Ming-3.0-tts-tiny vs VoxCPM2: Dois checkpoints, um dos quais divulga sua velocidade

Esta é a única comparação na série Ming-3.0-tts-tiny em que ambos os lados podem realmente ser executados, e isso muda o objeto da discussão. Ming-3.0-tts-tiny, da inclusionAI do Ant Group, é uma mistura de especialistas de 7,9 bilhões de parâmetros que ativa cerca de 1,3 bilhão por token, licenciada sob MIT, com cerca de 18 GB em disco, e uma H800 indicada como placa recomendada. VoxCPM2, da OpenBMB, é um modelo sem tokenizador de 2 bilhões de parâmetros sobre uma base MiniCPM-4, Apache 2.0, com cerca de 8 GB em bfloat16, lançado em abril de 2026. Nenhum dos dois tem uma linha em ranking. Nenhum dos dois tem preço de hospedagem. Quando dois modelos são ambos baixáveis e ambos sem pontuação, a comparação deixa de ser sobre preferência e passa a ser sobre aritmética: horas de áudio por hora de GPU, memória por processo e se você consegue ajustar o modelo sem escrever o código de treinamento por conta própria. As falhas de IA documentadas e os incidentes de agentes por trás de lançamentos como este estão reunidos em the OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalizador de disputa.

Vale a pena declarar os históricos de lançamento sem rodeios, porque eles explicam a lacuna de maturidade. O VoxCPM2 está público desde abril, acumulou cerca de 847.000 downloads no último mês e inclui scripts de treinamento junto com a inferência. O repositório do Ming-3.0-tts-tiny foi criado em 22 de setembro de 2026, os pesos chegaram em 24 de setembro, e o código para executá-los não existia publicamente até 19 de outubro às 08:58 UTC, quando nove commits chegaram em uma única tarde. A Ant não anunciou o modelo. Não há relatório técnico; o roteiro o lista como uma caixa desmarcada, e a ficha do modelo foi editada em 16 de outubro especificamente para remover uma referência a um. Então um deles é um projeto de cinco meses com uma base de usuários, e o outro é um pipeline que, no momento em que este texto foi escrito, tem uma semana.

O número um deles publica e o outro não

A ficha do VoxCPM2 cita um fator de tempo real de cerca de 0,30 no PyTorch padrão numa RTX 4090, caindo para aproximadamente 0,13 no Nano-VLLM. O fator de tempo real é segundos de computação por segundo de áudio, então esses dois números significam que uma hora de GPU rende cerca de 3,3 horas de fala finalizada no primeiro caso e cerca de 7,7 no segundo.

Ming-3.0-tts-tiny não publica nenhum throughput. Nem fator de tempo real, nem caracteres por segundo, nada medido em uma placa. O que o lançamento oferece é o ambiente no qual ele foi validado — Python 3.10.15, torch e torchaudio 2.7.1 com CUDA 11.8, transformers fixado em 4.46.3, uma H800, e um script de pré-verificação que checa sua instalação antes de você desperdiçar uma execução — além da arquitetura: 8.980.964.372 parâmetros em BF16, 40.096 em F32, uma pilha de especialistas de 7,9B no total com cerca de 1,3B ativos por token.

Você não pode tomar emprestada a vazão do modelo irmão de 0,5B para preencher a lacuna. Esse modelo foi medido em 42,1 caracteres por segundo em um harness independente e ocupa 2,96 GB; o modelo minúsculo ativa cerca de duas vezes e meia mais parâmetros por token e ocupa aproximadamente seis vezes o disco. O roteamento esparso recupera parte do custo do total maior, que é justamente o ponto central da arquitetura, mas ninguém fora da Ant quantificou quanto.

Fazendo o cálculo de custos com um furo nele

Como um lado divulga a sua velocidade e o outro não, a versão honesta desta comparação é um intervalo, e não um valor numérico. Eis a sua forma.

• VoxCPM2 em uma RTX 4090, PyTorch — 0,30 RTF, ou seja, 3,3 horas de áudio por hora de GPU. Um milhão de caracteres de narração, a uma taxa aproximada de 15 caracteres por segundo de fala, equivale a cerca de 18,5 horas de áudio finalizado, ou aproximadamente 5,6 horas de GPU.

• VoxCPM2 na mesma placa, Nano-VLLM — 0,13 RTF, então 7,7 horas por hora de GPU, ou aproximadamente 2,4 horas de GPU para o mesmo milhão de caracteres. A stack de serving mais que dobra a saída sem alterar os pesos.

• Ming-3.0-tts-tiny — desconhecido. A um hipotético ritmo de 20 caracteres por segundo, seriam necessárias cerca de 14 horas de geração; a 10 caracteres por segundo, cerca de 28. Nenhum dos números é uma medição e ambos devem ser tratados como provisórios até que alguém publique um.

• Memória — o VoxCPM2 indica cerca de 8 GB em bf16, o que cabe em uma GPU de consumidor de 24 GB com margem para batching. Os 18 GB de pesos do Ming-3.0-tts-tiny, mais ativações e o decodificador de áudio, significam que um H800 de 80 GB é o alvo sensato, e uma placa de 24 GB não é.

• Limite de sequência — o {{1}}VoxCPM2{{/1}} tem um teto de 8.192 tokens, o que é uma restrição real para trabalhos de forma longa e vale a pena verificar em relação ao seu parágrafo mais longo antes de se comprometer. O {{2}}Ming-3.0-tts-tiny{{/2}} não publica um limite equivalente; o seu percurso de forma longa é a tarefa de podcast, que recebe um guião em vez de uma única elocução.

A conclusão que sobrevive ao número ausente é sobre utilização, não velocidade. Uma placa que fica ociosa perde para qualquer API hospedada a qualquer preço, e uma placa que você já possui e mantém ocupada vence no custo marginal não importa qual dessas duas você execute. A diferença entre 0,30 e 0,13 RTF é um fator de 2,3 no custo por hora de áudio, que é maior do que a maioria das equipes espera de uma mudança na pilha de serving e maior do que a diferença no número de parâmetros sugeriria.

O ajuste fino é o ponto em que os dois deixam de ser comparáveis.

O VoxCPM2 documenta tanto o ajuste fino supervisionado completo quanto o LoRA com apenas cinco a dez minutos de áudio, com um script de treinamento e uma configuração para cada. Isso não é uma nota de rodapé; é a diferença entre um modelo cujo comportamento você aluga e um modelo cujo comportamento você possui.

O Ming-3.0-tts-tiny documenta inferência, não treinamento. O repositório é um livro de receitas de tarefas — clonagem de voz semente, multilíngue, paralinguístico, podcast, atributos básicos, emoção, dialeto, forma livre, design de voz e uma tarefa "ip" — organizado em torno de um único MingTinyTTS.from_pretrained ponto de entrada. Não há receita de LoRA, nem configuração de SFT, nem declaração sobre se o ajuste fino é suportado. Pode muito bem ser possível; o checkpoint é um checkpoint. Mas "possível" e "documentado com um script funcional" são quantidades diferentes de engenharia, e a segunda é o que o VoxCPM2 entrega.

Para uma voz de marca, um domínio regulamentado ou um idioma que nenhum dos modelos lida bem de imediato, essa é a assimetria decisiva. Cinco minutos de áudio de referência e uma configuração fornecida equivalem a uma semana de trabalho. Fazer engenharia reversa de um caminho de treinamento para um modelo esparso de 7.9B sem implementação de referência equivale a um trimestre.

Idiomas, dialetos e o que os "30 idiomas" entregam

• Ming-3.0-tts-tiny — chinês, inglês, alemão, espanhol, francês, coreano e japonês, além de sichuanês e cantonês quando você fornece um clipe de referência no dialeto. Nove no total, se contar os dois dialetos.

• VoxCPM2 — 30 idiomas, incluindo cantonês e sichuanês, e o cartão observa que nenhuma tag de idioma é necessária: você fornece o texto e ele infere o idioma. Isso é uma conveniência com um modo de falha, já que textos em vários idiomas serão resolvidos pelo modelo, e não por você.

Nas línguas que ambos compartilham, apenas um lado publicou taxas de erro por idioma, e é a Ant. Alemão: 0,325% de erro de caractere; espanhol: 0,971%; japonês: 3,427%; francês: 3,470%; coreano: 6,000%, todas no próprio harness da Ant, todas sem reprodução. A VoxCPM2 não publica nenhuma tabela por idioma, então a vantagem de amplitude não pode ser verificada em relação à alegação de profundidade. Qualquer pessoa que cite um vencedor em qualidade linguística aqui está citando a planilha de um fornecedor contra o silêncio de outro.

O número do coreano merece uma frase própria, porque é o defeito mais claro no histórico do Ming-3.0-tts-tiny: 6.000% de erro de caractere, cerca de três vezes e meia os 1.728% que seu próprio irmão de 0.5B registra no mesmo idioma. A ficha lista o coreano entre as fraquezas conhecidas e não oferece nenhum mecanismo. Uma explicação de roteamento esparso é plausível e não foi medida.

A questão da licença, em que a diferença é menor do que parece

Ambos são permissivos para uso comercial, o que é incomum neste campo e merece ser dito com clareza. O Ming-3.0-tts-tiny é MIT para pesos e código, com uma nota de uso que pede que você não se passe por pessoas sem consentimento e que identifique áudios sintéticos — um pedido na documentação, e não uma condição da concessão. O VoxCPM2 é Apache 2.0, explicitamente livre para uso comercial, com sua própria linguagem de uso aceitável.

Nenhuma das licenças exige uma revisão jurídica que encerre o projeto, e nenhuma delas tem a exceção para serviços hospedados que torna alguns lançamentos de fala com pesos abertos inutilizáveis em produção. Para uma implantação auto-hospedada, as duas são próximas o suficiente para que a licença não deva ser o critério de desempate; o histórico de treinamento, o consumo de memória e a velocidade devem ser.

Nenhum dos dois está no quadro, e um número é emprestado de qualquer forma

O Artificial Analysis lista o Ming-3.0-tts como uma entrada com 1.188 Elo em Voz do Provedor e 1.069 em Voz Controlada. Esse é o modelo de 0,5B. Ming-3.0-tts-tiny não tem linha na arena — não está ranqueado, nem consta como não ranqueado, nem é uma entrada de pré-visualização — e o README do GitHub reproduz os números 1.188 e 1.069 sem dizer qual checkpoint os produziu.

O VoxCPM2 não tem linha alguma, em nenhum dos dois quadros, e sua página no Hugging Face observa que nenhum provedor de inferência o disponibiliza. Essa ausência não é uma pontuação baixa. Significa que ninguém submeteu nenhum desses dois modelos a um painel de preferências, então a única evidência de qualidade nesta comparação é a suíte própria da Ant de um lado e nada do outro.

Se você precisa de um número antes de começar, o substituto útil é o que o VoxCPM2 publica: fator de tempo real. Não é uma métrica de qualidade, mas é medido, é reproduzível na sua própria placa e informa quanto custa operar o modelo. O equivalente do Ming-3.0-tts-tiny é um intervalo que você mesmo terá de produzir.

Para que cada um realmente serve

Escolha o VoxCPM2 quando a carga de trabalho for de longa duração e sensível a custo, quando você precisar de um idioma fora dos nove do Ant, quando os 8 GB de VRAM forem relevantes porque sua implantação é uma única placa de consumidor, ou quando um LoRA com seus próprios cinco minutos de áudio estiver no roteiro. O design sem tokenizador e a saída de 48 kHz por meio da super-resolução integrada do AudioVAE V2 são vantagens reais de engenharia, e os cinco meses de uso público significam que os modos de falha são documentados por estranhos em vez de pelo fornecedor.

Escolha o Ming-3.0-tts-tiny quando precisar dos recursos que só ele oferece: uma tarefa de podcast com vários falantes em uma única passagem, 14 tags paralinguísticas inline com controles explícitos de emoção, velocidade, tom e volume, um elenco de mais de 100 vozes chinesas com cinco vozes em inglês, e um modelo com prioridade para o chinês cujo tratamento de dialetos foi construído em vez de inferido. Aceite em troca que você será a primeira equipe a executar benchmarks nele, que o coreano é uma fraqueza publicada, que o ajuste fino não está documentado e que todo o lançamento tem apenas uma semana.

O OrcaRouter não roteia nenhum dos dois modelos, e este artigo não deve ser interpretado como se sugerisse o contrário — ambos são acedidos ao transferi-los e executá-los por conta própria. O que está no catálogo é a metade de texto do mesmo pipeline: mais de 200 modelos por trás de uma única chave ao preço de tabela do fornecedor, sem qualquer margem acrescentada, pelo que uma alteração de preço do fornecedor chega até você no mesmo dia, com failover automático entre fornecedores para o modelo que escreve o script ou conduz o agente. Com ambas as opções de fala hospedadas por conta própria e nenhuma delas com cobrança por caractere, o custo recorrente que você realmente consegue comparar mês a mês é a camada de texto, e é essa que vale a pena colocar atrás de um único endpoint.

A comparação termina onde começou: dois checkpoints, nenhum placar compartilhado e uma decisão que se resume a se você precisa de velocidade e ajuste fino em hardware modesto ou de controle com prioridade para o chinês em um modelo grande. O VoxCPM2 responde à primeira com números publicados. O Ming-3.0-tts-tiny responde à segunda com um guia prático de tarefas e nenhum número de throughput, que é a coisa mais útil que a Ant poderia publicar em seguida.