Ming-3.0-audio-tiny vs Voxtral 4B TTS: Um é um ouvinte com uma voz acoplada, o outro não vende nada além disso

Se você quer gerar fala e nada mais, esta comparação deve levar cerca de trinta segundos. Voxtral 4B TTS é um modelo de texto para fala: texto na entrada, áudio de 24 kHz na saída, vinte vozes predefinidas, nove idiomas, uma tabela de latência publicada e termos de licença que impedem você de vender o resultado. Ming-3.0-audio-tiny é um modelo de áudio-linguagem que, por acaso, inclui um gerador de fala — um Talker de 1,4 GB acoplado a um Thinker de 17,74 GB, com três vozes nomeadas e um caminho de clonagem, inserido em um repositório cuja seção de avaliação nunca mede a síntese. Se a fala é o produto, a comparação termina antes mesmo de começar. As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em the OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, nível de confiança e sinalização de contestação.

A versão interessante da pergunta é a outra: você está construindo algo que precisa entender áudio e responder falando, e está decidindo se compra um modelo que faz as duas coisas ou se conecta um ouvinte a uma voz dedicada. É aí que os trinta segundos viram uma tarde, porque as duas opções falham em pontos diferentes e apenas uma delas vem com um número com o qual você pode planejar.

A licença decide mais do que o benchmark

Comece pelo ponto que nenhuma quantidade de avaliação consegue resolver. O Voxtral 4B T​TS é CC BY-NC 4.0 — não comercial — herdada dos conjuntos de dados de vozes de referência com os quais o modelo foi construído: EARS, CML-T​TS, IndicVoices-R e um conjunto de áudio natural em árabe. A Mistral declara isso claramente na ficha do modelo e direciona os usuários comerciais para sua API. Assim, os pesos estão abertos para pesquisa e uso pessoal, e a via comercial é uma tabela de preços, não um download.

Ming-3.0-audio-tiny é MIT nos metadados do card e no LICENSE do repositório do GitHub para o qual ele aponta. Vale saber: o próprio repositório do Hugging Face não contém nenhum arquivo LICENSE, e as duas vozes de referência incluídas não trazem termos próprios separados. MIT é uma alegação genuinamente permissiva aqui, mas é uma alegação nos metadados, e não um arquivo no artefato, e o setor de compras vai notar.

• Uso comercial — Ming: sim, MIT, pesos e código. Voxtral: não a partir dos pesos; a API do fornecedor é o caminho autorizado.

• Vozes incluídas — Ming: três nomeadas, duas delas fornecidas como WAVs de referência com transcrições. Voxtral: vinte predefinições.

• Idiomas — Ming: chinês e inglês para o modelo como um todo, sem uma lista separada de idiomas do Talker. Voxtral: inglês, francês, espanhol, alemão, italiano, português, holandês, árabe e hindi.

• Saída — Ming: o que o Talker produzir; a placa não especifica nem a taxa de amostragem nem o contêiner. Voxtral: 24 kHz, WAV, PCM, FLAC, MP3, AAC ou Opus.

• O que você executa — Ming: o Thinker, 17,74 GB, mais um Talker de 1,4 GB e um VAE de 1,6 GB em um segundo dispositivo. Voxtral: um checkpoint BF16 em uma única GPU com pelo menos 16 GB.

• Qualidade de fala publicada — Ming: nenhuma. Voxtral: nenhuma também, mas uma tabela de latência e vazão em vez disso, o que é mais do que nada.

A última linha é o resumo honesto da base de evidências desta comparação. Nenhum dos fornecedores publicou uma pontuação de naturalidade, um índice de similaridade de locutor ou uma taxa de erro de palavras em fala sintetizada. A Mistral publicou quão rápida ela é; a inclusionAI publicou quão bem o modelo escuta. Ninguém publicou quão bom é o som de qualquer um dos dois.

O que os números da Mistral realmente dizem

A tabela do Voxtral é um benchmark de serving, e interpretá-la corretamente é importante. Medido em uma única NVIDIA H200 com vLLM-Omni 0.18.0, uma entrada de 500 caracteres e um clipe de referência de dez segundos:

• Concorrência 1 — latência de 70 ms, fator de tempo real 0,103, cerca de 119 caracteres por segundo por GPU.

• Concorrência 16 — 331 ms, RTF 0,237, cerca de 879 caracteres por segundo.

• Concorrência 32 — 552 ms, RTF 0,302, cerca de 1.431 caracteres por segundo.

Duas coisas se seguem. Primeiro, o RTF sobe com a concorrência — de 0,103 para 0,302 —, então o ganho de vazão com o processamento em lote é real, mas sublinear; você obtém aproximadamente doze vezes mais caracteres por cerca de oito vezes o fator de tempo real. Segundo, 70 ms até o primeiro áudio na concorrência 1 é o número que decide se um agente de voz parece vivo, e é um número que o Ming-3.0-audio-tiny não tem. Não um pior. Nenhum.

A Mistral classifica tudo isso como não reproduzido e executado pelo fornecedor, e é exatamente isso. Mas é ao menos uma afirmação com um método associado: hardware especificado, versão de runtime especificada, comprimento de entrada especificado, comprimento de referência especificado. Seria possível reconstruir o harness.

A coisa que o caminho da fala de Ming não consegue responder

A saída de fala do modelo minúsculo é descrita no card em três frases: vozes integradas ou uma voz de referência, três vozes nomeadas, clonagem a partir de um clipe de referência mais sua transcrição exata. O guia de implantação acrescenta o detalhe operacional — o Talker é executado como um segundo estágio a 0,18 de segundo por card, limitado a um token de saída com temperatura 0,0 porque não está gerando texto.

Em nenhum lugar do repositório há uma taxa de amostragem para a saída sintetizada, uma medida de naturalidade, uma medida de similaridade com o clipe de referência, ou uma declaração sobre se as três vozes são a mesma voz em registros diferentes ou falantes genuinamente diferentes. As imagens de avaliação cobrem reconhecimento, inteligência de áudio e texto. A geração de fala é a única capacidade que o fornecedor anuncia em seus destaques e não avalia de forma alguma.

Isso não é um escândalo, mas é uma restrição de planejamento. Com o Voxtral, você pode dimensionar uma implantação antes de ouvi-la: uma placa, 16 GB, 119 caracteres por segundo com concorrência 1, e uma tabela de preços para o caminho comercial. Com o Ming, você dimensiona o hardware (duas placas, a segunda com 0,18 de utilização) e só então descobre como é a voz ao gerar algo.

Quando o modelo combinado é a resposta certa de qualquer forma

Existe um argumento real a favor do Talker, e não é "TTS mais barato". É que o mesmo modelo ouviu o áudio e agora está falando sobre ele. O Ming-3.0-audio-tiny aceita áudio mais uma instrução de texto e retorna texto, ou texto mais fala. Uma pergunta sobre uma gravação, respondida em voz alta, em uma única passada, sem transcrição serializada para um segundo modelo. Nada de falha do tipo "o ASR disse 'their', o TTS leu errado", porque não há um segundo modelo nem texto intermediário para corromper.

Isso importa para a resposta a perguntas faladas, para um assistente que escuta um ambiente e responde e para qualquer coisa em que a resposta seja uma frase sobre algo que ele acabou de ouvir. Não importa para narração, audiolivros, dublagem ou qualquer carga de trabalho em que o texto venha de outra fonte — e essas são exatamente as cargas de trabalho para as quais o Voxtral foi criado, com vinte vozes e nove idiomas, contra três e dois do Ming.

• Continuidade no mesmo modelo — Ming: sim, uma única passagem direta do áudio para a fala. Voxtral: texto como entrada, então a metade de escuta tem de vir de outro lugar.

• Variedade de vozes — Ming: três vozes nomeadas além de clonagem. Voxtral: vinte predefinições além de adaptação à voz de referência.

• Streaming — Ming: não oferecido; o Talker é um palco, não um stream. Voxtral: o cartão anuncia streaming e inferência em lote, e a demonstração da própria API do fornecedor é a implementação de referência.

• Fala multilíngue — Ming: chinês e inglês. Voxtral: nove idiomas, com dialetos indicados.

• Formato de custo — Ming: hardware fixo, duas placas, sem medição por caractere. Voxtral: pesos gratuitos para uso não comercial, API cobrada por caractere para todo o resto.

O que um roteador acrescenta a um produto de voz — e o que não acrescenta

O OrcaRouter não oferece nenhum dos dois. O Ming-3.0-audio-tiny é um checkpoint que você executa, e o Voxtral 4B TTS é acessível pela API própria da Mistral; nenhum dos dois está no nosso catálogo, e este texto não é uma oferta de hospedagem de nenhum deles. O lugar do roteador em um produto de voz é o texto que cerca a voz: gerar o roteiro, traduzi-lo para os nove idiomas que o Voxtral suporta, escrever o resumo do que o chamador disse, decidir se um trecho precisa de uma pessoa. Essas são chamadas de texto comuns — mais de 200 modelos de texto atrás de uma única chave, pelo preço de tabela do provedor, com 0% de margem adicionada, com failover automático para que um lote de dez mil clipes não pare porque um upstream teve um dia ruim.

Isso é uma economia real num pipeline de dublagem e um erro de arredondamento numa demonstração com um único modelo. Também não aborda a questão sobre a qual este artigo trata, que é se a voz é boa.

Como escolher sem antes ouvir nenhum dos dois

Se o produto for de voz, escolha o Voxtral e inclua a licença no orçamento: use os pesos não comerciais para avaliar e depois passe para a API para tudo o que for lançar, seja qual for a tarifa atual por caractere. Você recebe uma tabela de latência, vinte vozes, nove idiomas e um runtime testado com o vLLM-Omni. Você abre mão do direito de hospedar comercialmente por conta própria, o que, para muitas equipes, é a decisão de fato.

Se o produto for de compreensão que ocasionalmente fala, escolha o Ming-3.0-audio-tiny, reserve orçamento para duas GPUs e trate o Talker como um recurso não medido — construa o fallback primeiro. Gere vinte frases nas três vozes, ouça e mantenha a opção de trocar por um modelo TTS dedicado mais tarde. A arquitetura suporta essa troca de forma limpa porque o Thinker retorna texto de qualquer maneira; o Talker é um anexo, não a espinha dorsal.

E, em ambos os casos, anote o que você mediu. Nenhum dos fornecedores o fez, e a primeira equipe a publicar um número de naturalidade ou similaridade para qualquer um dos dois modelos estará fazendo um favor ao campo — inclusive aos fornecedores.

A trigésima segunda resposta, revisada

A versão curta no início deste texto dizia que a comparação ficava resolvida em trinta segundos. Ela fica resolvida em trinta segundos se a fala for o seu produto e você estiver disposto a pagar por uma licença. Leva mais tempo se você estiver construindo algo que ouve e depois fala, porque as duas opções não são substitutas: uma é uma voz sem ouvidos, a outra são ouvidos com uma voz que nunca foi avaliada. Os trinta segundos levam você à pergunta. O resto do texto é a parte em que você descobre de qual delas você realmente precisa.