Ming-3.0-tts-0.5B vs Voxtral 4B TTS: Um destes pesos não está à venda

Leia a licença antes do benchmark, porque neste par ela resolve a discussão primeiro. Ming-3.0-tts-0.5B é MIT — baixe, faça fine-tuning, distribua dentro de um produto comercial, atribua ao Ant Group e siga em frente. Voxtral 4B TT​S é CC BY-NC 4.0, herdada dos conjuntos de dados de vozes de referência por trás dele, o que significa que os pesos da Mistral AI não têm licença para uso comercial de forma alguma. O caminho comercial para o Voxtral é a API a US$ 0,016 por mil caracteres. Portanto, a verdadeira questão não é qual modelo soa melhor. É se você está comprando uma voz que opera ou alugando uma voz que chama, e apenas um desses dois checkpoints permite que você escolha. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

Esse enquadramento parece facilitar a comparação, mas não facilita, porque os dois modelos são bons em coisas diferentes e o modelo hospedado traz algo que o aberto não pode oferecer: uma curva publicada de latência e throughput, executada em infraestrutura de serving real, em três níveis de concorrência. O Ming-3.0-tts-0.5B foi publicado no Hugging Face em 24 de setembro de 2026, e seu código de inferência, no GitHub, em 19 de outubro de 2026, sem anúncio do Ant Group para nenhum dos dois — o modelo tem 19 dias como artefato e horas como algo que você pode de fato executar. O Voxtral 4B TTS foi anunciado pela Mistral em março de 2026 e teve sete meses para ser medido. A seguir, a licença, o formato de implantação, os números que cada lado pode reivindicar com honestidade e as perguntas que nenhum dos fornecedores respondeu.

Duas licenças que não são variações sobre um tema

• Ming-3.0-tts-0.5B — MIT. Uso comercial, modificação, redistribuição e ajuste fino permitidos, com atribuição. Um checkpoint de 2,96 GB que você pode colocar em uma imagem de contêiner, executar no seu próprio acelerador e entregar a um cliente sem pedir permissão a ninguém.

• Voxtral 4B TT​S — CC BY-NC 4.0. Não comercial. A ficha da Mistral é explícita ao afirmar que o modelo herda a licença de suas vozes de referência, provenientes de fontes que incluem EARS, CML-TTS, IndicVoices-R e um conjunto de áudio natural em árabe. Os pesos são baixados sem problema; a licença é a restrição, não o arquivo.

A distinção que as pessoas erram é que a API não está sob a mesma restrição. Chamar a Voxtral por meio do serviço da Mistral é uma transação comercial com o fornecedor, e US$ 0,016 por mil caracteres é o preço. Hospedá-la por conta própria dentro de um produto pago é um ato diferente, e é justamente esse que a licença proíbe. Se a sua implantação precisa ser on-premises — residência de dados, inferência em ambiente isolado (air-gapped), um cliente que não aprovará um endpoint de terceiros —, então o Voxtral 4B TT​S não é uma opção a nenhum preço, enquanto o Ming-3.0-tts-0.5B está disponível sem restrições.

Essa é uma fronteira rígida, e vale a pena separá-la da mais flexível. Uma licença não comercial ainda permite avaliação, pesquisa e experimentação interna, então a forma sensata de ler esta tabela é que Voxtral é um serviço que você pode testar gratuitamente e Ming é um artefato que você pode possuir integralmente.

O que meio bilhão de parâmetros proporciona — e o que não proporciona

• Tamanho e arquitetura — Ming-3.0-tts-0.5B é um modelo denso de 0,5B sobre uma base Qwen2.5-0.5B com uma cabeça de transformer de difusão, e o checkpoint inclui seu tokenizador de áudio e codificador de locutor. Voxtral 4B TT​S tem aproximadamente 4 bilhões de parâmetros, servido via vLLM-Omni, construído sobre a base Ministral-3-3B da Mistral.

• Saída — Ming a 44,1 kHz; Voxtral a 24 kHz em WAV, PCM, FLAC, MP3, AAC ou Opus. Um master de 44,1 kHz é a diferença entre um arquivo que você pode entregar a um editor de vídeo e um arquivo que precisa ser reamostrado primeiro, e isso importa mais em dublagem e transmissão do que em um agente telefônico.

• Modos — Ming tem tarefas nomeadas (TT​S, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) com exclusões mútuas documentadas. Voxtral faz streaming e batch, sem taxonomia de tarefas equivalente publicada.

• Vozes — O Ming vem com mais de 100 vozes chinesas integradas e cinco vozes inglesas integradas, além de clonagem zero-shot a partir de um clipe curto e criação de voz a partir de uma descrição em linguagem natural. O Voxtral vem com 20 vozes predefinidas e se adapta a um clipe de referência de apenas três segundos. Vinte é um quadro curado; cem é uma lista de elenco. Qual você quer depende de se você está criando um produto com uma voz ou uma ferramenta que permite que outras pessoas escolham uma.

• Paralinguística — as 14 tags inline do Ming cobrem respiração, tosse, suspiro, riso, hesitação, surpresa e perguntas, além de controles explícitos de emoção, velocidade, tom e volume. A Mistral não publica nenhum vocabulário de tags para o Voxtral. A ausência de documentação não é ausência de capacidade, e também não é evidência dela.

A contagem de 0,5 bilhão de parâmetros é a parte que costuma ser mal interpretada. O Ming não é uma versão menor do Voxtral; é um design diferente, que aposta que um backbone compacto somado a um codificador de locutor embutido e a um tokenizador é suficiente para fala controlável, e investe sua capacidade em controle em vez de escala. Na própria avaliação multilíngue da Ant, ele supera o VoxCPM2 em precisão de conteúdo em quatro de cinco idiomas, mas perde em similaridade de locutor em todos os cinco — que é a cara de um modelo ajustado para palavras em vez de timbre em um quadro de resultados.

O único número que a Voxtral tem e que a Ming não tem

A Mistral publicou um benchmark de serving, e ele é a coisa mais útil em qualquer um dos lançamentos para quem está planejando capacidade. Em um único H200 executando vLLM-Omni 0.18.0, com uma entrada de 500 caracteres e uma referência de áudio de dez segundos:

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

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

• Concorrência 32 — 552 milissegundos, RTF 0,237 mantido, cerca de 1.431 caracteres por segundo.

Isso é um plano de capacidade em três linhas: a latência fica abaixo de um segundo bem além da concorrência simultânea que a maioria dos produtos de voz realmente atinge, e a taxa de transferência escala cerca de doze vezes de um fluxo para trinta e dois. É o próprio harness da Mistral, não reproduzido, e pressupõe o ambiente de referência — mas é um formato com base no qual você pode dimensionar uma implantação.

O número equivalente de Ming é independente, e não relatado pelo fornecedor, e mede algo ligeiramente diferente. A Artificial Analysis registra o Ming-3.0-tts a 42,1 caracteres por segundo de tempo de geração em seu próprio ambiente de testes, uma requisição por vez. Isso é aproximadamente um terço da taxa em fluxo único do Voxtral, por um método diferente em hardware diferente, e a afirmação honesta é que os dois números não são diretamente comparáveis: um é a vazão do Mistral com uma concorrência escolhida em uma H200, o outro é a medição em fluxo único de terceiros em hardware não divulgado. O que se pode dizer é que ambos são rápidos o suficiente para fala interativa e nenhum deles é uma restrição de tempo real.

A diferença de throughput que realmente importa está acoplada ao licenciamento. A curva do Voxtral é um motivo para chamar a API em vez de construir em torno dos pesos — a engenharia de serving já está feita, e você paga por caractere em vez de por hora de GPU. A taxa do Ming é um motivo para calcular seu próprio ponto de equilíbrio, porque a 42,1 caracteres por segundo um milhão de caracteres equivale a cerca de 6,6 horas de geração, e se isso é barato depende inteiramente de quanto custa seu acelerador quando ele está ocioso.

Nove idiomas contra sete, e nenhuma das listas é uma alegação de qualidade.

• Ming-3.0-tts-0.5B — chinês, inglês, alemão, espanhol, francês, coreano e japonês, com sichuanês e cantonês como tarefas de dialeto separadas e um identificador de idioma explícito exigido para os cinco idiomas não chineses.

• Voxtral 4B TT​S — inglês, francês, espanhol, alemão, italiano, português, neerlandês, hindi e árabe. O cartão descreve "dialetos diversos" dentro desse suporte sem enumerá-los.

A sobreposição é de cinco idiomas: inglês, francês, espanhol, alemão e um entre coreano ou japonês, dependendo de como você conta a cobertura regional. Cada modelo cobre algo que o outro não cobre — italiano, português, holandês, hindi e árabe do lado do Voxtral; coreano, japonês, sichuanês e cantonês do lado do Ming. Se o seu roadmap inclui árabe ou hindi, a decisão já está tomada antes de se ler o primeiro benchmark.

O que nenhum dos fornecedores publica é a qualidade por idioma. A Mistral não fornece taxa de erro para nenhum dos seus nove idiomas. A Ant testou cinco idiomas não chineses no conjunto Mi​niMax e publicou números, mas são o próprio harness da Ant contra concorrentes escolhidos pela própria Ant, e não dizem nada sobre coreano ou japonês em relação ao Voxtral porque o Voxtral não estava na tabela. Portanto, a comparação de idiomas aqui é de cobertura, não de competência, e qualquer artigo que a apresente como competência está apenas especulando.

A placa que tem ambos, mais ou menos

Ambos os modelos aparecem nas classificações de fala da Artificial Analysis, mas não na mesma data de captura e não com o mesmo campo circundante, portanto, encare isto como orientação e não como um resultado de confronto direto.

• Ming-3.0-tts-0.5B — Voz do Provedor 1.188 Elo (intervalo 1.173–1.203, faixa de classificação 17–23, décima nona linha da lista); Voz Controlada 1.069 (1.053–1.085, faixa de classificação 10–18, décima terceira linha). Ambas as capturas são de 19 de outubro de 2026, o dia em que seu código de inferência foi publicado.

• Voxtral 4B TT​S — Voz Controlada 1.005 Elo, faixa de classificação 24–30, vigésima sexta linha da mesma captura de 19 de outubro. A posição da voz do provedor não estava no material que pudemos verificar.

O painel Controlled Voice é o que merece confiança, porque todos os modelos ali clonam as mesmas vozes de referência fixas e o conjunto de vozes deixa de ser um fator de confusão. Na captura acima, os 1.069 do Ming e os 1.005 do Voxtral ficam a 64 pontos de distância e, com faixas de classificação sobrepostas, a conclusão honesta é que o Ming pontua mais alto em uma medição feita mais tarde contra um campo maior. Não interprete isso como uma vitória consolidada de 64 pontos. Interprete, sim, como evidência de que um checkpoint aberto de 0,5B não está fora de seu nível ao lado de um modelo de fornecedor de 4B em fidelidade de voz, que é a parte surpreendente.

Quanto um pipeline Ming auto-hospedado realmente custa para você em engenharia

Adotar o Ming não é um download e uma chamada de função. O ambiente de referência é fixado: PyTorch 2.6 com CUDA 12.4, testado em um H800-80GB e um H20-96G, com flash-attention opcional e fallback para SDPA. A normalização de texto precisa do pynini 2.1.6 — uma biblioteca com fama de ser complicada de instalar — ou você passa uma flag que desativa a normalização e aceita que números, moedas e abreviações cheguem ao modelo sem tratamento.

Esses são os custos que nunca aparecem numa tabela de comparação e sempre aparecem numa sprint. Os custos equivalentes do Voxtral estão escondidos dentro do preço da API: outra pessoa definiu o ambiente, outra pessoa cuida da concorrência, e a contrapartida é que você não pode mudar o elenco de vozes além de adaptar a partir de um clipe de referência, e não pode colocar o modelo numa máquina que você controla para fins comerciais.

A maturidade do Ming também precisa ser avaliada com honestidade. O repositório no GitHub foi ao ar em 19 de outubro de 2026, com o primeiro commit trazendo o código de inferência, um Dockerfile, exemplos com um clique e um cookbook de tarefas, e commits de documentação chegando ao longo daquela tarde — incluindo um que sinalizava suporte ao vLLM-Omni. O vLLM-Omni é a mesma stack de serving que a Mistral usou para seu benchmark do Voxtral, o que é uma coincidência útil: o caminho para uma implantação em produção do Ming é o caminho que o Voxtral já documentou, uma camada abaixo.

Onde o roteamento se encaixa, e a parte que ele não toca

O OrcaRouter não serve o Ming-3.0-tts-0.5B; ele é um checkpoint que você executa. O Voxtral 4B TT​S está disponível pela API da própria Mistral, e este artigo não afirma que o roteamos. O que um roteador alcança em qualquer das arquiteturas é o texto ao redor da voz — o roteiro, as decisões de tags no estilo SSML, a etapa de tradução que transforma um roteiro mestre em nove idiomas antes da síntese, o sumarizador que encurta uma passagem para caber em um intervalo de tempo. Essas chamadas acontecem centenas de vezes por minuto de áudio e é nelas que o custo de um pipeline e seus modos de falha realmente se concentram.

Essa é a camada que operamos: mais de 200 modelos de texto por trás de uma única chave pelo preço de tabela do provedor com 0% de margem adicionada, então um corte de preço de um fornecedor chega até você no dia em que acontece, e não no próximo reajuste; failover automático entre provedores, para que uma tarde ruim de um único provedor não interrompa a geração de roteiro que alimenta a voz; e uma DSL de roteamento para compor vários modelos em uma única chamada quando a etapa de tradução e a reescrita de estilo precisarem de modelos diferentes. O modelo de voz no fim da cadeia é você quem escolhe, e este artigo é sobre como escolhê-lo.

O que nenhum dos dois cartões lhe diz

Três perguntas decidem a maioria das implantações reais, e nenhum dos dois fornecedores responde a nenhuma delas.

• Como a qualidade se mantém sob concorrência? A Mistral mede latência e throughput em 32 streams, mas não publica nenhum delta de qualidade entre batch e streaming. O lançamento do Ming não tem nenhuma história de concorrência — um harness de requisição única, uma GPU de referência e nenhuma curva de throughput do vLLM, apenas uma nota de suporte.

• Como soa uma geração falha? Nenhum dos cartões documenta o comportamento de truncamento, loops de repetição ou o que acontece quando um script de 14 tags colide com uma frase que o modelo não consegue analisar. O cartão do Ant é incomumente franco sobre seus pontos fracos — paralinguística multi-eventos instável, controle de emoção que se degrada quando as palavras não carregam emoção, similaridade em francês como seu pior idioma e design de voz aberto que não corresponde ao sistema mais forte contra o qual foi avaliado —, mas uma seção de limitações não é uma taxonomia de falhas.

• Quem vai manter isto daqui a um ano? A Mistral é uma empresa com um serviço comercial de TT​S e um incentivo óbvio para o manter atualizado; o checkpoint de março já está estável há sete meses. O Ming-3.0-tts-0.5B tem um like, seis downloads e um repositório criado no dia em que isto foi escrito. O Ant Group pode muito bem apoiá-lo — a família Ming inclui ASR, áudio e variantes tiny, o que sugere um programa em vez de uma iniciativa isolada —, mas nada no lançamento se compromete com nada.

Esse último ponto é o que deve ser ponderado em relação à licença MIT. Uma licença permissiva garante a você o direito de usar os pesos para sempre; ela não garante que alguém corrigirá um bug no código de inferência, e a diferença só se torna visível no sétimo mês.

A decisão, na ordem em que ela realmente chega

Comece pela restrição de implantação, porque ela elimina uma opção de imediato. Se o modelo tiver de rodar em infraestrutura que você controla e a saída tiver de ser comercialmente utilizável, a resposta é Ming-3.0-tts-0.5B, e as questões restantes são de engenharia: fixar o ambiente, instalar o pynini ou aceitar texto não normalizado, prever cerca de 6,6 horas de GPU por milhão de caracteres e aceitar que a voz será um pouco menos fiel a um clipe de referência do que a melhor alternativa aberta. Se o modelo tiver de falar árabe, híndi, italiano, português ou holandês, a resposta é Voxtral 4B TTS via API, e as questões restantes são comerciais: US$ 0,016 por mil caracteres, vinte vozes, uma saída de 24 kHz que pode precisar de reamostragem e um fornecedor que publicou a curva de serving na qual você baseará o dimensionamento.

Se nenhuma das restrições for limitante, o critério de desempate é o que seu produto é. Um pipeline de dublagem ou transmissão que precisa de muitas vozes, cobertura de dialetos e emoção inline quer o elenco de Ming e sua saída em 44,1 kHz, e pagará por isso em operações. Um agente de voz ou uma IVR que precisa de latência previsível, streaming e alguém de plantão quer a API do Voxtral, e pagará por isso por caractere e pela perda de um elenco de vozes que não pode ampliar além de vinte.

A única coisa que vale a pena fazer antes de qualquer uma das duas: anote em quais idiomas você realmente vai lançar nos próximos doze meses e quais deles sua equipe jurídica permitirá que saiam da sua infraestrutura. Essas duas listas reduzem isso de uma comparação de modelos a um único candidato mais rápido do que qualquer número Elo e, ao contrário dos rankings, estão atualizadas.