Ming-3.0-tts-tiny vs VoxCPM2: Dwa punkty kontrolne, z których jeden publikuje swoją prędkość

To jedyne porównanie w serii Ming-3.0-tts-tiny, w którym obie strony można faktycznie uruchomić, i to zmienia, czego dotyczy spór. Ming-3.0-tts-tiny, od inclusionAI należącego do Ant Group, to 7,9-miliardowy model mieszaniny ekspertów aktywujący około 1,3 miliarda parametrów na token, na licencji MIT, zajmujący około 18 GB na dysku, a jako zalecaną kartę wskazano H800. VoxCPM2, od OpenBMB, to 2-miliardowy model bez tokenizera oparty na MiniCPM-4, Apache 2.0, około 8 GB w bfloat16, wydany w kwietniu 2026. Żaden nie ma wpisu w rankingu. Żaden nie ma ceny hostowanej. Gdy oba modele można pobrać i oba nie mają ocen, porównanie przestaje dotyczyć preferencji, a staje się arytmetyką: godzin audio na godzinę GPU, pamięci na proces i tego, czy można dostroić model bez samodzielnego pisania kodu treningowego. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, poziom istotności, ocenę pewności i oznaczenie sporności.

Historie wydań warto przedstawić wprost, ponieważ wyjaśniają lukę w dojrzałości. VoxCPM2 jest publicznie dostępny od kwietnia, zgromadził około 847 000 pobrań w ciągu ostatniego miesiąca i udostępnia skrypty treningowe obok wnioskowania. Repozytorium Ming-3.0-tts-tiny utworzono 22 września 2026 r., wagi trafiły 24 września, a kod do ich uruchamiania nie był publicznie dostępny aż do 19 października o 08:58 UTC, kiedy to jednego popołudnia pojawiło się dziewięć commitów. Ant nie ogłosił modelu. Nie ma raportu technicznego; roadmapa wymienia go jako niezaznaczone pole, a kartę modelu edytowano 16 października specjalnie po to, by usunąć wzmiankę o nim. Tak więc jeden z nich to pięciomiesięczny projekt z bazą użytkowników, a drugi to pipeline, który na moment pisania ma tydzień.

Pierwszy z nich publikuje, a drugi nie.

Karta VoxCPM2 podaje współczynnik czasu rzeczywistego na poziomie około 0,30 w standardowym PyTorch na RTX 4090, spadający do około 0,13 w Nano-VLLM. Współczynnik czasu rzeczywistego to sekundy obliczeń na sekundę dźwięku, więc te dwie wartości oznaczają, że jedna godzina GPU daje około 3,3 godziny gotowej mowy w pierwszym przypadku i około 7,7 w drugim.

Ming-3.0-tts-tiny nie publikuje żadnych danych o przepustowości. Ani współczynnika czasu rzeczywistego, ani znaków na sekundę, niczego zmierzonego na karcie. To, co daje wydanie, to środowisko, w którym je zweryfikowano — Python 3.10.15, torch i torchaudio 2.7.1 z CUDA 11.8, transformers przypięte do 4.46.3, H800 oraz skrypt preflight, który sprawdza instalację, zanim zmarnujesz przebieg — a także architektura: 8,980,964,372 parametrów w BF16, 40,096 w F32, stos ekspertów o łącznej liczbie 7.9B z około 1.3B aktywnych na token.

Nie można pożyczyć przepustowości modelu siostrzanego 0.5B, aby wypełnić tę lukę. Ten model zmierzono na poziomie 42,1 znaku na sekundę na niezależnym stanowisku testowym i zajmuje 2,96 GB; miniaturowy model aktywuje około dwa i pół razy więcej parametrów na token i zajmuje około sześciokrotnie więcej miejsca na dysku. Rzadkie trasowanie pozwala odzyskać część kosztu większej łącznej liczby parametrów, co jest sednem tej architektury, ale nikt spoza Ant nie określił liczbowo, jak duża to korzyść.

Przeprowadzanie kalkulacji kosztów, w której jest luka

Ponieważ jedna strona publikuje swoją prędkość, a druga tego nie robi, uczciwa wersja tego porównania to zakres, a nie konkretna liczba. Oto jego zarys.

• VoxCPM2 na RTX 4090, PyTorch — 0,30 RTF, czyli 3,3 godziny audio na godzinę pracy GPU. Milion znaków narracji, przy szacunkowo 15 znakach na sekundę mowy, daje około 18,5 godziny gotowego audio, czyli mniej więcej 5,6 godziny pracy GPU.

• VoxCPM2 na tej samej karcie, Nano-VLLM — 0,13 RTF, czyli 7,7 godziny na godzinę GPU, albo około 2,4 godziny GPU dla tego samego miliona znaków. Stos serwowania ponad dwukrotnie zwiększa wydajność bez ingerencji w wagi.

• Ming-3.0-tts-tiny — nieznana. Przy hipotetycznych 20 znakach na sekundę wygenerowanie zajęłoby około 14 godzin; przy 10 znakach na sekundę — około 28. Żadna z tych liczb nie jest pomiarem i obie należy traktować jako wartości zastępcze, dopóki ktoś nie opublikuje pomiaru.

• Pamięć — VoxCPM2 przy bf16 podaje około 8 GB, co mieści się na 24 GB karcie konsumenckiej z zapasem na batchowanie. 18 GB wag Ming-3.0-tts-tiny plus aktywacje i dekoder audio sprawiają, że rozsądnym celem jest H800 o 80 GB, a karta 24 GB nie wchodzi w grę.

• Limit sekwencji — VoxCPM2 ma górny limit 8192 tokenów, co stanowi realne ograniczenie przy pracy z długimi formami i warto to sprawdzić względem najdłuższego akapitu, zanim podejmiesz decyzję. Ming-3.0-tts-tiny nie podaje równoważnego limitu; jego ścieżka dla długich form to zadanie podcastu, które przyjmuje scenariusz, a nie pojedynczą wypowiedź.

Wniosek, który pozostaje w mocy mimo brakującej liczby, dotyczy wykorzystania, a nie szybkości. Karta, która stoi bezczynnie, przegrywa z każdym hostowanym API przy dowolnej cenie, a karta, którą już posiadasz i którą utrzymujesz w zajętości, wygrywa pod względem kosztu krańcowego niezależnie od tego, który z tych dwóch wariantów uruchamiasz. Różnica między 0,30 a 0,13 RTF to współczynnik 2,3 w koszcie za godzinę audio, większy niż większość zespołów oczekuje po zmianie stosu serwowania i większy, niż sugerowałaby różnica w liczbie parametrów.

Dostrajanie to moment, w którym oba przestają być porównywalne.

VoxCPM2 dokumentuje zarówno pełne nadzorowane dostrajanie, jak i LoRA już na zaledwie pięciu do dziesięciu minutach audio, wraz ze skryptem treningowym i konfiguracją dla każdego z tych podejść. To nie jest przypis; to różnica między modelem, którego zachowanie wynajmujesz, a modelem, którego zachowanie posiadasz.

Ming-3.0-tts-tiny dokumentuje wnioskowanie, a nie trenowanie. Repozytorium to książka kucharska zadań — klonowanie głosu z próbki (seed-voice cloning), wielojęzyczność, paralingwistyka, podcast, podstawowe atrybuty, emocje, dialekt, dowolna forma, projektowanie głosu oraz zadanie „ip" — opakowana wokół jednego MingTinyTTS.from_pretrained punktu wejścia. Nie ma przepisu LoRA, konfiguracji SFT ani stwierdzenia, czy dostrajanie (fine-tuning) jest w ogóle obsługiwane. Całkiem możliwe, że jest; checkpoint to checkpoint. Ale „możliwe" i „udokumentowane działającym skryptem" to różne ilości pracy inżynierskiej, a to drugie oferuje VoxCPM2.

W przypadku głosu marki, domeny objętej regulacjami lub języka, z którym żaden z modeli nie radzi sobie dobrze od razu po wyjęciu z pudełka, to właśnie ta asymetria jest decydująca. Pięć minut nagrania referencyjnego i dostarczona konfiguracja to tydzień pracy. Inżynieria odwrotna ścieżki trenowania dla rzadkiego modelu 7.9B bez implementacji referencyjnej to kwartał.

Języki, dialekty i co właściwie daje „30 języków”

• Ming-3.0-tts-tiny — chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a także syczuański i kantoński, jeśli podasz klip referencyjny w danym dialekcie. W sumie dziewięć, jeśli liczyć oba dialekty.

• VoxCPM2 — 30 języków, w tym kantoński i syczuański, a karta odnotowuje, że nie jest wymagany znacznik języka: podajesz tekst, a on wnioskuje język. To udogodnienie z trybem awarii, ponieważ tekst mieszany będzie rozstrzygany przez model, a nie przez ciebie.

W przypadku języków, które obie strony obsługują, tylko jedna strona opublikowała wskaźniki błędów dla poszczególnych języków — Ant. Niemiecki: 0,325% błędów znaków, hiszpański: 0,971%, japoński: 3,427%, francuski: 3,470%, koreański: 6,000% — wszystko na własnym środowisku testowym Ant, żadne nie zostało odtworzone. VoxCPM2 nie publikuje tabeli dla poszczególnych języków, więc przewagi szerokości nie można zweryfikować wobec twierdzenia o głębi. Ktokolwiek wskazuje tu zwycięzcę pod względem jakości językowej, porównuje arkusz jednego dostawcy z milczeniem drugiego.

Koreański wynik zasługuje na osobne zdanie, ponieważ jest najwyraźniejszą wadą w rekordzie Ming-3.0-tts-tiny: 6,000% błędu znaków, około trzy i pół razy więcej niż 1,728%, które jego własny model 0.5B odnotowuje w tym samym języku. Karta wymienia koreański wśród znanych słabości i nie oferuje żadnego mechanizmu. Wyjaśnienie oparte na rzadkim routingu jest prawdopodobne i niezmierzone.

Kwestia licencji, w której luka jest mniejsza, niż się wydaje

Oba są permisywne dla użytku komercyjnego, co jest nietypowe w tej dziedzinie i warto powiedzieć to wprost. Ming-3.0-tts-tiny jest na licencji MIT dla wag i kodu, z notą o użytkowaniu proszącą, aby nie podszywać się pod ludzi bez zgody i oznaczać dźwięk syntetyczny — prośba w dokumentacji, a nie warunek udzielenia licencji. VoxCPM2 jest na licencji Apache 2.0, wyraźnie darmowy do użytku komercyjnego, z własnymi zapisami dotyczącymi dopuszczalnego użytku.

Żadna z licencji nie wymusza przeglądu prawnego, który kończy projekt, i żadna nie zawiera wyłączenia dotyczącego usług hostowanych, które sprawia, że niektóre wydania modeli mowy z otwartymi wagami są nieużywalne w produkcji. W przypadku wdrożenia self-hosted obie są wystarczająco bliskie, że licencja nie powinna być czynnikiem rozstrzygającym; sposób trenowania, zużycie pamięci i szybkość powinny być.

Żadna z nich nie jest na tablicy, a i tak jedna liczba zostaje pożyczona.

Artificial Analysis wymieniaMing-3.0-tts jako wpis z wynikiem 1,188 Elo w Provider Voice i 1,069 w Controlled Voice. To model 0.5B. Ming-3.0-tts-tiny nie ma wiersza w arenie — nie jest sklasyfikowany, nie jest niesklasyfikowany, nie jest wpisem zapowiedzi — a README w GitHubie odtwarza wartości 1,188 i 1,069, nie mówiąc, który checkpoint je wygenerował.

VoxCPM2 nie ma żadnego wiersza na żadnej z dwóch tablic, a jego strona na Hugging Face odnotowuje, że żaden dostawca inferencji go nie wdraża. Ten brak to nie niska ocena. Oznacza on, że nikt nie postawił żadnego z tych modeli przed panelem preferencji, więc jedynym dowodem jakości w tym porównaniu jest własny zestaw testów Ant po jednej stronie i nic po drugiej.

Jeśli potrzebujesz liczby, zanim zaczniesz, przydatnym zamiennikiem jest ta, którą VoxCPM2 faktycznie publikuje: współczynnik czasu rzeczywistego. Nie jest to metryka jakości, ale jest mierzony, można go odtworzyć na własnej karcie i mówi, ile kosztuje eksploatacja modelu. Odpowiednik dla Ming-3.0-tts-tiny to zakres, który będziesz musiał wygenerować samodzielnie.

Do czego właściwie służy każdy z nich

Wybierz VoxCPM2, gdy obciążenie jest długoformatowe i wrażliwe na koszty, gdy potrzebujesz języka spoza dziewięciu obsługiwanych przez Ant, gdy 8 GB VRAM ma znaczenie, ponieważ Twoje wdrożenie opiera się na jednej karcie konsumenckiej, lub gdy w planach jest LoRA na własnych pięciu minutach audio. Projekt bez tokenizera oraz wyjście 48 kHz dzięki wbudowanej superrozdzielczości AudioVAE V2 to realne zalety inżynierskie, a pięć miesięcy publicznego użytkowania oznacza, że tryby awarii są udokumentowane przez osoby trzecie, a nie przez dostawcę.

Wybierz Ming-3.0-tts-tiny, gdy potrzebujesz tego, co oferuje tylko on: zadania podcastu z wieloma mówcami w jednym przebiegu, 14 wbudowanych tagów paralingwistycznych z jawną kontrolą emocji, szybkości, wysokości tonu i głośności, obsady ponad 100 głosów chińskich i pięciu głosów angielskich oraz modelu z priorytetem języka chińskiego, którego obsługa dialektów została zbudowana, a nie wywnioskowana. W zamian zaakceptuj, że będziesz pierwszym zespołem, który go zbenchmarkuje, że koreański jest opisaną słabością, że dostrajanie nie jest udokumentowane, a od wydania całości minął tydzień.

OrcaRouter nie trasuje żadnego z tych dwóch modeli, a tego tekstu nie należy odczytywać jako sugestii, że jest inaczej — do obu dociera się, pobierając je i uruchamiając samodzielnie. To, co znajduje się w katalogu, to tekstowa połowa tego samego procesu: ponad 200 modeli pod jednym kluczem w cenie katalogowej dostawcy, bez doliczonej marży, więc zmiana ceny u dostawcy dociera do Ciebie tego samego dnia, z automatycznym przełączaniem awaryjnym między dostawcami dla modelu, który pisze skrypt lub steruje agentem. Ponieważ obie opcje mowy są hostowane samodzielnie i żadna nie wiąże się z opłatą za znak, powtarzalny koszt, który można realnie porównywać miesiąc do miesiąca, to warstwa tekstowa — i to ją warto umieścić za jednym punktem końcowym.

Porównanie kończy się tam, gdzie się zaczęło: dwa checkpointy, brak wspólnej tablicy wyników i decyzja sprowadzająca się do tego, czy potrzebujesz szybkości i dostrajania na skromnym sprzęcie, czy kontroli z priorytetem dla języka chińskiego na dużym. VoxCPM2 odpowiada na to pierwsze opublikowanymi liczbami. Ming-3.0-tts-tiny odpowiada na to drugie książką kucharską zadań i brakiem współczynnika przepustowości, co jest najbardziej użyteczną rzeczą, jaką Ant mógłby opublikować w następnej kolejności.