsherziening. Automatische failover zorgt dat dat deel van de pijplijn blijft reageren, terwijl het spraakdeel een download is die je zelf beheert.

Dat is de eerlijke grens. Een router is het verkeerde gereedschap voor een checkpoint die je op je eigen GPU draait, en het juiste gereedschap voor de modellen die bepalen wat de checkpoint gevraagd wordt te zeggen.

Kiezen, zonder een ranglijst om je achter te verschuilen

Kies Ming-3.0-tts-0.5B als je content meertalig is en woordnauwkeurigheid de maatstaf is waar je belanghebbenden over discussiëren, als je Chinese-first stemdekking met benoemde presets nodig hebt, als inline emotietags deel uitmaken van het scriptformaat, als je een MIT-checkpoint van 2,96 GB wilt dat comfortabel op bescheiden hardware past, of als een parameteraantal van 0,5B het verschil is tussen een haalbare en een onhaalbare kostprijs per eenheid. Houd er rekening mee dat de stem iets minder trouw aan de referentie zal zijn dan die van VoxCPM2, dat de inferentiecode pas een paar uur oud is en dat er geen fine-tuningtraject is.

Kies VoxCPM2 als stemidentiteit het product is — nasynchronisatie, personagewerk, alles waarbij een luisteraar zou merken dat de kloon afdwaalt — als je een van de talen nodig hebt die Ming niet dekt, als je van plan bent om op je eigen audio te fine-tunen, of als je een stack wilt die sinds april zonder verrassingen installeerbaar is.

De tiebreak is goedkoop en geen van de bovenstaande cijfers vervangt hem. Neem honderd zinnen uit uw eigen tekst, één referentieclip, en laat beide draaien. Beoordeel de woorden met een ASR-model en beoordeel de stem met dezelfde cosinusmaatstaf die Ant gebruikte. U krijgt binnen een middag een antwoord per taal, op uw content, met uw accenten — meer dan een leverancierstabel op basis van een openbare testset u kan geven, en aanzienlijk meer dan een ranglijst die slechts één van de twee modellen vermeldt.