Ming-3.0-tts-tiny vs VoxCPM2: два чекпоинта, один из которых публикует свою скорость

Это единственное сравнение в серии Ming-3.0-tts-tiny, где обе стороны действительно можно запустить, и это меняет суть спора. Ming-3.0-tts-tiny от inclusionAI (Ant Group) — это смесь экспертов с 7,9 млрд параметров, активирующая около 1,3 млрд на токен, под лицензией MIT, примерно 18 ГБ на диске, а в качестве рекомендуемой карты указана H800. VoxCPM2 от OpenBMB — это модель без токенизатора на 2 млрд параметров на основе MiniCPM-4, Apache 2.0, около 8 ГБ в bfloat16, выпущенная в апреле 2026 года. Ни у одной нет строки в таблице лидеров. Ни у одной нет цены за хостинг. Когда обе модели доступны для скачивания и обе не имеют оценок, сравнение перестаёт быть вопросом предпочтений и становится арифметикой: часы аудио на GPU-час, память на процесс и можно ли дообучить эту штуку, не написав код обучения самостоятельно. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в the OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и отметку об оспаривании.

Истории релизов стоит изложить прямо, потому что они объясняют разрыв в зрелости. VoxCPM2 находится в открытом доступе с апреля, за последний месяц набрал около 847 000 загрузок и поставляется вместе со скриптами обучения наряду с инференсом. Репозиторий Ming-3.0-tts-tiny был создан 22 сентября 2026 года, веса появились 24 сентября, а публичного кода для их запуска не существовало до 19 октября, 08:58 UTC, когда однажды во второй половине дня появились девять коммитов. Ant не анонсировала модель. Технического отчёта нет; в дорожной карте он указан как пункт с неотмеченным флажком, а карточку модели отредактировали 16 октября специально, чтобы удалить упоминание о нём. Итак, один из них — пятимесячный проект с пользовательской базой, а другой — пайплайн, которому на момент написания этой статьи всего неделя.

Первый из них публикует, а другой — нет.

В карточке VoxCPM2 указан коэффициент реального времени около 0,30 в стандартном PyTorch на RTX 4090, который снижается примерно до 0,13 при использовании Nano-VLLM. Коэффициент реального времени — это количество секунд вычислений на секунду аудио, поэтому эти два значения означают, что один час работы GPU дает около 3,3 часа готовой речи в первом случае и около 7,7 во втором.

Ming-3.0-tts-tiny вообще не публикует данных о пропускной способности. Ни коэффициента реального времени, ни символов в секунду — ничего, что было бы измерено на видеокарте. Что релиз действительно даёт, так это среду, в которой он проходил валидацию — Python 3.10.15, torch и torchaudio 2.7.1 с CUDA 11.8, transformers, закреплённый на версии 4.46.3, H800 и скрипт предварительной проверки, который проверяет вашу установку, прежде чем вы потратите запуск, — плюс архитектуру: 8 980 964 372 параметра в BF16, 40 096 в F32, стек экспертов общим объёмом 7,9 млрд с примерно 1,3 млрд активных на токен.

Вы не можете закрыть разрыв за счёт пропускной способности родственной модели на 0.5B. На независимом стенде у этой модели было измерено 42.1 символа в секунду, и она занимает 2.96 ГБ; крошечная модель активирует примерно в два с половиной раза больше параметров на токен и занимает примерно в шесть раз больше дискового пространства. Разреженная маршрутизация частично компенсирует затраты, связанные с большим общим объёмом, — в этом и заключается весь смысл архитектуры, — но никто за пределами Ant не измерил, насколько именно.

Выполнение расчёта стоимости, в котором есть пробел

Поскольку одна сторона публикует свою скорость, а другая — нет, честная версия этого сравнения — это диапазон, а не конкретная цифра. Вот как это выглядит.

• VoxCPM2 на RTX 4090, PyTorch — 0,30 RTF, то есть 3,3 часа аудио на GPU-час. Миллион символов озвучки при примерно 15 символах в секунду речи — это около 18,5 часов готового аудио, или примерно 5,6 GPU-часов.

• VoxCPM2 на той же карте, Nano-VLLM — 0,13 RTF, то есть 7,7 часа на GPU-час, или примерно 2,4 GPU-часа на тот же миллион символов. Сервинг-стек более чем удваивает объём вывода, не затрагивая веса.

• Ming-3.0-tts-tiny — неизвестно. При гипотетических 20 символах в секунду потребовалось бы около 14 часов генерации; при 10 символах в секунду — около 28. Ни одно из этих чисел не является результатом измерения, и оба следует считать заглушками, пока кто-нибудь не опубликует результат измерения.

• Память — VoxCPM2 заявляет около 8 ГБ при bf16, что помещается на потребительскую карту на 24 ГБ с запасом для батчинга. 18 ГБ весов Ming-3.0-tts-tiny плюс активации и аудиодекодер означают, что разумная цель — H800 на 80 ГБ, а карта на 24 ГБ не подходит.

• Ограничение последовательности — VoxCPM2 ограничен 8 192 токенами, что является реальным ограничением для работы с длинными текстами, и перед тем как браться за работу, стоит проверить его на самом длинном абзаце. Ming-3.0-tts-tiny не публикует аналогичного ограничения; его путь для длинных форматов — задача подкаста, которая принимает сценарий, а не отдельную реплику.

Вывод, который остаётся верным даже при отсутствующем числе, касается загрузки, а не скорости. Простаивающая карта проигрывает любому размещённому API при любой цене, а карта, которая у вас уже есть и которую вы держите загруженной, выигрывает по маржинальной стоимости независимо от того, какой из этих двух вариантов вы запускаете. Разрыв между 0.30 и 0.13 RTF — это коэффициент 2.3 в стоимости часа аудио, что больше, чем большинство команд ожидает от изменения стека обслуживания, и больше, чем можно было бы предположить по разнице в количестве параметров.

Тонкая настройка — вот где эти двое перестают быть сопоставимыми.

VoxCPM2 документирует как полное дообучение с учителем, так и LoRA на всего лишь пяти–десяти минутах аудио, со скриптом обучения и конфигурацией для каждого варианта. Это не сноска; это разница между моделью, поведение которой вы арендуете, и моделью, поведением которой владеете.

Ming-3.0-tts-tiny описывает инференс, а не обучение. Репозиторий — это сборник рецептов задач — клонирование голоса по исходному образцу, многоязычность, паралингвистические особенности, подкасты, базовые атрибуты, эмоции, диалект, свободная форма, дизайн голоса и задача «ip» — обёрнутый вокруг единственной MingTinyTTS.from_pretrained точки входа. Там нет рецепта LoRA, нет конфигурации SFT и нет никаких утверждений о том, поддерживается ли дообучение вообще. Вполне возможно, что да; чекпойнт — это чекпойнт. Но «возможно» и «задокументировано с рабочим скриптом» — это разные объёмы инженерной работы, и именно второе поставляется в VoxCPM2.

Для голоса бренда, регулируемой предметной области или языка, с которым ни та ни другая модель хорошо не справляется из коробки, это и есть решающая асимметрия. Пять минут эталонного аудио и предоставленный конфиг — это неделя работы. Реверс-инжиниринг пути обучения для разреженной модели 7.9B без эталонной реализации — это квартал.

Языки, диалекты и что дают «30 языков»

• Ming-3.0-tts-tiny — китайский, английский, немецкий, испанский, французский, корейский и японский, а также сычуаньский и кантонский диалекты, если вы предоставите эталонный аудиофрагмент на соответствующем диалекте. Всего девять, если считать два диалекта.

• {{1}}VoxCPM2{{/1}} — {{2}}30 языков, включая кантонский и сычуаньский{{/2}}, и {{3}}в карточке указано, что языковой тег не требуется{{/3}}: {{4}}вы передаёте ему текст, и он определяет язык{{/4}}. {{5}}Это удобство, чреватое сбоем{{/5}}, поскольку {{6}}текст на смешанных языках будет разрешаться моделью, а не вами{{/6}}.

По языкам, которые есть у обоих, только одна сторона опубликовала частоту ошибок по языкам — это Ant. Немецкий — 0.325% символьных ошибок, испанский — 0.971%, японский — 3.427%, французский — 3.470%, корейский — 6.000%, всё на собственном стенде Ant, всё не воспроизведено. VoxCPM2 не публикует таблицу по языкам, поэтому преимущество в широте нельзя сопоставить с заявлением о глубине. Любой, кто называет здесь победителя по качеству языка, противопоставляет таблицу одного поставщика молчанию другого.

Показатель по корейскому заслуживает отдельного предложения, поскольку это самый явный дефект в результатах Ming-3.0-tts-tiny: 6,000% ошибок на уровне символов — примерно в три с половиной раза больше, чем 1,728%, которые его собственный 0,5B-«собрат» показывает на том же языке. В карточке корейский указан среди известных слабых мест, но механизм не предложен. Объяснение через разреженную маршрутизацию правдоподобно, но не измерено.

Вопрос лицензии: разрыв меньше, чем кажется

Обе лицензии разрешают коммерческое использование, что в этой области необычно и о чём стоит сказать прямо. Ming-3.0-tts-tiny распространяется под MIT для весов и кода, с примечанием об использовании, в котором вас просят не выдавать себя за людей без их согласия и помечать синтетическое аудио — это просьба в документации, а не условие предоставления прав. VoxCPM2 — Apache 2.0, явно бесплатен для коммерческого использования, со своим текстом о допустимом использовании.

Ни одна из лицензий не требует юридической проверки, которая ставит крест на проекте, и ни в одной нет исключения для хостинговых сервисов, из-за которого некоторые релизы речевых моделей с открытыми весами нельзя использовать в продакшене. Для развертывания на собственной инфраструктуре они настолько близки, что лицензия не должна быть решающим фактором; решающими должны быть история обучения, объём памяти и скорость.

Ни одного из них нет на доске, и одно число всё равно заимствуется.

Artificial Analysis указывает Ming-3.0-tts в качестве записи с 1,188 Elo в Provider Voice и 1,069 в Controlled Voice. Это модель 0.5B. У Ming-3.0-tts-tiny нет строки в таблице арены — она не в рейтинге, не вне рейтинга и не является предварительной записью — а README на GitHub воспроизводит цифры 1,188 и 1,069, не указывая, какой чекпойнт их дал.

У VoxCPM2 вообще нет строки — ни в одной из таблиц, а на её странице на Hugging Face указано, что ни один провайдер инференса её не развёртывает. Это отсутствие — не низкий балл. Оно означает, что никто не выносил ни одну из этих моделей на суд панели предпочтений, поэтому единственное свидетельство качества в этом сравнении — собственный набор Ant с одной стороны и ничего с другой.

Если вам нужно число перед началом, полезной заменой будет тот показатель, который VoxCPM2 действительно публикует: коэффициент реального времени. Это не метрика качества, но он измеряется, воспроизводится на вашей собственной видеокарте и говорит о том, во сколько обходится эксплуатация модели. Эквивалент для Ming-3.0-tts-tiny — это диапазон, который вам придётся получить самостоятельно.

Для чего на самом деле нужен каждый из них

Выбирайте VoxCPM2, когда рабочая нагрузка связана с длинными форматами и чувствительна к стоимости, когда вам нужен язык за пределами девяти языков Ant, когда 8 ГБ видеопамяти имеют значение, потому что развёртывание идёт на одной потребительской карте, или когда в дорожной карте стоит LoRA на ваших собственных пяти минутах аудио. Архитектура без токенизатора и вывод на 48 кГц благодаря встроенному суперразрешению AudioVAE V2 — это реальные инженерные преимущества, а пять месяцев публичного использования означают, что режимы отказа задокументированы посторонними людьми, а не производителем.

Выбирайте Ming-3.0-tts-tiny, когда вам нужно то, что предлагает только он: задача многоголосого подкаста за один проход, 14 встроенных паралингвистических тегов с явным управлением эмоциями, скоростью, высотой тона и громкостью, более 100 китайских голосов и пять английских, а также модель с приоритетом китайского, обработка диалектов в которой была построена, а не выведена. Примите в обмен на это, что вы будете первой командой, которая проведёт его бенчмаркинг, что корейский — опубликованная слабость, что дообучение не документировано, и что всему релизу всего неделя.

OrcaRouter не маршрутизирует ни одну из этих моделей, и эту статью не следует воспринимать как утверждение об обратном — доступ к обеим моделям осуществляется путем их скачивания и самостоятельного запуска. В каталоге представлена текстовая часть того же конвейера: более 200 моделей за одним ключом по прейскурантной цене провайдера без наценки, поэтому изменение цены у поставщика доходит до вас в тот же день, с автоматическим переключением при сбое между провайдерами для модели, которая пишет скрипт или управляет агентом. Поскольку оба речевых варианта размещены на собственной инфраструктуре и ни один из них не тарифицируется посимвольно, регулярные расходы, которые действительно можно сравнивать из месяца в месяц, — это текстовый слой, и именно его стоит вывести за единую конечную точку.

Сравнение заканчивается там же, где началось: два чекпойнта, ни одной общей таблицы результатов и решение, которое сводится к тому, нужны ли вам скорость и дообучение на скромном железе или управление с приоритетом китайского языка на крупном железе. VoxCPM2 отвечает на первый вопрос опубликованными цифрами. Ming-3.0-tts-tiny отвечает на второй сборником рецептов задач и отсутствием показателя пропускной способности — а это самое полезное, что Ant могла бы опубликовать следующим.