Ming-3.0-tts-0.5B против Voxtral 4B TTS: один из этих наборов весов не продаётся

Сначала читайте лицензию, а уже потом бенчмарк — в этой паре именно она решает спор. Ming-3.0-tts-0.5B распространяется под MIT — скачивайте, дообучайте, встраивайте в коммерческий продукт, указывайте Ant Group и работайте дальше. Voxtral 4B TT​S — это CC BY-NC 4.0, унаследованная от датасетов эталонных голосов, лежащих в его основе, а значит, веса Mistral AI вообще не лицензированы для коммерческого использования. Коммерческий путь для Voxtral — API за $0,016 за тысячу символов. Так что реальный вопрос не в том, какая модель звучит лучше. А в том, покупаете ли вы голос, которым управляете, или арендуете голос, к которому обращаетесь, — и только один из этих двух чекпоинтов даёт вам выбор. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в the OrcaRouter AI Incident Archive, где каждая запись сопровождается собственными источниками, уровнем серьёзности, степенью достоверности и отметкой об оспаривании.

Такая подача звучит так, будто сравнение становится простым, но это не так, потому что две модели сильны в разных вещах, а у размещённой модели есть то, чего открытая предложить не может: опубликованная кривая задержки и пропускной способности, полученная на реальной инфраструктуре обслуживания, при трёх уровнях параллелизма. Ming-3.0-tts-0.5B была опубликована на Hugging Face 24 сентября 2026 года, а её код вывода — на GitHub 19 октября 2026 года, причём Ant Group не объявила ни о том, ни о другом — модели 19 дней как артефакту и несколько часов как чему-то, что можно реально запустить. Voxtral 4B TTS была анонсирована Mistral в марте 2026 года, и у неё было семь месяцев, чтобы её измерили. Ниже — лицензия, схема развёртывания, цифры, которые каждая сторона может честно заявить, и вопросы, на которые не ответил ни один из поставщиков.

Две лицензии, которые не являются вариациями на тему

• Ming-3.0-tts-0.5B — MIT. Разрешается коммерческое использование, модификация, распространение и дообучение при указании авторства. Чекпоинт размером 2,96 ГБ, который можно поместить в образ контейнера, запустить на собственном ускорителе и передать заказчику, ни у кого не спрашивая разрешения.

• Voxtral 4B TT​S — CC BY-NC 4.0. Некоммерческое использование. В карточке Mistral прямо указано, что модель наследует лицензию своих референсных голосов, взятых из источников, включая EARS, CML-TTS, IndicVoices-R и набор арабской естественной речи. Веса скачиваются нормально; ограничением является лицензия, а не файл.

Люди часто ошибаются в одном различии: на API не распространяется то же ограничение. Вызов Voxtral через сервис Mistral — это коммерческая сделка с поставщиком, и цена составляет $0,016 за тысячу символов. Самостоятельный хостинг внутри платного продукта — это другое действие, и именно его запрещает лицензия. Если ваше развертывание должно быть локальным — требование к резидентности данных, инференс в изолированной от сети среде, клиент, который не одобрит стороннюю конечную точку, — то Voxtral 4B TTS не вариант ни за какие деньги, тогда как Ming-3.0-tts-0.5B доступен безоговорочно.

Это жёсткая граница, и её стоит отделять от более мягкой. Некоммерческая лицензия всё равно допускает оценку, исследования и внутренние эксперименты, поэтому разумно интерпретировать эту таблицу так: Voxtral — это сервис, который можно бесплатно тестировать, а Ming — это артефакт, которым можно владеть полностью.

Что дают полмиллиарда параметров — и чего они не дают

• Размер и архитектура — Ming-3.0-tts-0.5B — это плотная модель на 0,5 млрд параметров на базе Qwen2.5-0.5B с головой диффузионного трансформера, а чекпоинт включает в себя её аудиотокенизатор и энкодер диктора. Voxtral 4B TTS — это примерно 4 млрд параметров, обслуживается через vLLM-Omni и построена на базе Ministral-3-3B от Mistral.

• Выход — Ming на 44,1 кГц; Voxtral на 24 кГц в WAV, PCM, FLAC, MP3, AAC или Opus. Мастер-файл с частотой 44,1 кГц — это разница между файлом, который можно сразу отдать видеоредактору, и файлом, который сначала придётся пересэмплировать, и в дубляже и вещании это важнее, чем в телефонном агенте.

• Режимы — у Ming есть именованные задачи (TT​S, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) с документированными взаимоисключениями. Voxtral поддерживает потоковый и пакетный режимы, но эквивалентная таксономия задач для него не опубликована.

• Голоса — Ming предлагает более 100 встроенных китайских голосов и пять встроенных английских, а также zero-shot-клонирование по короткому фрагменту и создание голоса по описанию на естественном языке. Voxtral предлагает 20 предустановленных голосов и адаптируется к эталонному фрагменту длиной всего три секунды. Двадцать — это тщательно отобранный список; сто — это актёрский состав. Что вам нужно, зависит от того, создаёте ли вы продукт с одним голосом или инструмент, позволяющий другим людям выбирать голос.

• Паралингвистика — 14 встроенных тегов Ming охватывают дыхание, кашель, вздохи, смех, нерешительность, удивление и вопросы, а также явные средства управления эмоциями, скоростью, высотой тона и громкостью. Mistral не публикует словарь тегов для Voxtral. Отсутствие документации не означает отсутствие возможностей, но и не является доказательством их наличия.

Число параметров 0.5B — это то, что часто понимают неправильно. Ming — не уменьшенная версия Voxtral; это другая конструкция, делающая ставку на то, что компактного бэкбона плюс встроенного энкодера говорящего и токенизатора достаточно для управляемой речи, и расходующая свою ёмкость на управление, а не на масштаб. В собственной многоязычной оценке Ant она превосходит VoxCPM2 по точности содержания в четырёх из пяти языков, но уступает по сходству голоса во всех пяти — именно так на оценочной карточке выглядит модель, настроенная на слова, а не на тембр.

Единственное число, которое есть у Voxtral, но отсутствует у Ming

Mistral опубликовала бенчмарк сервинга — и это самое полезное из обоих релизов для всех, кто планирует мощности. На одном H200 под управлением vLLM-Omni 0.18.0, при входном тексте из 500 символов и десятисекундном аудио-референсе:

• Параллелизм 1 — задержка 70 миллисекунд, коэффициент реального времени 0,103, около 119 символов в секунду времени GPU.

• Параллелизм 16 — 331 миллисекунда, RTF 0,237, около 879 символов в секунду.

• Параллелизм 32 — 552 миллисекунды, RTF 0,237 перенесён, примерно 1 431 символ в секунду.

Это план по мощностям в трёх строках: задержка остаётся ниже секунды намного дольше, чем уровень одновременных подключений, которого большинство голосовых продуктов реально достигают, а пропускная способность масштабируется примерно в двенадцать раз — с одного потока до тридцати двух. Это собственный стенд Mistral, невоспроизведённый, и он предполагает эталонную среду — но это ориентир, по которому можно рассчитать развёртывание.

Соответствующий показатель Ming является независимым, а не предоставленным производителем, и он измеряет несколько иную величину. Artificial Analysis фиксирует для Ming-3.0-tts 42,1 символа в секунду времени генерации на собственном стенде, по одному запросу за раз. Это примерно треть однопоточной скорости Voxtral, полученной другим методом на другом оборудовании, и честно говоря, эти два показателя не подлежат прямому сравнению: один — пропускная способность Mistral при выбранной конкурентности на H200, другой — однопоточное измерение третьей стороны на неопубликованном оборудовании. Можно сказать, что оба достаточно быстры для интерактивной речи, и ни один из них не является ограничением реального времени.

Разница в пропускной способности, которая действительно имеет значение, связана с лицензированием. Кривая Voxtral — это причина вызывать API, а не строить вокруг весов: инженерия обслуживания уже выполнена, и вы платите за символ, а не за GPU-час. Скорость Ming — это причина рассчитать собственную точку безубыточности, потому что при 42,1 символа в секунду миллион символов — это около 6,6 часа генерации, и то, дешево ли это, полностью зависит от того, сколько стоит ваш ускоритель, когда он в остальное время простаивает.

Девять языков против семи, и ни один из списков не является заявлением о качестве.

• Ming-3.0-tts-0.5B — китайский, английский, немецкий, испанский, французский, корейский и японский; сычуаньский и кантонский диалекты представлены как отдельные задачи, а для пяти некитайских языков требуется явный идентификатор языка.

• Voxtral 4B TT​S — английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, хинди и арабский. В карточке упоминаются «разнообразные диалекты» в рамках этой поддержки без их перечисления.

Пересечение составляет пять языков: английский, французский, испанский, немецкий и один из двух — корейский или японский, в зависимости от того, как считать региональный охват. Каждая модель покрывает что-то, чего нет у другой: итальянский, португальский, нидерландский, хинди и арабский на стороне Voxtral; корейский, японский, сычуаньский и кантонский на стороне Ming. Если ваша дорожная карта включает арабский или хинди, решение принято ещё до того, как будет прочитан первый бенчмарк.

То, что не публикует ни один из производителей, — это качество по каждому языку. Mistral не приводит частоту ошибок ни для одного из своих девяти языков. Ant протестировала пять некитайских языков на наборе Mi​niMax и опубликовала цифры, но это собственный тестовый стенд Ant против конкурентов, выбранных самой Ant, и они ничего не говорят о корейском или японском в сравнении с Voxtral, потому что Voxtral не было в таблице. Таким образом, сравнение языков здесь — это охват, а не компетентность, и любая статья, которая представляет его как компетентность, занимается догадками.

Плата, у которой есть и то и другое, в некотором роде

Обе модели присутствуют в рейтингах Artificial Analysis для речи, но не на одну и ту же дату снятия показателей и не в одном и том же наборе конкурентов, поэтому воспринимайте это как ориентир, а не как результат прямого сравнения.

• Ming-3.0-tts-0.5B — Голос провайдера — 1 188 Elo (интервал 1 173–1 203, диапазон мест 17–23, девятнадцатая строка списка); Контролируемый голос — 1 069 (1 053–1 085, диапазон мест 10–18, тринадцатая строка). Оба замера датированы 19 октября 2026 года — днём, когда был опубликован код инференса.

• Voxtral 4B TT​S — Controlled Voice 1 005 Elo, диапазон мест 24–30, двадцать шестая строка того же среза от 19 октября. Его позиция по голосу провайдера отсутствовала в материалах, которые мы могли проверить.

Лидерборд Controlled Voice — именно тот, которому стоит доверять, потому что каждая модель там клонирует одни и те же фиксированные эталонные голоса, и состав голосов перестаёт быть искажающим фактором. На приведённом выше снимке результаты Ming — 1 069 — и Voxtral — 1 005 — различаются на 64 балла, а поскольку диапазоны рангов перекрываются, честный вывод состоит в том, что Ming показывает более высокий результат по измерению, проведённому позже и на более широком наборе участников. Не воспринимайте это как окончательную победу с отрывом в 64 балла. Воспринимайте это как свидетельство того, что открытый чекпойнт на 0.5B не выглядит слабым рядом с вендорской моделью на 4B по точности передачи голоса, — и вот это и есть удивительное.

Во что на самом деле обходится self-hosted Ming-пайплайн с инженерной точки зрения

Переход на Ming — это не просто скачивание и вызов функции. Эталонное окружение зафиксировано: PyTorch 2.6 с CUDA 12.4, протестировано на H800-80GB и H20-96G; flash-attention опционален, предусмотрен запасной вариант через SDPA. Для нормализации текста нужен pynini 2.1.6 — библиотека, известная сложностью установки, — либо вы передаёте флаг, отключающий нормализацию, и принимаете, что числа, валюты и сокращения попадают в модель в сыром виде.

Это те издержки, которые никогда не попадают в сравнительную таблицу и всегда проявляются в спринте. Эквивалентные издержки Voxtral скрыты внутри цены API: кто-то другой зафиксировал окружение, кто-то другой отвечает за параллелизм, и компромисс в том, что вы не можете изменить набор голосов сверх адаптации по референсному клипу и не можете разместить модель на машине, которую контролируете, для коммерческих целей.

Зрелость Ming также нужно оценивать честно. Репозиторий на GitHub появился 19 октября 2026 года: первый коммит содержал код инференса, Dockerfile, примеры запуска в один клик и сборник рецептов задач, а коммиты с документацией продолжали появляться до конца того дня — включая тот, что отметил поддержку vLLM-Omni. vLLM-Omni — тот же стек обслуживания, который Mistral использовала для своего бенчмарка Voxtral, и это полезное совпадение: путь к продакшен-развёртыванию Ming — это путь, уже задокументированный Voxtral, уровнем ниже.

Где уместна маршрутизация — и чего она не затрагивает

OrcaRouter не обслуживает Ming-3.0-tts-0.5B; это контрольная точка, которую вы запускаете сами. Voxtral 4B TT​S доступен через собственный API Mistral, и в этом материале не утверждается, что мы маршрутизируем его. В любой из архитектур маршрутизатор действительно охватывает текст вокруг голоса — сценарий, решения по тегам в духе SSML, этап перевода, который превращает один мастер-сценарий в девять языков перед синтезом, суммаризатор, сокращающий фрагмент, чтобы уложиться в тайм-слот. Эти вызовы происходят сотни раз за минуту аудио, и именно в них фактически сосредоточены стоимость конвейера и его режимы отказа.

Вот уровень, на котором мы работаем: более 200 текстовых моделей по одному ключу по прайсу провайдера с 0% наценки, поэтому снижение цены поставщиком доходит до вас в день, когда оно вступает в силу, а не при следующем пересмотре цен; автоматическое переключение при сбоях между провайдерами, чтобы неудачный день у одного провайдера не останавливал генерацию сценариев, питающую голос; и DSL маршрутизации для объединения нескольких моделей в один вызов, когда для этапа перевода и стилистической переработки нужны разные модели. Голосовую модель в конце цепочки выбираете вы, и эта статья — о том, как её выбрать.

То, чего вам не скажет ни одна из этих карточек

Три вопроса определяют большинство реальных внедрений, и ни один из двух поставщиков не отвечает ни на один из них.

• Как сохраняется качество при конкурентной нагрузке? Mistral измеряет задержку и пропускную способность при 32 потоках, но не публикует разницу в качестве между пакетным и потоковым режимами. В релизе Ming вообще нет истории о конкурентности — тестовый стенд для одиночных запросов, эталонная GPU и никакой кривой пропускной способности vLLM, только примечание о поддержке.

• Как звучит неудачная генерация? Ни одна из карточек не документирует поведение при усечении, циклы повторов или то, что происходит, когда сценарий с 14 тегами сталкивается с предложением, которое модель не может разобрать. Карточка Ant необычайно откровенна насчёт своих слабых мест — нестабильная паралингвистика при множественных событиях, контроль эмоций, который ухудшается, когда слова не несут эмоциональной окраски, сходство с французским как худший язык и открытый дизайн голоса, не соответствующий самой сильной системе, с которой его оценивали, — но раздел ограничений — это не таксономия отказов.

• Кто будет поддерживать это через год? Mistral — компания с коммерческим сервисом TT​S и очевидным стимулом поддерживать его в актуальном состоянии; мартовский чекпойнт остаётся стабильным уже семь месяцев. У Ming-3.0-tts-0.5B один лайк, шесть скачиваний и репозиторий， созданный в день написания этого текста. Ant Group вполне может его поддерживать — семейство Ming включает ASR, аудио- и крошечные варианты, что указывает на программу, а не на разовую разработку — но ничто в релизе не содержит никаких обязательств.

Последний пункт — это то, что стоит взвесить в сравнении с лицензией MIT. Разрешительная лицензия гарантирует вам право бессрочно использовать веса; она не гарантирует, что кто-либо исправит ошибку в коде инференса, и эта разница становится заметной только на седьмой месяц.

Решение — в том порядке, в котором оно на самом деле приходит.

Начните с ограничения по развёртыванию, потому что оно сразу исключает один вариант. Если модель должна работать на инфраструктуре, которую вы контролируете, а результат должен быть коммерчески пригодным, ответ — Ming-3.0-tts-0.5B, а оставшиеся вопросы относятся к инженерии: зафиксировать окружение, установить pynini или смириться с ненормализованным текстом, закладывать около 6,6 GPU-часа на миллион символов и принять, что голос будет чуть менее точно соответствовать эталонному фрагменту, чем у лучшей открытой альтернативы. Если модель должна говорить на арабском, хинди, итальянском, португальском или нидерландском, ответ — Voxtral 4B TTS через API, а оставшиеся вопросы относятся к коммерции: $0,016 за тысячу символов, двадцать голосов, вывод с частотой 24 кГц, который может потребовать пересемплирования, и поставщик, опубликовавший кривую обслуживания, по которой вы будете рассчитывать мощность.

Если ни одно из ограничений не оказывается решающим, выбор определяет то, чем является ваш продукт. Конвейер дубляжа или вещания, которому нужны множество голосов, покрытие диалектов и эмоциональная окраска внутри реплик, захочет получить голосовой состав Ming и его вывод на 44,1 кГц — и заплатит за это эксплуатационными издержками. Голосовому агенту или IVR, которым нужны предсказуемая задержка, потоковая передача и кто-то ещё на связи, нужен API Voxtral — и они заплатят за это посимвольно и потерей голосового состава, который нельзя расширить сверх двадцати голосов.

Единственное, что стоит сделать прежде, чем что-либо из этого: выписать, на каких языках вы действительно будете выпускать продукт в ближайшие двенадцать месяцев и какие из них ваша юридическая команда разрешит вынести за пределы вашей инфраструктуры. Эти два списка сузят выбор от сравнения моделей до одного кандидата быстрее, чем любая цифра Elo, и, в отличие от лидербордов, они актуальны.