Ming-3.0-tts-0.5B vs Voxtral 4B TTS: Een van deze gewichten is niet te koop

Lees de licentie voordat je naar de benchmark kijkt, want in deze combinatie beslecht de licentie als eerste het debat. Ming-3.0-tts-0.5B valt onder MIT — download het, fine-tune het, lever het mee in een commercieel product, vermeld Ant Group en ga verder. Voxtral 4B TT​S valt onder CC BY-NC 4.0, overgenomen van de referentiestem-datasets erachter, wat betekent dat de gewichten van Mistral AI helemaal niet voor commercieel gebruik zijn gelicentieerd. De commerciële route voor Voxtral is de API tegen $0,016 per duizend tekens. De echte vraag is dus niet welk model beter klinkt. Het is of je een stem koopt die je zelf beheert of een stem huurt die je aanroept, en alleen één van deze twee checkpoints laat je die keuze maken. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waarbij elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistmarkering bevat.

Die framing klinkt alsof ze de vergelijking gemakkelijk maakt, maar dat doet ze niet, want de twee modellen zijn goed in verschillende dingen en het gehoste model biedt iets wat het open model niet kan bieden: een gepubliceerde latentie- en doorvoercurve, uitgevoerd op echte servinginfrastructuur, op drie niveaus van gelijktijdigheid. Ming-3.0-tts-0.5B is op 24 september 2026 gepubliceerd op Hugging Face en de inferentiecode op 19 oktober 2026 op GitHub, zonder aankondiging van Ant Group voor een van beide — het model is 19 dagen oud als artefact en pas enkele uren oud als iets dat je daadwerkelijk kunt draaien. Voxtral 4B TT​S werd in maart 2026 aangekondigd door Mistral en heeft zeven maanden de tijd gehad om gemeten te worden. Hieronder volgen de licentie, de deploymentvorm, de cijfers die elke partij eerlijk kan claimen, en de vragen die geen van beide leveranciers heeft beantwoord.

Twee licenties die geen variaties op een thema zijn

• Ming-3.0-tts-0.5B — MIT. Commercieel gebruik, wijziging, redistributie en fine-tuning zijn allemaal toegestaan, met naamsvermelding. Een checkpoint van 2,96 GB die je in een containerimage kunt stoppen, op je eigen accelerator kunt draaien en aan een klant kunt leveren zonder iemand om toestemming te vragen.

• Voxtral 4B TT​S — CC BY-NC 4.0. Niet-commercieel. Mistrals modelkaart is expliciet dat het model de licentie van zijn referentiestemmen erft, afkomstig uit bronnen waaronder EARS, CML-TTS, IndicVoices-R en een Arabische set met natuurlijke audio. De gewichten zijn prima te downloaden; de licentie is de beperkende factor, niet het bestand.

Het onderscheid dat mensen verkeerd maken, is dat de API niet onder dezelfde beperking valt. Voxtral aanroepen via de dienst van Mistral is een commerciële transactie met de leverancier, en $0,016 per duizend tekens is de prijs. Het zelf hosten ervan binnen een betaald product is een andere handeling, en het is degene die de licentie verbiedt. Als je deployment on-premises moet zijn — gegevensresidentie, air-gapped inferentie, een klant die geen endpoint van derden goedkeurt — dan is Voxtral 4B TT​S tegen geen enkele prijs een optie, terwijl Ming-3.0-tts-0.5B onvoorwaardelijk beschikbaar is.

Dat is een harde grens, en het loont die te onderscheiden van de zachtere. Een niet-commerciële licentie staat nog steeds evaluatie, onderzoek en interne experimenten toe, dus de verstandige manier om deze tabel te lezen is dat Voxtral een dienst is die je gratis mag testen en Ming een artefact dat je volledig in eigendom kunt hebben.

Wat een half miljard parameters oplevert, en wat niet

• Grootte en architectuur — Ming-3.0-tts-0.5B is een dense model met 0,5B parameters op een Qwen2.5-0.5B-backbone met een diffusion-transformer-head, en het checkpoint bundelt de audiotokenizer en speakerencoder. Voxtral 4B TT​S heeft ongeveer 4 miljard parameters, wordt geserveerd via vLLM-Omni en is gebouwd op Mistral's Ministral-3-3B-basis.

• Uitvoer — Ming op 44,1 kHz; Voxtral op 24 kHz in WAV, PCM, FLAC, MP3, AAC of Opus. Een 44,1 kHz-master is het verschil tussen een bestand dat je direct aan een video-editor kunt geven en een bestand dat eerst opnieuw gesampled moet worden, en dat is belangrijker bij dubbing en broadcast dan bij een telefoonagent.

• Modi — Ming heeft benoemde taken (TT​S, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) met gedocumenteerde wederzijdse uitsluitingen. Voxtral doet streaming en batch, zonder een equivalente taaktaxonomie te publiceren.

• Stemmen — Ming levert meer dan 100 ingebouwde Chinese stemmen en vijf ingebouwde Engelse, plus zero-shotklonen op basis van een korte clip en stemontwerp op basis van een beschrijving in natuurlijke taal. Voxtral levert 20 vooraf ingestelde stemmen en past zich aan een referentieclip van slechts drie seconden aan. Twintig is een zorgvuldig samengestelde selectie; honderd is een castlijst. Wat je wilt, hangt ervan af of je een product met één stem bouwt of een tool waarmee anderen er een kunnen kiezen.

• Paralinguïstiek — de 14 inline-tags van Ming dekken ademhaling, hoesten, zuchten, lachen, aarzeling, verrassing en vragen, plus expliciete regelaars voor emotie, snelheid, toonhoogte en volume. Mistral publiceert geen tagvocabulaire voor Voxtral. Het ontbreken van documentatie is niet het ontbreken van capaciteit, en het is ook geen bewijs ervan.

Het aantal van 0,5B parameters is het deel dat verkeerd wordt gelezen. Ming is geen kleinere versie van Voxtral; het is een ander ontwerp, dat erop gokt dat een compacte backbone plus een meegeleverde sprekerencoder en een tokenizer genoeg is voor bestuurbare spraak, en dat zijn capaciteit besteedt aan controle in plaats van aan schaal. In Ants eigen meertalige evaluatie verslaat het VoxCPM2 op inhoudsnauwkeurigheid in vier van de vijf talen, terwijl het in alle vijf verliest op sprekerovereenkomst — wat je op een scorekaart ziet bij een model dat is afgestemd op woorden in plaats van op timbre.

Het enige getal dat Voxtral heeft en Ming niet

Mistral heeft een servingbenchmark gepubliceerd, en dat is het nuttigste onderdeel van beide releases voor iedereen die capaciteit plant. Op één H200 waarop vLLM-Omni 0.18.0 draait, met een invoer van 500 tekens en een audioreferentie van tien seconden:

• Gelijktijdigheid 1 — 70 milliseconden latentie, realtimefactor 0,103, ongeveer 119 tekens per seconde aan GPU-tijd.

• Gelijktijdigheid 16 — 331 milliseconden, RTF 0,237, ongeveer 879 tekens per seconde.

• Gelijktijdigheid 32 — 552 milliseconden, RTF 0,237 overgenomen, ongeveer 1.431 tekens per seconde.

Dat is een capaciteitsplan in drie regels: de latentie blijft ruim onder één seconde, tot ver voorbij de gelijktijdigheid die de meeste spraakproducten daadwerkelijk bereiken, en de doorvoer schaalt ruwweg twaalfvoudig van één stream naar tweeëndertig. Het is Mistrals eigen harness, niet gereproduceerd, en het gaat uit van de referentieomgeving — maar het is een vorm waaraan je een deployment kunt dimensioneren.

Het equivalente getal van Ming is onafhankelijk en niet door de leverancier gerapporteerd, en het meet iets net anders. Artificial Analysis registreert Ming-3.0-tts op 42,1 tekens per seconde generatietijd op zijn eigen testopstelling, één verzoek tegelijk. Dat is ongeveer een derde van de single-streamsnelheid van Voxtral, gemeten met een andere methode op andere hardware, en eerlijk gezegd zijn de twee cijfers niet direct vergelijkbaar: het ene is de doorvoer van Mistral bij een gekozen concurrency op een H200, het andere is een single-streammeting van een derde partij op niet-gepubliceerde hardware. Wat wel gezegd kan worden, is dat beide snel genoeg zijn voor interactieve spraak en dat geen van beide een realtimebeperking vormt.

Het doorvoerverschil dat er echt toe doet, hangt samen met licenties. De curve van Voxtral is een reden om de API te gebruiken in plaats van iets rond de gewichten te bouwen — de serving-engineering is al gedaan, en je betaalt per teken in plaats van per GPU-uur. Mings snelheid is een reden om je eigen break-evenpunt uit te rekenen, want bij 42,1 tekens per seconde is een miljoen tekens ongeveer 6,6 uur genereren, en of dat goedkoop is, hangt volledig af van wat je accelerator kost wanneer die verder niets doet.

Negen talen tegenover zeven, en geen van beide lijsten vormt een kwaliteitsclaim

• Ming-3.0-tts-0.5B — Chinees, Engels, Duits, Spaans, Frans, Koreaans en Japans, met Sichuanees en Kantonees als afzonderlijke dialecttaken en een expliciete taalidentificatie vereist voor de vijf niet-Chinese talen.

• Voxtral 4B TT​S — Engels, Frans, Spaans, Duits, Italiaans, Portugees, Nederlands, Hindi en Arabisch. De kaart beschrijft "diverse dialecten" binnen die ondersteuning zonder ze op te sommen.

De overlap bestaat uit vijf talen: Engels, Frans, Spaans, Duits en een van Koreaans of Japans, afhankelijk van hoe je regionale dekking meetelt. Elk model dekt iets wat het andere niet dekt — Italiaans, Portugees, Nederlands, Hindi en Arabisch aan de kant van Voxtral; Koreaans, Japans, Sichuannees en Kantonees aan de kant van Ming. Als je roadmap Arabisch of Hindi omvat, is de beslissing al gevallen voordat de eerste benchmark is gelezen.

Wat geen van beide leveranciers publiceert, is kwaliteit per taal. Mistral geeft geen foutpercentage voor een van zijn negen talen. Ant testte vijf niet-Chinese talen op de Mi​niMax-set en publiceerde cijfers, maar dat is Ants eigen testomgeving tegen Ants eigen gekozen concurrenten, en ze zeggen niets over Koreaans of Japans tegenover Voxtral, omdat Voxtral niet in de tabel stond. De taalvergelijking hier is dus dekking, niet bekwaamheid, en elk artikel dat het als bekwaamheid presenteert, gokt.

Het bord dat beide heeft, zeg maar.

Beide modellen staan op de spraakleaderboards van Artificial Analysis, maar niet met dezelfde meetdatum en niet met hetzelfde omliggende deelnemersveld. Beschouw dit dus als een oriëntatie in plaats van een rechtstreeks onderling vergelijkingsresultaat.

• Ming-3.0-tts-0.5B — Provider-stem 1,188 Elo (interval 1,173–1,203, rangbereik 17–23, negentiende rij van de lijst); Gecontroleerde stem 1,069 (1,053–1,085, rangbereik 10–18, dertiende rij). Beide metingen zijn van 19 oktober 2026, de dag waarop de inferentiecode online ging.

• Voxtral 4B TT​S — Controlled Voice 1.005 Elo, rangbereik 24–30, zesentwintigste rij van dezelfde vastlegging van 19 oktober. De positie van de providerstem stond niet in het materiaal dat we konden verifiëren.

Het Controlled Voice-board is het bord dat je kunt vertrouwen, omdat elk model daar dezelfde vaste referentiestemmen kloont en de stemmencast geen confounder meer is. Op de bovenstaande capture liggen de 1.069 van Ming en de 1.005 van Voxtral 64 punten uit elkaar, en met overlappende rangbereiken is de eerlijke conclusie dat Ming hoger scoort op een meting die later tegen een groter deelnemersveld is uitgevoerd. Lees het niet als een definitieve overwinning van 64 punten. Lees het wel als bewijs dat een open 0,5B-checkpoint zich naast een 4B-model van een leverancier qua stemgetrouwheid niet uit het veld hoeft te laten slaan, en dat is het verrassende eraan.

Wat een zelfgehoste Ming-pipeline je daadwerkelijk kost aan engineering

Ming adopteren is geen download en een functieaanroep. De referentieomgeving is er een met vaste versies: PyTorch 2.6 met CUDA 12.4, getest op een H800-80GB en een H20-96G, met flash-attention optioneel en een SDPA-fallback. Voor tekstnormalisatie is pynini 2.1.6 nodig — een bibliotheek die erom bekendstaat lastig te installeren te zijn — of je geeft een flag mee die normalisatie uitschakelt en accepteert dat getallen, valuta en afkortingen onbewerkt naar het model gaan.

Dat zijn de kosten die nooit in een vergelijkingstabel opduiken en altijd in een sprint naar voren komen. De equivalente kosten van Voxtral zitten verborgen in de API-prijs: iemand anders heeft de omgeving vastgezet, iemand anders regelt de concurrency, en de ruil daarvoor is dat je de stemcast niet kunt wijzigen buiten het aanpassen op basis van een referentieclip, en dat je het model niet op een machine die je zelf beheert kunt draaien voor commerciële doeleinden.

De volwassenheid van Ming moet ook eerlijk worden gewaardeerd. De GitHub-repository verscheen op 19 oktober 2026, waarbij de eerste commit de inferentiecode, een Dockerfile, voorbeelden met één klik en een taakcookbook bevatte, en er die middag doorlopend documentatiecommits werden toegevoegd — waaronder een die vLLM-Omni-ondersteuning markeerde. vLLM-Omni is dezelfde servingstack die Mistral gebruikte voor zijn Voxtral-benchmark, een nuttig toeval: het pad naar een productie-implementatie voor Ming is het pad dat Voxtral al heeft gedocumenteerd, één laag dieper.

Waar routing past, en het deel dat het niet raakt

OrcaRouter biedt Ming-3.0-tts-0.5B niet aan; het is een checkpoint dat je zelf draait. Voxtral 4B TT​S is beschikbaar via de eigen API van Mistral, en dit stuk beweert niet dat wij het routeren. Wat een router in beide architecturen wél bereikt, is de tekst rond de stem — het script, de beslissingen over SSML-achtige tags, de vertaalstap die één hoofdscript vóór de synthese in negen talen omzet, de samenvatter die een passage inkort om binnen een tijdslot te passen. Die aanroepen gebeuren honderden keren per audiominuut, en daar concentreren de kosten en de faalmodi van een pipeline zich daadwerkelijk.

Dat is de laag die wij beheren: meer dan 200 tekstmodellen achter één sleutel tegen de lijstprijs van de provider, met 0% opslag erbij, zodat een prijsverlaging van een leverancier je bereikt op de dag dat die ingaat en niet bij de volgende prijsherziening; automatische failover tussen providers, zodat een slechte middag bij één provider de scriptgeneratie die de stem voedt niet stopt; en een routing-DSL om meerdere modellen in één aanroep te combineren wanneer de vertaalstap en de stijlherschrijving verschillende modellen nodig hebben. Het stemmodel aan het einde van de keten kies je zelf, en dit artikel gaat over die keuze.

Wat geen van beide kaarten je vertelt

Drie vragen bepalen de meeste echte implementaties, en geen van beide leveranciers beantwoordt er ook maar één.

• Hoe houdt de kwaliteit stand onder gelijktijdigheid? Mistral meet latency en throughput bij 32 streams, maar publiceert geen kwaliteitsverschil tussen batch en streaming. De release van Ming heeft helemaal geen verhaal over gelijktijdigheid — een harness voor één verzoek, een referentie-GPU en geen vLLM-throughputcurve, alleen een supportnotitie.

• Hoe klinkt een mislukte generatie? Geen van beide kaarten documenteert afkappingsgedrag, herhalingslussen, of wat er gebeurt wanneer een script met 14 tags botst met een zin die het model niet kan parsen. De kaart van Ant is ongewoon open over zijn zwakke plekken — instabiele paralinguïstiek bij meerdere gebeurtenissen, emotiecontrole die verslechtert wanneer de woorden geen emotie bevatten, Franse gelijkenis als zijn slechtste taal, en open-ended stemontwerp dat niet overeenkomt met het sterkste systeem waarmee het werd geëvalueerd — maar een sectie met beperkingen is geen taxonomie van fouten.

• Wie onderhoudt dit over een jaar? Mistral is een bedrijf met een commerciële TTS-dienst en een duidelijk belang om die actueel te houden; de checkpoint van maart is al zeven maanden stabiel. Ming-3.0-tts-0.5B heeft één like, zes downloads en een repository die op de dag dat dit werd geschreven is aangemaakt. Ant Group ondersteunt het misschien wel — de Ming-familie omvat ASR, audio en kleine varianten, wat wijst op een programma in plaats van een eenmalig project — maar niets in de release legt zich ergens op vast.

Dat laatste punt is het punt dat je tegen de MIT-licentie moet afwegen. Een permissieve licentie garandeert je het recht om de gewichten voor altijd te gebruiken; ze garandeert niet dat iemand een bug in de inferentiecode oplost, en het verschil wordt pas zichtbaar in maand zeven.

De beslissing, in de volgorde waarin ze daadwerkelijk binnenkomt

Begin met de implementatiebeperking, want die sluit één optie meteen uit. Als het model moet draaien op infrastructuur die u beheert en de uitvoer commercieel bruikbaar moet zijn, is het antwoord Ming-3.0-tts-0.5B, en de resterende vragen zijn technisch van aard: leg de omgeving vast, zorg dat pynini is geïnstalleerd of accepteer niet-genormaliseerde tekst, reken op ongeveer 6,6 GPU-uur per miljoen tekens, en accepteer dat de stem iets minder trouw aan een referentieclip zal zijn dan het beste open alternatief. Als het model Arabisch, Hindi, Italiaans, Portugees of Nederlands moet spreken, is het antwoord Voxtral 4B TTS via de API, en de resterende vragen zijn commercieel: $0.016 per duizend tekens, twintig stemmen, een uitvoer van 24 kHz die mogelijk geresampled moet worden, en een leverancier die de serveercurve heeft gepubliceerd waarop u uw dimensionering zult baseren.

Als geen van beide beperkingen knelt, is de beslissende factor wat je product is. Een dubbing- of broadcastpipeline die veel stemmen, dialectdekking en inline emotie nodig heeft, wil Ming's cast en de 44,1 kHz-output ervan, en betaalt daarvoor in operationeel opzicht. Een voice agent of een IVR die voorspelbare latency, streaming en iemand anders die paraat staat nodig heeft, wil Voxtral's API, en betaalt daarvoor per karakter en met het verlies van een stemmencast die niet verder dan twintig kan worden uitgebreid.

Het enige dat de moeite waard is om vóór beide te doen: schrijf op in welke talen je de komende twaalf maanden daadwerkelijk gaat leveren, en welke daarvan je juridische team je infrastructuur mag laten verlaten. Die twee lijsten reduceren dit sneller van een modelvergelijking tot één kandidaat dan welk Elo-getal dan ook, en anders dan de leaderboards zijn ze actueel.