Ming-3.0-tts-0.5B vs VoxCPM2: Den ena vinner orden, den andra vinner rösten

Det finns exakt en publicerad jämförelse av Ming-3.0-tts-0.5B och VoxCPM2, och Ant Group skrev den. I sitt eget modellkort benchmarkar Ant de två flerspråkiga talsyntesmodellerna på Mi​niMax-testsetet för tyska, spanska, franska, koreanska och japanska. Ming-3.0-tts-0.5B producerar de mer korrekta orden i fyra av de fem språken. VoxCPM2 producerar den mer trogna rösten i alla fem. Just det mönstret – innehållsnoggrannhet till 0,5B-checkpointen, talarlikhet till 2B-modellen – är det mest användbara någon har publicerat om den här matchen, och det är leverantörens egen tabell, så det är också det som mest behöver en brasklapp. Ant vinner på den felkvot man valde att publicera och förlorar på likhetspoängen på samma sida. De dokumenterade AI-felen och agentincidenterna bakom releaser som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för ifrågasatt uppgift.

Båda modellerna har öppna vikter, båda tillåter kommersiell användning och båda körs av dig i stället för att anropas som en tjänst. Ming-3.0-tts-0.5B är Ant Groups MIT-licensierade dense-modell på en Qwen2.5-0.5B-stomme med ett diffusionstransformatorhuvud, publicerad på Hugging Face den 24 september 2026, med inferenskoden som följde på GitHub den 19 oktober 2026 och inget leverantörstillkännagivande för någon av dem. VoxCPM2 är OpenBMB:s Apache-2.0-checkpoint från april 2026, en tokenizerfri diffusions-autoregressiv 2B-modell på en MiniCPM-4-stomme. Allt nedan är en följd av den storleks- och licensskillnaden, och av att en av dem har en oberoende arenapoäng medan den andra inte har det.

Vad Ants egen tabell faktiskt säger

Mi​niMax flerspråkiga testuppsättning rapporterar innehållsfel – ordfelsfrekvens för tyska, spanska och franska, teckenfelsfrekvens för koreanska och japanska – tillsammans med en cosinus för talarlikhet. Lägre fel är bättre; högre likhet är bättre. Ant körde båda modellerna själva. Inget här har reproducerats av en tredje part, och VoxCPM2:s underhållare har inte publicerat någon vederläggningstabell som vi har kunnat hitta.

• Tyska — Ming-3.0-tts-0.5B fel 0.365, likhet 0.753; VoxCPM2 fel 0.963, likhet 0.790.

Spanska — Ming 1,099, likhet 0,763; VoxCPM2 1,324, likhet 0,836.

Franska — Ming 4,264, likhet 0,675; VoxCPM2 3,380, likhet 0,761. Det här är det enda språket där felrankningen vänds.

• Koreanska — Ming 1,728, likhet 0,793; VoxCPM2 3,547, likhet 0,839.

• Japanska — Ming 3.765, likhet 0.765; VoxCPM2 4.358, likhet 0.825.

Två saker är värda att lägga märke till innan någon av modellerna får erkännande. För det första är den tyska skillnaden stor – 0,365 mot 0,963 – medan de koreanska och japanska skillnaderna är mindre och det franska resultatet går i motsatt riktning, så "mer exakt" är ett påstående per språk, inte ett allmänt. För det andra är de franska felfrekvenserna höga för varje modell i den tabellen; en konkurrent som listas bredvid dem får 19,878 där. Ett språk där hela fältet klustrar sig kring dåliga siffror är ett språk där det är testsetet, inte modellerna, som gör en del av arbetet. Betrakta franskan som icke avgörande snarare än som en vinst för VoxCPM2.

Varför likhetskolumnen är den man ska läsa två gånger

Talarlikhet mäter huruvida utdata låter som referensrösten. Det är måttet som skiljer en demo från en produkt: en klonad röst som driver tar lyssnaren ur scenen även när varje ord är rätt, och ingen nedströms ASR-poäng kommer någonsin att berätta för dig att det hände.

Ming förlorar i alla fem språken, med marginaler på mellan 0,037 (spanska) och 0,086 (franska). Det är cosinusavstånd på en begränsad skala, så skillnaderna är måttliga men konsekventa, och konsekvens över fem språk är svårare att bortförklara än en enda dålig rad. Den uppriktiga förklaringen finns i Ants eget kort, som rakt ut säger att talarlikhet ligger efter innehållsnoggrannhet. Modellen trimmades mot att få orden rätt.

Det finns en andra, mer specifik anledning att förvänta sig detta, och den är arkitektonisk. VoxCPM2 avkodar vid 48 kHz genom ett inbyggt superupplösningssteg i sin AudioVAE V2-tokenizer och accepterar ett referensklipp på 16 kHz samtidigt som den fortfarande producerar en utdata på 48 kHz. Ming-3.0-tts-0.5B arbetar vid 44.1 kHz. Samplingsfrekvens är inte likhet – en högre frekvens gör inte en röst mer trogen – men VoxCPM2-pipelinen är uttryckligen byggd kring att bevara en referensrösts karaktär genom omsamplingssteget, och det är ett designval som en 0.5B-modell med en medföljande talarkodare inte gör.

Så den ärliga tolkningen är inte "VoxCPM2 klonar bättre eftersom den är större". Det är att de två modellerna optimerar olika halvor av samma mål, och leverantörens tabell visar att var och en vinner sin egen halva.

Klippa en röst: två API:er, två filosofier

Båda klonar zero-shot från ett kort klipp. Mekaniken skiljer sig tillräckligt mycket för att spela roll om du skriver integrationen.

• Ming-3.0-tts-0.5B — en enda ingångspunkt, ett uppgiftsargument. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), sedan synthesize(task=...) med prompt_wav_path, prompt_text och use_spk_emb. Uppgifterna omfattar TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM och IP. Checkpointen innehåller backbone, DiT-huvudet, ljudtokenizern och en Campplus-högtalarkodare, så kloning är en förstklassig uppgift snarare än en separat pipeline.

• VoxCPM2 — pip install voxcpm, sedan VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Röstdesign är ett parentetiskt prefix på själva texten, "(description)text", med cfg_value=2.0 och inference_timesteps=10 som de dokumenterade utgångspunkterna.

Konsekvensen är att Mings kontrollyta är strukturerad och VoxCPM2:s är textbaserad. Ming ger dig namngivna uppgifter med dokumenterade ömsesidiga uteslutningar – FREEFORM kan inte kombineras med röstdesign, en inbyggd röst, känsla, dialekt eller attributkontroller, och den flerspråkiga uppgiften kräver ett explicit language_id för de fem icke-kinesiska språken. Det är mer att lära sig och mindre att gissa. VoxCPM2:s enda sträng är snabbare att prova och svårare att göra deterministisk; OpenBMB:s eget kort rekommenderar att generera ett till tre kandidater eftersom röstdesign och stil varierar mellan körningar.

Om du bygger ett gränssnitt där en producent väljer en röst från en lista är Mings över 100 inbyggda kinesiska röster och fem inbyggda engelska röster en meny som du kan rendera. VoxCPM2 har ingen motsvarande förteckning – dess röster designas eller klonas, de räknas inte upp.

Språk, dialekter och det paralingvistiska skiktet

• Antal språk – Ming-3.0-tts-0.5B täcker kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, plus sichuanesiska och kantonesiska som separata dialektuppgifter. VoxCPM2 hävdar 30 språk. Ant testade fem icke-kinesiska språk; OpenBMB publicerar ingen feltabell per språk som vi kunde verifiera, så 30 är ett täckningspåstående utan något kvalitetspåstående kopplat till sig.

• Dialekter – Ming exponerar sichuanesiska och kantonesiska som en uppgift utan språkargument. VoxCPM2:s lista över 30 språk delas inte upp efter dialekt i materialet vi läste, och att behandla regionala varieteter som täckta bara för att språket är täckt är det misstag som den här punkten finns för att förhindra.

• Inline-kontroll — Ming levererar 14 taggar för andning, hosta, suck, skratt, tvekan, förvåning och frågor, på kinesiska eller engelska, plus explicit känsla, hastighet, tonhöjd och volym. VoxCPM2 har inget taggvokabulär; dess kontroll är prefixet med beskrivning i naturligt språk.

• Svag punkt, enligt Ants eget medgivande — paralingvistiska satser med flera händelser är instabila, emotionskontrollen försämras när texten inte bär någon emotionell signal, och öppen röstdesign når inte upp till det starkaste systemet som Ant jämförde sig mot. Den sista punkten är en rättvisande beskrivning av gapet till en hostad frontier-röst, och den gäller även VoxCPM2.

Den praktiska uppdelningen: välj Ming om ditt manus behöver skratt, en suck eller en tveksam paus mitt i en mening. Välj VoxCPM2 om ditt manus behöver ett språk som Ming inte täcker, eller en röst som designats utifrån en skriftlig beskrivning i stället för en namngiven förinställning.

Kör dem: 8 GB mot en CUDA-pin

• Ming-3.0-tts-0.5B — testad på ett NVIDIA H800-80GB och ett H20-96G med CUDA 12.4. Flash-attention är valfritt med SDPA som reserv. Textnormalisering kräver pynini==2.1.6, eller så skickar du --no_text_normalization och accepterar att råa nummer och förkortningar går till modellen. PyTorch 2.6 är referensmiljön. Uteffekten är 44,1 kHz.

• VoxCPM2 – cirka 8 GB VRAM i bf16 för utveckling och ungefär 22 GB som topp på ett 24 GB-kort, Python 3.10 eller senare, PyTorch 2.5.0 eller senare, CUDA 12.0 eller senare. Den dokumenterade realtidsfaktorn är cirka 0,30 på en RTX 4090 i ren PyTorch och cirka 0,13 med Nano-VLLM – ungefär två till tre gånger snabbare än realtid, eller åtta med serving-lagret.

De där två styckena beskriver två mycket olika ingenjörseftermiddagar. Mings stack är den nyare och den mer ömtåliga: ett pinnat FST-bibliotek, en valfri kärna, en referensmiljö pinnad till en specifik CUDA-build. VoxCPM2 har funnits sedan april och har tagit emot sex månaders installationsrapporter från communityn. Det mognadsförsprånget är verkligt och det är tillfälligt — Mings inferenskod lades upp samma dag som detta skrevs, och repot fick sin vLLM-Omni-supportnotis i en dokumentationscommit samma eftermiddag.

Ingen av modellerna erbjuds av någon värdbaserad inferensleverantör som vi kunde identifiera, och det är inte så mycket en lucka i den här jämförelsen som dess förutsättning: båda är checkpoints som man laddar ner. Det innebär att den oberoende evidensen är obalanserad. Ming-3.0-tts-0.5B har en rad i Artificial Analysis på båda talbrädorna – 1 188 Elo i Provider Voice (intervall 1 173–1 203, rangordningsintervall 17–23, den nittonde raden i listan vi fångade den 19 oktober 2026) och 1 069 i Controlled Voice (1 053–1 085, rangordningsintervall 10–18, trettonde raden samma dag). VoxCPM2 har ingen rad på någon av brädorna enligt våra senaste insamlingar, och frånvaron har varit stabil sedan april snarare än en nyligen gjord utelämning. Så det enda oberoende siffran i den här artikeln tillhör Ming, och den är respektabel; VoxCPM2 har inget att sätta emot, och ingen ärlig artikel kan hitta på ett head-to-head-Elo som ingen har mätt.

Licens, finjustering och frågan ingen ställer

Båda licenserna tillåter kommersiell användning. Ming är MIT, vilket är ungefär så tillåtande som en licens kan bli och endast kräver attributionsangivelse. VoxCPM2 är Apache 2.0, vilket tillför ett uttryckligt patentmedgivande och ett varumärkesundantag. För de flesta team är skillnaden administrativ snarare än juridisk, och båda är ett tydligt svar på ett upphandlingsformulär, medan en icke-kommersiell licens inte är det.

Den verkliga asymmetrin är finjustering. VoxCPM2 dokumenterar full övervakad finjustering och LoRA på fem till tio minuters ljud, vilket innebär att du kan flytta modellen mot en specifik talare eller stil med en liten datamängd och ett enda GPU. Ming-3.0-tts-0.5B levereras utan något finjusteringsrecept, något träningsskript och någon LoRA-väg i versionen vi läste. Om din produkt behöver en modell som är din egen i stället för en modell du promptar, är det inte en benchmark-lucka – det är en kapacitetslucka, och den avgör valet innan något Elo-tal konsulteras.

Mings svar på samma behov är röstdesign plus kloning: beskriv rösten eller tillhandahåll ett klipp. Det täcker de flesta produktionsbehov och inga av dem som innebär träning på proprietär ljuddata i stor skala.

Där ett routningslager förtjänar sin plats här

OrcaRouter är inte värd för Ming-3.0-tts-0.5B eller VoxCPM2. Ingen av dem är en modell som vi kan ge dig en endpoint för, och den här artikeln kommer inte att låtsas om något annat. Det som en router faktiskt når i en talpipeline är allt uppströms om vågformen: modellen som tar fram manuset, expanderar förkortningarna, bestämmer var skratt-taggen ska sitta och skriver om meningen som blev 3,8 sekunder lång när tidsfönstret var 3,2. Det är textanrop, och vi dirigerar fler än 200 textmodeller bakom en enda nyckel till leverantörens listpris med 0 % påslag – så när en leverantör sänker ett pris är sänkningen live hos oss samma dag i stället för vid nästa prisjustering. Automatisk failover ser till att den halvan av pipelineen fortsätter att svara, medan rösthalvan är en nedladdning som du själv driftar.

Det är den ärliga gränsdragningen. En router är fel verktyg för en checkpoint som du kör på din egen GPU, och rätt verktyg för de modeller som avgör vad checkpointen ombeds säga.

Att välja, utan en resultattavla att gömma sig bakom

Välj Ming-3.0-tts-0.5B om ditt innehåll är flerspråkigt och ordnoggrannhet är måttet som dina intressenter bråkar om, om du behöver kinesisk-först rösttäckning med namngivna förinställningar, om inline-emotionstaggar är en del av manusformatet, om du vill ha en MIT-checkpoint på 2,96 GB som får plats bekvämt på blygsam hårdvara, eller om ett parameterantal på 0,5B är skillnaden mellan en hållbar enhetskostnad och en ohållbar sådan. Var medveten om att rösten blir något mindre trogen referensen än VoxCPM2:s, att inferenskoden är några timmar gammal och att det inte finns någon väg för finjustering.

Välj VoxCPM2 om röstidentitet är produkten – dubbning, karaktärsarbete, allt där en lyssnare skulle märka att klonen glider – om du behöver något av de språk som Ming inte täcker, om du tänker finjustera på ditt eget ljud, eller om du vill ha en stack som har gått att installera utan överraskningar sedan april.

Utslagsgivaren är billig och inget av siffrorna ovan ersätter den. Ta hundra meningar av din egen text, ett referensklipp och kör båda. Poängsätt orden med en ASR-modell och rösten med samma cosinusmått som Ant använde. Du får ett svar per språk på en eftermiddag, på ditt innehåll, med dina accenter — vilket är mer än en leverantörstabell byggd på en offentlig testmängd kan ge dig, och betydligt mer än en resultattavla som bara listar en av de två modellerna.