Ming-3.0-tts-tiny vs VoxCPM2: twee checkpoints, waarvan er één zijn snelheid publiceert

Dit is de enige vergelijking in de Ming-3.0-tts-tiny-serie waarin beide kanten daadwerkelijk kunnen worden uitgevoerd, en dat verandert waar het argument over gaat. Ming-3.0-tts-tiny, van de inclusionAI van Ant Group, is een mixture-of-expertsmodel met 7,9 miljard parameters dat ongeveer 1,3 miljard parameters per token activeert, onder MIT-licentie, ongeveer 18 GB op schijf, met een H800 die als aanbevolen kaart wordt genoemd. VoxCPM2, van OpenBMB, is een tokenizerloos model met 2 miljard parameters op een MiniCPM-4-backbone, Apache 2.0, ongeveer 8 GB bij bfloat16, uitgebracht in april 2026. Geen van beide heeft een regel op een leaderboard. Geen van beide heeft een prijs voor gehost gebruik. Wanneer twee modellen allebei downloadbaar en allebei zonder score zijn, gaat de vergelijking niet meer over voorkeur maar over rekenwerk: uren audio per GPU-uur, geheugen per proces, en of je het model kunt fine-tunen zonder zelf de trainingscode te schrijven. De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waarbij elke vermelding zijn eigen bronnen, ernstgraad, betrouwbaarheidsgraad en betwistmarkering bevat.

De releasegeschiedenissen zijn het waard om ronduit te vermelden, omdat ze de volwassenheidskloof verklaren. VoxCPM2 is sinds april openbaar, heeft in de afgelopen maand ongeveer 847.000 downloads verzameld en levert trainingsscripts samen met inferentie. De repository van Ming-3.0-tts-tiny is op 22 september 2026 aangemaakt, de weights zijn op 24 september gearriveerd, en de code om ze te draaien bestond publiekelijk pas op 19 oktober om 08:58 UTC, toen er op één middag negen commits binnenkwamen. Ant heeft het model niet aangekondigd. Er is geen technisch rapport; de roadmap vermeldt het als een niet-aangevinkt vakje, en de modelkaart is op 16 oktober specifiek bewerkt om een verwijzing daarnaar te verwijderen. Dus een van deze is een vijf maanden oud project met een gebruikersbasis en de andere is een pipeline die op het moment van schrijven een week oud is.

De eerste van hen publiceert en de andere niet.

De kaart van VoxCPM2 vermeldt een real-timefactor van ongeveer 0,30 in standaard PyTorch op een RTX 4090, die daalt tot ruwweg 0,13 onder Nano-VLLM. Real-timefactor is seconden rekenwerk per seconde audio, dus die twee cijfers betekenen dat één GPU-uur in het eerste geval ongeveer 3,3 uur voltooide spraak oplevert en in het tweede ongeveer 7,7.

Ming-3.0-tts-tiny publiceert helemaal geen doorvoer. Geen real-timefactor, geen tekens per seconde, niets gemeten op een kaart. Wat de release wel biedt, is de omgeving waarin hij is gevalideerd — Python 3.10.15, torch en torchaudio 2.7.1 met CUDA 11.8, transformers vastgezet op 4.46.3, een H800, en een preflightscript dat je installatie controleert voordat je een run verspilt — plus de architectuur: 8.980.964.372 parameters in BF16, 40.096 in F32, een expertstack van in totaal 7,9B met ongeveer 1,3B actief per token.

Je kunt niet de doorvoer van het 0,5B-zustermodel lenen om het gat te dichten. Dat model werd op een onafhankelijke testomgeving gemeten op 42,1 tekens per seconde en neemt 2,96 GB in beslag; het kleine model activeert ongeveer tweeënhalf keer zoveel parameters per token en neemt ongeveer zes keer zoveel schijfruimte in beslag. Sparse routing compenseert een deel van de kosten van het grotere totaal, wat precies het doel van de architectuur is, maar niemand buiten Ant heeft er een getal aan gehangen hoeveel.

De kostenberekening maken met een gat erin

Omdat de ene kant zijn snelheid publiceert en de andere niet, is de eerlijke versie van deze vergelijking een bereik in plaats van een getal. Dit is hoe het eruitziet.

• VoxCPM2 op een RTX 4090, PyTorch — 0,30 RTF, dus 3,3 uur audio per GPU-uur. Een miljoen tekens aan narratie, bij een ruwe schatting van 15 tekens per seconde spraak, is ongeveer 18,5 uur voltooide audio, of ruwweg 5,6 GPU-uren.

• VoxCPM2 op dezelfde kaart, Nano-VLLM — 0,13 RTF, dus 7,7 uur per GPU-uur, of ruwweg 2,4 GPU-uur voor dezelfde miljoen tekens. De serving-stack verdubbelt de output ruimschoots zonder de gewichten aan te passen.

• Ming-3.0-tts-tiny — onbekend. Bij een hypothetische 20 tekens per seconde zou er ongeveer 14 uur generatie nodig zijn; bij 10 tekens per seconde ongeveer 28. Geen van beide getallen is een meting en beide moeten als plaatsaanduidingen worden beschouwd totdat iemand er een publiceert.

• Geheugen — VoxCPM2 claimt ongeveer 8 GB bij bf16, wat past op een 24 GB-consumentenkaart met ruimte voor batching. De 18 GB aan gewichten van Ming-3.0-tts-tiny plus activaties en de audiodecoder betekenen dat een 80 GB H800 het verstandige doel is en een 24 GB-kaart niet.

• Sequentielimiet — VoxCPM2 is beperkt tot 8.192 tokens, wat een echte beperking vormt voor werk met lange teksten en de moeite waard is om te vergelijken met je langste alinea voordat je definitief kiest. Ming-3.0-tts-tiny publiceert geen vergelijkbare limiet; het langvormpad daarvan is de podcasttaak, die een script gebruikt in plaats van een enkele uiting.

De conclusie die standhoudt ondanks het ontbrekende getal gaat over benutting, niet over snelheid. Een kaart die stil ligt, verliest van elke gehoste API, ongeacht de prijs, en een kaart die je al bezit en bezig houdt, wint op marginale kosten, ongeacht welke van deze twee je draait. Het verschil tussen 0,30 en 0,13 RTF is een factor 2,3 in kosten per uur audio, wat groter is dan de meeste teams verwachten van een wijziging in de serving-stack en groter dan het verschil in parameteraantallen zou suggereren.

Fine-tuning is waar de twee ophouden vergelijkbaar te zijn

VoxCPM2 documenteert zowel volledige supervised fine-tuning als LoRA op slechts vijf tot tien minuten audio, met voor elk een trainingsscript en een configuratie. Dat is geen voetnoot; het is het verschil tussen een model waarvan je het gedrag huurt en een model waarvan je het gedrag bezit.

Ming-3.0-tts-tiny documenteert inferentie, niet training. De repository is een kookboek met taken — seed-stemkloning, meertaligheid, paralinguïstiek, podcast, basisattributen, emotie, dialect, vrije vorm, stemontwerp en een "ip"-taak — opgebouwd rond één enkele MingTinyTTS.from_pretrained ingangspunt. Er is geen LoRA-recept, geen SFT-configuratie en geen uitspraak over of fine-tuning überhaupt wordt ondersteund. Het zou heel goed mogelijk kunnen zijn; een checkpoint is een checkpoint. Maar "mogelijk" en "gedocumenteerd met een werkend script" zijn verschillende hoeveelheden engineering, en het tweede is wat VoxCPM2 levert.

Voor een merkstem, een gereguleerd domein of een taal die geen van beide modellen out of the box goed aankan, is dat de beslissende asymmetrie. Vijf minuten referentie-audio en een aangeleverde config is een week werk. Het reverse-engineeren van een trainingspad voor een sparse 7,9B-model zonder referentie-implementatie is een kwartaal.

Talen, dialecten en wat "30 talen" oplevert

• Ming-3.0-tts-tiny — Chinees, Engels, Duits, Spaans, Frans, Koreaans en Japans, plus Sichuaans en Kantonees wanneer je een referentieclip in het dialect aanlevert. Negen in totaal als je de twee dialecten meetelt.

VoxCPM2 — 30 talen, waaronder Kantonees en Sichuanese, en de kaart vermeldt dat er geen taaltag nodig is: je geeft het tekst en het leidt de taal af. Dat is een gemak met een faalmodus, aangezien tekst in gemengde talen door het model wordt bepaald in plaats van door jou.

Op de talen die ze gemeen hebben, heeft slechts één partij foutpercentages per taal gepubliceerd, en dat is Ant. Duits 0,325% tekenfout, Spaans 0,971%, Japans 3,427%, Frans 3,470%, Koreaans 6,000%, allemaal op Ants eigen testopstelling, allemaal niet gereproduceerd. VoxCPM2 publiceert geen tabel per taal, dus het voordeel in breedte kan niet worden getoetst aan de claim over diepgang. Iedereen die hier een winnaar op taalkwaliteit citeert, citeert de spreadsheet van de ene leverancier tegen de stilte van de andere.

Het Koreaanse cijfer verdient een eigen zin, omdat het het duidelijkste gebrek is in het record van Ming-3.0-tts-tiny: 6.000% tekenfout, ongeveer drieënhalf keer de 1.728% die zijn eigen 0.5B-broertje op dezelfde taal noteert. De kaart noemt Koreaans bij de bekende zwakke punten en biedt geen mechanisme. Een sparse-routingverklaring is plausibel en niet gemeten.

De licentiekwestie, waar de kloof kleiner is dan hij lijkt

Beide zijn permissief voor commercieel gebruik, wat ongebruikelijk is in dit vakgebied en ronduit gezegd moet worden. Ming-3.0-tts-tiny is MIT voor gewichten en code, met een gebruiksnotitie die vraagt mensen niet zonder toestemming na te bootsen en synthetische audio te labelen — een verzoek in de documentatie, geen voorwaarde van de licentieverlening. VoxCPM2 is Apache 2.0, expliciet gratis voor commercieel gebruik, met zijn eigen taal voor acceptabel gebruik.

Geen van beide licenties dwingt een juridische beoordeling af die het project beëindigt, en geen van beide heeft de uitzondering voor gehoste diensten waardoor sommige open-weight spraakreleases onbruikbaar worden in productie. Voor een self-hosted deployment liggen de twee zo dicht bij elkaar dat de licentie niet de doorslag zou moeten geven; de trainingsaanpak, de geheugenvoetafdruk en de snelheid zouden dat moeten zijn.

Geen van beide staat op het bord, en er wordt toch één nummer geleend.

Artificial Analysis vermeldt een Ming-3.0-tts-vermelding met 1.188 Elo op Provider Voice en 1.069 op Controlled Voice. Dat is het 0,5B-model. Ming-3.0-tts-tiny heeft geen arena-rij — niet gerangschikt, niet ongerangschikt, geen preview-vermelding — en de GitHub README reproduceert de cijfers 1.188 en 1.069 zonder te zeggen welk checkpoint ze heeft geproduceerd.

VoxCPM2 heeft helemaal geen rij, op geen van beide ranglijsten, en op de Hugging Face-pagina staat dat geen enkele inferenceprovider het implementeert. Die afwezigheid is geen lage score. Het betekent dat niemand een van deze twee modellen aan een voorkeurspanel heeft voorgelegd, dus het enige kwaliteitsbewijs in deze vergelijking is de eigen suite van Ant aan de ene kant en niets aan de andere kant.

Als je een getal nodig hebt voordat je begint, is de nuttige vervanging degene die VoxCPM2 wél publiceert: real-timefactor. Het is geen kwaliteitsmaatstaf, maar het is gemeten, het is reproduceerbaar op je eigen kaart, en het vertelt je wat het model kost om te draaien. Het equivalent van Ming-3.0-tts-tiny is een bereik dat je zelf zult moeten produceren.

Waar elk exemplaar eigenlijk voor is

Kies VoxCPM2 wanneer de workload langvormig en kostenbewust is, wanneer je een taal nodig hebt buiten Ants negen talen, wanneer 8 GB VRAM van belang is omdat je deployment op één consumentenkaart draait, of wanneer een LoRA op je eigen vijf minuten audio op de roadmap staat. Het tokenizerloze ontwerp en de 48 kHz-uitvoer via de ingebouwde superresolutie van AudioVAE V2 zijn echte technische voordelen, en de vijf maanden publiek gebruik betekenen dat de faalmodi zijn gedocumenteerd door buitenstaanders in plaats van door de leverancier.

Kies Ming-3.0-tts-tiny wanneer je nodig hebt wat alleen dit model biedt: een podcasttaak met meerdere sprekers in één enkele doorgang, 14 inline paralinguïstische tags met expliciete controle over emotie, snelheid, toonhoogte en volume, een cast van meer dan 100 Chinese stemmen en vijf Engelse stemmen, en een model dat primair op Chinees is gericht en waarvan de dialectverwerking is gebouwd in plaats van afgeleid. Accepteer in ruil daarvoor dat je het eerste team zult zijn dat het model benchmarkt, dat Koreaans een gepubliceerde zwakte is, dat fine-tuning niet gedocumenteerd is en dat de hele release nog maar een week oud is.

OrcaRouter routeert geen van beide modellen, en dit stuk moet niet worden gelezen als een suggestie van het tegendeel — beide bereik je door ze zelf te downloaden en te draaien. Wat in de catalogus staat, is de teksthelft van dezelfde pijplijn: meer dan 200 modellen achter één sleutel tegen de lijstprijs van de provider zonder dat er marge wordt toegevoegd, dus een prijswijziging van een leverancier bereikt je dezelfde dag, met automatische failover tussen providers voor het model dat het script schrijft of de agent aanstuurt. Omdat beide spraakopties zelf worden gehost en geen van beide een rekening per teken met zich meebrengt, is de terugkerende kostenpost die je echt maand na maand kunt vergelijken de tekstlaag, en die is het waard om achter één enkel eindpunt te zetten.

De vergelijking eindigt waar ze begon: twee checkpoints, geen gedeeld scorebord, en een beslissing die neerkomt op de vraag of je snelheid en fine-tuning op bescheiden hardware nodig hebt, of Chinese-first controle op een groot systeem. VoxCPM2 beantwoordt het eerste met gepubliceerde cijfers. Ming-3.0-tts-tiny beantwoordt het tweede met een taakkookboek en geen doorvoercijfer, wat het meest nuttige is dat Ant hierna zou kunnen publiceren.