Ming-3.0-tts-0.5B kontra VoxCPM2: Jeden wygrywa słowami, drugi głosem

Istnieje dokładnie jedno opublikowane porównanie Ming-3.0-tts-0.5B i VoxCPM2, a napisała je Ant Group. We własnej karcie modelu Ant przeprowadza benchmark dwóch wielojęzycznych modeli mowy na zestawie testowym Mi​niMax w językach niemieckim, hiszpańskim, francuskim, koreańskim i japońskim. Ming-3.0-tts-0.5B generuje dokładniejsze słowa w czterech z pięciu języków. VoxCPM2 generuje wierniejszy głos we wszystkich pięciu. Ten jeden wzorzec — dokładność treści po stronie checkpointu 0.5B, podobieństwo mówcy po stronie checkpointu 2B — jest najużyteczniejszą rzeczą, jaką ktokolwiek opublikował na temat tego starcia, a ponieważ jest to własna tabela dostawcy, jest to także rzecz, która najbardziej wymaga zastrzeżenia. Ant wygrywa pod względem odsetka błędów, który zdecydował się opublikować, a przegrywa pod względem oceny podobieństwa na tej samej stronie. Udokumentowane awarie AI i incydenty z udziałem agentów stojące za takimi wydaniami jak to są gromadzone w Archiwum incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporności.

Oba modele mają otwarte wagi, oba dopuszczają użycie komercyjne i oba są obsługiwane przez Ciebie, a nie wywoływane jako usługa. Ming-3.0-tts-0.5B to gęsty model Ant Group na licencji MIT, oparty na szkielecie Qwen2.5-0.5B z głowicą dyfuzyjnego transformera, opublikowany na Hugging Face 24 września 2026 r., a kod wnioskowania ukazał się na GitHubie 19 października 2026 r.; w przypadku żadnego z nich nie było oficjalnej zapowiedzi producenta. VoxCPM2 to checkpoint OpenBMB na licencji Apache-2.0 z kwietnia 2026 r., 2B model dyfuzyjno-autoregresyjny bez tokenizatora na szkielecie MiniCPM-4. Wszystko poniżej wynika z tej różnicy rozmiaru i licencji oraz z faktu, że jeden z nich ma niezależny wynik w Arena, a drugi nie.

Co tak naprawdę mówi własna tabela Anta

Wielojęzyczny zestaw testowy Mi​niMax raportuje błąd treści — współczynnik błędu słów dla niemieckiego, hiszpańskiego i francuskiego, współczynnik błędu znaków dla koreańskiego i japońskiego — obok cosinusa podobieństwa mówcy. Niższy błąd jest lepszy; wyższe podobieństwo jest lepsze. Ant sam uruchomił oba modele. Nic tutaj nie zostało odtworzone przez stronę trzecią, a opiekunowie VoxCPM2 nie opublikowali tabeli z ripostą, której nie udało nam się znaleźć.

• Niemiecki — Ming-3.0-tts-0.5B błąd 0,365, podobieństwo 0,753; VoxCPM2 błąd 0,963, podobieństwo 0,790.

• hiszpański — Ming 1,099, podobieństwo 0,763; VoxCPM2 1,324, podobieństwo 0,836.

• Francuski — Ming 4,264, podobieństwo 0,675; VoxCPM2 3,380, podobieństwo 0,761. To jedyny język, w którym ranking błędów się odwraca.

• Koreański — Ming 1.728, podobieństwo 0.793; VoxCPM2 3.547, podobieństwo 0.839.

• Japoński — Ming 3,765, podobieństwo 0,765; VoxCPM2 4,358, podobieństwo 0,825.

Warto zauważyć dwie rzeczy, zanim którykolwiek z modeli otrzyma uznanie. Po pierwsze, luka dla niemieckiego jest duża — 0,365 wobec 0,963 — podczas gdy luki dla koreańskiego i japońskiego są mniejsze, a wynik dla francuskiego idzie w przeciwnym kierunku, więc „większa dokładność” to twierdzenie dotyczące konkretnego języka, a nie ogólne. Po drugie, wskaźniki błędów dla francuskiego są wysokie dla każdego modelu w tej tabeli; konkurent wymieniony obok nich osiąga tam 19,878. Język, w którym cała konkurencja skupia się wokół złych wyników, to język, w którym część pracy wykonuje zestaw testowy, a nie modele. Francuski należy traktować jako nierozstrzygający, a nie jako zwycięstwo VoxCPM2.

Dlaczego kolumnę podobieństwa trzeba przeczytać dwa razy

Podobieństwo głosu mówcy mierzy, czy wynik brzmi jak głos referencyjny. To metryka, która odróżnia demo od produktu: sklonowany głos, który dryfuje, wyrywa słuchacza ze sceny, nawet gdy każde słowo jest poprawne, a żaden późniejszy wynik ASR nigdy ci o tym nie powie.

Ming wypada gorzej we wszystkich pięciu językach, z różnicami od 0,037 (hiszpański) do 0,086 (francuski). Są to odległości kosinusowe w ograniczonej skali, więc luki są umiarkowane, ale spójne, a spójność w pięciu językach trudniej wyjaśnić niż pojedynczy błędny wiersz. Szczere wyjaśnienie znajduje się we własnej karcie Ant, w której wprost napisano, że podobieństwo mówcy ustępuje dokładności treści. Model dostrojono pod kątem poprawnego oddawania słów.

Istnieje drugi, bardziej konkretny powód, by się tego spodziewać, i ma on charakter architektoniczny. VoxCPM2 dekoduje z częstotliwością 48 kHz przez wbudowany etap superrozdzielczości w swoim tokenizatorze AudioVAE V2 i przyjmuje 16 kHz klip referencyjny, nadal generując wyjście 48 kHz. Ming-3.0-tts-0.5B działa z częstotliwością 44,1 kHz. Częstotliwość próbkowania nie jest tym samym co podobieństwo — wyższa częstotliwość nie czyni głosu wierniejszym — ale pipeline VoxCPM2 jest wyraźnie zbudowany wokół zachowania charakteru głosu referencyjnego poprzez etap resamplingu, i jest to wybór projektowy, którego model 0.5B z dołączonym enkoderem mówcy nie podejmuje.

Uczciwa interpretacja nie brzmi: „VoxCPM2 klonuje lepiej, ponieważ jest większy”. Polega ona na tym, że oba modele optymalizują różne połowy tego samego celu, a tabela dostawcy pokazuje, że każdy wygrywa w swojej połowie.

Obcinanie głosu: dwa API, dwie filozofie

Oba klonują zero-shot z krótkiego klipu. Mechanika działania różni się na tyle, że ma to znaczenie, jeśli piszesz integrację.

• Ming-3.0-tts-0.5B — jeden punkt wejścia, argument zadania. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), a następnie synthesize(task=...) z prompt_wav_path, prompt_text i use_spk_emb. Zadania obejmują TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM i IP. Checkpoint zawiera backbone, głowicę DiT, tokenizer audio i enkoder mówcy Campplus, więc klonowanie jest pełnoprawnym zadaniem, a nie osobnym pipeline'em.

• VoxCPM2 — pip install voxcpm, następnie VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Projektowanie głosu to umieszczany w nawiasie prefiks samego tekstu, "(opis)tekst", przy czym cfg_value=2.0 i inference_timesteps=10 to udokumentowane punkty wyjściowe.

Konsekwencją jest to, że interfejs sterowania Minga jest ustrukturyzowany, a VoxCPM2 ma tekstowy. Ming udostępnia nazwane zadania z udokumentowanymi wzajemnymi wykluczeniami — FREEFORM nie można łączyć z projektowaniem głosu, wbudowanym głosem, kontrolkami emocji, dialektu lub atrybutów, a zadanie wielojęzyczne wymaga jawnego language_id dla pięciu języków innych niż chiński. To oznacza więcej do nauczenia się i mniej zgadywania. Pojedynczy ciąg znaków VoxCPM2 szybciej się wypróbowuje, ale trudniej uczynić go deterministycznym; własna karta OpenBMB zaleca wygenerowanie od jednego do trzech kandydatów, ponieważ projektowanie głosu i styl różnią się między uruchomieniami.

Jeśli budujesz interfejs, w którym producent wybiera głos z listy, ponad 100 wbudowanych głosów chińskich Minga i pięć wbudowanych głosów angielskich to menu, które możesz wyrenderować. VoxCPM2 nie ma odpowiednika takiego zestawu — jego głosy są projektowane lub klonowane, a nie wyliczane.

Języki, dialekty i warstwa paralingwistyczna

• Liczba języków — Ming-3.0-tts-0.5B obejmuje chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a także syczuański i kantoński jako osobne zadania dialektalne. VoxCPM2 deklaruje 30 języków. Ant przetestował pięć języków innych niż chiński; OpenBMB nie publikuje tabeli błędów dla poszczególnych języków, którą moglibyśmy zweryfikować, więc liczba 30 to deklaracja pokrycia bez dołączonej deklaracji jakości.

• Dialekty — Ming udostępnia syczuański i kantoński jako zadanie bez argumentu językowego. Lista 30 języków VoxCPM2 nie jest w czytanych przez nas materiałach rozbita według dialektów, a traktowanie odmian regionalnych jako objętych, ponieważ dany język jest objęty, to błąd, któremu ma zapobiegać ten punkt.

• Sterowanie w treści — Ming dostarcza 14 znaczników na oddech, kaszel, westchnienie, śmiech, wahanie, zaskoczenie i pytania, w języku chińskim lub angielskim, a także jawne emocje, szybkość, wysokość i głośność. VoxCPM2 nie ma słownika znaczników; jego sterowanie odbywa się przez prefiks opisu w języku naturalnym.

• Słaby punkt, według samego Ant — paralingwistyczne zdania obejmujące wiele zdarzeń są niestabilne, kontrola emocji pogarsza się, gdy tekst nie niesie żadnego sygnału emocjonalnego, a otwarte projektowanie głosu nie dorównuje najsilniejszemu systemowi, względem którego Ant prowadził ocenę. To ostatnie trafnie opisuje lukę do hostowanego głosu z czołówki i dotyczy również VoxCPM2.

Praktyczny podział: wybierz Ming, jeśli twój skrypt wymaga śmiechu, westchnienia lub pauzy wahania w środku zdania. Wybierz VoxCPM2, jeśli twój skrypt wymaga języka, którego Ming nie obsługuje, lub głosu zaprojektowanego na podstawie opisu tekstowego, a nie nazwanego presetu.

Uruchamianie ich: 8 GB w porównaniu z pinem CUDA

• Ming-3.0-tts-0.5B — przetestowano na NVIDIA H800-80GB oraz H20-96G z CUDA 12.4. Flash-attention jest opcjonalny, z mechanizmem fallback SDPA. Normalizacja tekstu wymaga pynini==2.1.6 albo przekazania --no_text_normalization i zaakceptowania surowych liczb oraz skrótów trafiających do modelu. PyTorch 2.6 to środowisko referencyjne. Wyjście ma 44,1 kHz.

• VoxCPM2 — około 8 GB VRAM w bf16 do prac rozwojowych i około 22 GB w szczycie na karcie 24 GB, Python 3.10 lub nowszy, PyTorch 2.5.0 lub nowszy, CUDA 12.0 lub nowsza. Udokumentowany współczynnik czasu rzeczywistego wynosi około 0,30 na RTX 4090 w czystym PyTorch i około 0,13 z Nano-VLLM — mniej więcej dwa do trzech razy szybciej niż w czasie rzeczywistym, czyli osiem razy z warstwą serwowania.

Te dwa akapity opisują zupełnie różne popołudnia inżynierskie. Stos Minga jest nowszy i bardziej kruchy: przypięta biblioteka FST, opcjonalne jądro, środowisko referencyjne przypięte do konkretnej kompilacji CUDA. VoxCPM2 jest dostępny od kwietnia i wchłonął sześć miesięcy raportów instalacyjnych społeczności. Ta przewaga dojrzałości jest realna i tymczasowa — kod inferencji Minga został opublikowany w dniu pisania tego tekstu, a repozytorium zyskało notatkę o wsparciu vLLM-Omni w commicie dokumentacyjnym tego samego popołudnia.

Żadnego z modeli nie oferuje dostawca hostowanego wnioskowania, którego bylibyśmy w stanie wskazać, i nie jest to tyle luka w tym porównaniu, ile jego założenie: oba są checkpointami do pobrania. Oznacza to jednak, że niezależne dowody są jednostronne. Ming-3.0-tts-0.5B ma wiersz Artificial Analysis na obu rankingach mowy — 1,188 Elo w Provider Voice (przedział 1,173–1,203, zakres miejsc 17–23, dziewiętnasty wiersz listy, którą przechwyciliśmy 19 października 2026 r.) oraz 1,069 w Controlled Voice (1,053–1,085, zakres miejsc 10–18, trzynasty wiersz tego samego dnia). VoxCPM2 nie ma wiersza na żadnym z rankingów według naszych najnowszych zrzutów, a ten brak utrzymuje się stabilnie od kwietnia, a nie jest niedawnym pominięciem. Zatem jedyna niezależna liczba w tym artykule należy do Ming i jest to liczba godna szacunku; VoxCPM2 nie ma nic, co mogłaby jej przeciwstawić, a żaden uczciwy artykuł nie może wymyślić Elo w bezpośrednim starciu, którego nikt nie zmierzył.

Licencja, dostrajanie i pytanie, którego nikt nie zadaje

Obie licencje pozwalają na użycie komercyjne. Ming korzysta z licencji MIT, która jest niemal tak permisywna, jak to możliwe, i wymaga jedynie wskazania autorstwa. VoxCPM2 objęta jest licencją Apache 2.0, która dodaje wyraźne udzielenie licencji patentowej oraz wyłączenie dotyczące znaków towarowych. Dla większości zespołów różnica ma charakter administracyjny, a nie prawny, i każda z tych licencji stanowi czystą odpowiedź na kwestionariusz zakupowy, podczas gdy licencja niekomercyjna już nie.

Prawdziwą asymetrią jest dostrajanie. VoxCPM2 dokumentuje pełne nadzorowane dostrajanie i LoRA na pięciu do dziesięciu minutach audio, co oznacza, że można przystosować model do konkretnego mówcy lub stylu za pomocą małego zbioru danych i jednej karty GPU. Ming-3.0-tts-0.5B nie zawiera żadnej receptury dostrajania, skryptu treningowego ani ścieżki LoRA w wydaniu, które czytaliśmy. Jeśli Twój produkt potrzebuje modelu, który jest Twój, a nie modelu, do którego piszesz prompty, to nie jest luka w benchmarkach — to luka w możliwościach, i rozstrzyga wybór, zanim w ogóle spojrzy się na jakąkolwiek liczbę Elo.

Odpowiedź Minga na tę samą potrzebę to projektowanie głosu plus klonowanie: opisz głos albo dostarcz próbkę. To pokrywa większość potrzeb produkcyjnych, ale żadnej z tych, które wiążą się z trenowaniem na zastrzeżonym audio na dużą skalę.

Gdzie warstwa routingu ma tu swoje uzasadnienie

OrcaRouter nie hostuje Ming-3.0-tts-0.5B ani VoxCPM2. Żaden z nich nie jest modelem, dla którego moglibyśmy dać ci endpoint, i ten tekst nie będzie udawał, że jest inaczej. To, do czego router rzeczywiście dociera w pipeline'ie mowy, to wszystko na wcześniejszym etapie niż sama fala dźwiękowa: model, który pisze szkic scenariusza, rozwija skróty, decyduje, gdzie trafi znacznik śmiechu, i przepisuje zdanie, które wyszło w 3,8 sekundy, choć slot miał 3,2. To wywołania tekstowe, a my kierujemy ponad 200 modeli tekstowych za jednym kluczem w cenie katalogowej dostawcy, bez doliczonej marży 0% — więc gdy dostawca obniża cenę, obniżka działa u nas tego samego dnia, a nie dopiero przy kolejnym ustalaniu cen. Automatyczne przełączanie awaryjne utrzymuje odpowiadanie tej połowy pipeline'u, podczas gdy połowa głosowa to pobranie, które obsługujesz samodzielnie.

To jest uczciwa granica. Router to niewłaściwe narzędzie do checkpointu, który uruchamiasz na własnym GPU, a właściwe narzędzie dla modeli, które decydują, co checkpoint ma powiedzieć.

Wybieranie, bez tabeli wyników, za którą można się ukryć

Wybierz Ming-3.0-tts-0.5B, jeśli Twoje treści są wielojęzyczne, a dokładność słów to metryka, o którą spierają się Twoi interesariusze; jeśli potrzebujesz obsługi głosu w pierwszej kolejności po chińsku z nazwanymi presetami; jeśli wbudowane znaczniki emocji są częścią formatu skryptu; jeśli chcesz checkpoint MIT o rozmiarze 2,96 GB, który wygodnie mieści się na skromnym sprzęcie; albo jeśli liczba 0,5 mld parametrów to różnica między realnym a nierealnym kosztem jednostkowym. Podejmując decyzję, wiedz, że głos będzie nieco mniej wierny względem próbki referencyjnej niż w VoxCPM2, że kod inferencji ma zaledwie kilka godzin, a ścieżka dostrajania nie istnieje.

Wybierz VoxCPM2, jeśli tożsamość głosu jest produktem — dubbing, praca nad postaciami, cokolwiek, przy czym słuchacz zauważyłby dryfowanie klonu — jeśli potrzebujesz jednego z języków, których Ming nie obejmuje, jeśli planujesz dostrajanie modelu na własnym audio albo jeśli chcesz stack, który od kwietnia da się instalować bez niespodzianek.

Rozstrzygnięcie jest tanie i żadna z powyższych liczb go nie zastępuje. Weź sto zdań własnego tekstu, jeden klip referencyjny i uruchom oba modele. Oceń słowa modelem ASR, a głos — tą samą metryką kosinusową, której użył Ant. Odpowiedź dla każdego języka dostaniesz w jedno popołudnie, na własnym materiale i z własnymi akcentami — to więcej, niż może ci dać tabela dostawcy zbudowana na publicznym zestawie testowym, i znacznie więcej niż ranking wymieniający tylko jeden z dwóch modeli.