Ming-3.0-tts-0.5B vs VoxCPM2: Um vence nas palavras, o outro vence na voz

Há exatamente uma comparação publicada de Ming-3.0-tts-0.5B e VoxCPM2, e foi a Ant Group que a escreveu. Em seu próprio model card, a Ant avalia os dois modelos de fala multilíngues no conjunto de testes Mi​niMax em alemão, espanhol, francês, coreano e japonês. O Ming-3.0-tts-0.5B produz as palavras mais precisas em quatro das cinco línguas. O VoxCPM2 produz a voz mais fiel em todas as cinco. Esse único padrão — precisão de conteúdo para o checkpoint de 0,5B, similaridade de locutor para o de 2B — é a coisa mais útil que alguém publicou sobre esse confronto, e é a própria tabela de um fornecedor, então também é a coisa que mais precisa de uma ressalva. A Ant vence na taxa de erro que escolheu publicar e perde na pontuação de similaridade na mesma página. As falhas de IA documentadas e os incidentes de agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e sinalização de disputa.

Ambos os modelos são de pesos abertos, ambos permitem uso comercial e ambos são operados por você, em vez de serem chamados como um serviço. O Ming-3.0-tts-0.5B é o modelo denso da Ant Group licenciado sob MIT, sobre um backbone Qwen2.5-0.5B com uma cabeça de transformer de difusão, publicado no Hugging Face em 24 de setembro de 2026, com o código de inferência vindo em seguida no GitHub em 19 de outubro de 2026 e sem anúncio do fornecedor para nenhum dos dois. O VoxCPM2 é o checkpoint Apache-2.0 da OpenBMB de abril de 2026, um modelo autorregressivo de difusão de 2B sem tokenizador sobre um backbone MiniCPM-4. Tudo o que se segue decorre dessa diferença de tamanho e licença e do fato de que um deles tem uma pontuação independente de arena e o outro não.

O que a própria tabela do Ant realmente diz

O conjunto de testes multilíngue MiniMax relata erro de conteúdo — taxa de erro de palavras para alemão, espanhol e francês, taxa de erro de caracteres para coreano e japonês — juntamente com uma similaridade de cosseno entre falantes. Erro menor é melhor; similaridade maior é melhor. A Ant executou ambos os modelos por conta própria. Nada aqui foi reproduzido por terceiros, e não encontramos nenhuma tabela de refutação publicada pelos mantenedores do VoxCPM2.

• Alemão — Ming-3.0-tts-0.5B erro 0.365, similaridade 0.753; VoxCPM2 erro 0.963, similaridade 0.790.

• Espanhol — Ming 1.099, similaridade 0.763; VoxCPM2 1.324, similaridade 0.836.

• Francês — Ming 4.264, similaridade 0.675; VoxCPM2 3.380, similaridade 0.761. Esta é a única língua em que o ranking de erros se inverte.

• Coreano — Ming 1.728, similaridade 0.793; VoxCPM2 3.547, similaridade 0.839.

• Japonês — Ming 3,765, similaridade 0,765; VoxCPM2 4,358, similaridade 0,825.

Duas coisas merecem atenção antes que qualquer um dos modelos receba o crédito. Primeiro, a diferença no alemão é grande — 0,365 contra 0,963 —, enquanto as diferenças no coreano e no japonês são menores e o resultado no francês vai na direção oposta, então "mais preciso" é uma afirmação por idioma, não geral. Segundo, as taxas de erro em francês são altas para todos os modelos daquela tabela; um concorrente listado ao lado deles marca 19,878 ali. Um idioma em que o campo inteiro se agrupa em números ruins é um idioma em que o conjunto de teste, não os modelos, está fazendo parte do trabalho. Trate o francês como inconclusivo em vez de como uma vitória do VoxCPM2.

Por que a coluna de similaridade é a que deve ser lida duas vezes

A similaridade com o locutor mede se a saída soa como a voz de referência. É a métrica que separa uma demonstração de um produto: uma voz clonada que se desvia tira o ouvinte da cena mesmo quando cada palavra está correta, e nenhuma pontuação de ASR a jusante jamais lhe dirá que isso aconteceu.

Ming sai perdendo nos cinco idiomas, com margens entre 0,037 (espanhol) e 0,086 (francês). Essas são distâncias de cosseno em uma escala limitada, então as diferenças são modestas, mas consistentes, e a consistência em cinco idiomas é mais difícil de explicar como exceção do que uma única linha ruim. A explicação franca está no próprio cartão do Ant, que diz claramente que a similaridade do falante fica atrás da precisão do conteúdo. O modelo foi ajustado para acertar as palavras.

Há uma segunda razão, mais específica, para esperar isso, e ela é arquitetural. O VoxCPM2 decodifica a 48 kHz por meio de um estágio de super-resolução integrado em seu tokenizador AudioVAE V2, e aceita um clipe de referência de 16 kHz enquanto ainda produz uma saída de 48 kHz. O Ming-3.0-tts-0.5B opera a 44.1 kHz. Taxa de amostragem não é similaridade — uma taxa mais alta não torna uma voz mais fiel —, mas o pipeline do VoxCPM2 é explicitamente construído em torno de preservar o caráter de uma voz de referência através da etapa de reamostragem, e essa é uma escolha de design que um modelo de 0,5B com um codificador de locutor integrado não faz.

Então, a leitura honesta não é "o VoxCPM2 clona melhor porque é maior". É que os dois modelos otimizam metades diferentes do mesmo objetivo, e a tabela do fornecedor mostra cada um vencendo a sua própria metade.

Recortando uma voz: duas APIs, duas filosofias

Ambos fazem clonagem zero-shot a partir de um clipe curto. Os mecanismos diferem o bastante para fazer diferença se você estiver escrevendo a integração.

• Ming-3.0-tts-0.5B — um ponto de entrada, um argumento de tarefa. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), depois synthesize(task=...) com prompt_wav_path, prompt_text e use_spk_emb. As tarefas incluem TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM e IP. O checkpoint reúne o backbone, a cabeça DiT, o tokenizador de áudio e um codificador de locutor Campplus, portanto a clonagem é uma tarefa de primeira classe, e não um pipeline separado.

• VoxCPM2 — pip install voxcpm, depois VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). O design de voz é um prefixo entre parênteses no próprio texto, "(descrição)texto", com cfg_value=2.0 e inference_timesteps=10 como os pontos de partida documentados.

A consequência é que a superfície de controle do Ming é estruturada, enquanto a do VoxCPM2 é textual. O Ming oferece tarefas nomeadas com exclusões mútuas documentadas — FREEFORM não pode ser combinado com design de voz, uma voz integrada, emoção, dialeto ou controles de atributos, e a tarefa multilíngue exige um language_id explícito para as cinco línguas não chinesas. Isso significa mais para aprender e menos para adivinhar. A única string do VoxCPM2 é mais rápida de testar e mais difícil de tornar determinística; o próprio card da OpenBMB aconselha gerar de um a três candidatos, porque o design de voz e o estilo variam entre execuções.

Se você está criando uma UI em que um produtor escolhe uma voz de uma lista, as mais de 100 vozes chinesas integradas do Ming e as cinco vozes inglesas integradas são um menu que você pode renderizar. O VoxCPM2 não tem um conjunto equivalente — suas vozes são projetadas ou clonadas, não enumeradas.

Línguas, dialetos e a camada paralinguística

• Contagem de idiomas — Ming-3.0-tts-0.5B abrange chinês, inglês, alemão, espanhol, francês, coreano e japonês, além de sichuanês e cantonês como tarefas de dialeto separadas. A VoxCPM2 afirma 30 idiomas. A Ant testou cinco idiomas não chineses; a OpenBMB não publica nenhuma tabela de erros por idioma que possamos verificar, então o número 30 é uma alegação de cobertura sem uma alegação de qualidade associada.

• Dialetos — Ming expõe o sichuanês e o cantonês como uma tarefa sem argumento de idioma. A lista de 30 idiomas do VoxCPM2 não é detalhada por dialeto no material que lemos, e tratar variedades regionais como cobertas porque o idioma está coberto é o erro que este item existe para evitar.

• Controle inline — Ming oferece 14 tags para respiração, tosse, suspiro, riso, hesitação, surpresa e perguntas, em chinês ou inglês, além de emoção, velocidade, tom e volume explícitos. O VoxCPM2 não tem vocabulário de tags; seu controle é o prefixo de descrição em linguagem natural.

• Ponto fraco, pela própria admissão da Ant — frases paralinguísticas com múltiplos eventos são instáveis, o controle de emoções se degrada quando o texto não traz nenhum sinal emocional, e o design de voz aberto não se equipara ao sistema mais forte com o qual a Ant comparou. Essa última é uma descrição justa da lacuna em relação a uma voz de última geração hospedada, e também se aplica ao VoxCPM2.

A divisão prática: escolha o Ming se o seu roteiro precisar de risada, um suspiro ou uma pausa de hesitação no meio de uma frase. Escolha o VoxCPM2 se o seu roteiro precisar de um idioma que o Ming não cobre, ou de uma voz criada a partir de uma descrição escrita em vez de uma predefinição nomeada.

Executando-os: 8 GB contra um pino CUDA

• Ming-3.0-tts-0.5B — testado em uma NVIDIA H800-80GB e uma H20-96G com CUDA 12.4. O flash-attention é opcional, com fallback para SDPA. A normalização de texto precisa de pynini==2.1.6, ou você passa --no_text_normalization e aceita que números e abreviações brutos sejam enviados ao modelo. PyTorch 2.6 é o ambiente de referência. A saída é de 44,1 kHz.

• VoxCPM2 — cerca de 8 GB de VRAM em bf16 para desenvolvimento e aproximadamente 22 GB de pico em uma GPU de 24 GB, Python 3.10 ou mais recente, PyTorch 2.5.0 ou mais recente, CUDA 12.0 ou mais recente. O fator de tempo real documentado é de cerca de 0,30 em uma RTX 4090 com PyTorch puro e de cerca de 0,13 com Nano-VLLM — aproximadamente duas a três vezes mais rápido que o tempo real, ou oito vezes com a camada de serving.

Esses dois parágrafos descrevem tardes de engenharia muito diferentes. A stack do Ming é a mais nova e a mais frágil: uma biblioteca FST com versão fixada, um kernel opcional, um ambiente de referência fixado em uma build específica do CUDA. O VoxCPM2 está disponível desde abril e absorveu seis meses de relatos de instalação da comunidade. Essa vantagem de maturidade é real e é temporária — o código de inferência do Ming foi publicado no dia em que isto foi escrito, e o repositório ganhou sua nota de suporte ao vLLM-Omni em um commit de documentação na mesma tarde.

Nenhum dos modelos é oferecido por um provedor de inferência hospedada que conseguimos identificar, e isso não é tanto uma lacuna desta comparação quanto a premissa dela: ambos são checkpoints que você baixa. Isso significa, sim, que as evidências independentes estão desequilibradas. Ming-3.0-tts-0.5B tem uma linha no Artificial Analysis em ambos os rankings de fala — 1.188 de Elo em Provider Voice (intervalo 1.173–1.203, faixa de classificação 17–23, a décima nona linha da lista que capturamos em 19 de outubro de 2026) e 1.069 em Controlled Voice (1.053–1.085, faixa de classificação 10–18, décima terceira linha no mesmo dia). VoxCPM2 não tem linha em nenhum dos rankings conforme nossas capturas mais recentes, e a ausência tem se mantido estável desde abril, em vez de ser uma omissão recente. Portanto, o único número independente neste artigo pertence ao Ming, e é um número respeitável; VoxCPM2 não tem nada a opor a ele, e nenhum artigo honesto pode inventar um Elo de confronto direto que ninguém mediu.

Licença, fine-tuning e a pergunta que ninguém faz

{{1}}Ambas as licenças permitem uso comercial. A Ming é MIT, que é tão permissiva quanto uma licença pode ser e exige apenas atribuição. A VoxCPM2 é Apache 2.0, que acrescenta uma concessão explícita de patente e uma exceção para marcas registradas. Para a maioria das equipes, a diferença é administrativa e não jurídica, e qualquer uma das duas é uma resposta clara a um questionário de aquisições, ao passo que uma licença não comercial não é.{{/1}}

A verdadeira assimetria está no fine-tuning. O VoxCPM2 documenta fine-tuning supervisionado completo e LoRA em cinco a dez minutos de áudio, o que significa que você pode direcionar o modelo para um locutor ou estilo específico com um pequeno conjunto de dados e uma única GPU. O Ming-3.0-tts-0.5B não traz receita de fine-tuning, script de treinamento nem caminho LoRA na versão que analisamos. Se o seu produto precisa de um modelo que seja seu, e não de um modelo que você apenas instrui por prompt, isso não é uma lacuna de benchmark — é uma lacuna de capacidade, e decide a escolha antes de qualquer número Elo ser consultado.

A resposta da Ming para a mesma necessidade é design de voz somado a clonagem: descreva a voz ou forneça um clipe. Isso cobre a maioria das necessidades de produção e nenhuma das que envolvem treinamento em áudio proprietário em escala.

Onde uma camada de roteamento se justifica aqui

O OrcaRouter não hospeda o Ming-3.0-tts-0.5B nem o VoxCPM2. Nenhum dos dois é um modelo para o qual possamos fornecer um endpoint, e este texto não vai fingir o contrário. O que um roteador alcança em um pipeline de fala é tudo o que está a montante da forma de onda: o modelo que redige o roteiro, expande as abreviações, decide onde entra a tag de risada e reescreve a frase que saiu em 3,8 segundos quando o slot era de 3,2. Essas são chamadas de texto, e nós roteamos mais de 200 modelos de texto por trás de uma única chave pelo preço de tabela do provedor, com 0% de margem adicionada — portanto, quando um fornecedor corta um preço, o corte fica ativo do nosso lado no mesmo dia, e não no próximo reajuste. O failover automático mantém essa metade do pipeline respondendo enquanto a metade de voz é um download que você mesmo opera.

Esse é o limite honesto. Um roteador é a ferramenta errada para um checkpoint que você executa na sua própria GPU e a ferramenta certa para os modelos que decidem o que se pede que o checkpoint diga.

Escolhendo, sem um ranking para se esconder atrás

Escolha o Ming-3.0-tts-0.5B se o seu conteúdo for multilíngue e a precisão das palavras for a métrica sobre a qual suas partes interessadas discutem, se você precisar de cobertura de vozes com prioridade para o chinês e predefinições nomeadas, se tags emocionais inline fizerem parte do formato do roteiro, se você quiser um checkpoint MIT de 2,96 GB que caiba confortavelmente em hardware modesto, ou se uma contagem de 0,5B parâmetros for a diferença entre um custo unitário viável e um inviável. Vá sabendo que a voz será um pouco menos fiel à referência do que a do VoxCPM2, que o código de inferência tem apenas algumas horas e que não há caminho para ajuste fino.

Escolha o VoxCPM2 se a identidade vocal é o produto — dublagem, trabalho com personagens, qualquer coisa em que um ouvinte perceberia o clone se desviando — se você precisa de um dos idiomas que o Ming não cobre, se pretende fazer fine-tuning com seu próprio áudio, ou se quer uma stack que tem sido instalável sem surpresas desde abril.

O desempate é barato e nenhum dos números acima o substitui. Pegue cem frases do seu próprio texto, um clipe de referência e execute ambos. Pontue as palavras com um modelo ASR e pontue a voz com a mesma métrica de cosseno que o Ant usou. Você obterá uma resposta por idioma em uma tarde, com o seu conteúdo, com os seus sotaques — o que é mais do que uma tabela de fornecedor construída sobre um conjunto de teste público pode lhe dar, e consideravelmente mais do que um ranking que lista apenas um dos dois modelos.