Ming-3.0-tts-0.5B vs Voxtral 4B TTS: En av dessa vikter är inte till salu

Läs licensen före benchmarken, för i den här jämförelsen avgör den saken först. Ming-3.0-tts-0.5B är MIT — ladda ner den, finjustera den, leverera den i en kommersiell produkt, ange Ant Group som upphov och fortsätt. Voxtral 4B TT​S är CC BY-NC 4.0, ärvt från referensröstdatauppsättningarna bakom den, vilket innebär att Mistral AI:s vikter inte är licensierade för kommersiellt bruk alls. Den kommersiella vägen för Voxtral är API:et på $0.016 per tusen tecken. Så den verkliga frågan är inte vilken modell som låter bättre. Det är huruvida du köper en röst du driver eller hyr en röst du anropar, och bara en av dessa två checkpoints låter dig välja. De dokumenterade AI-felen och agentincidenterna bakom utgåvor som denna samlas i the OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Det sättet att rama in det låter som att det gör jämförelsen enkel, men det gör det inte, eftersom de två modellerna är bra på olika saker och den värdbaserade kommer med något som den öppna inte kan erbjuda: en publicerad latens- och genomströmningskurva, körd på verklig serveringsinfrastruktur, vid tre nivåer av samtidighet. Ming-3.0-tts-0.5B publicerades på Hugging Face den 24 september 2026 och dess inferenskod på GitHub den 19 oktober 2026, utan något tillkännagivande från Ant Group för någon av dem – modellen är 19 dagar gammal som artefakt och några timmar gammal som något man faktiskt kan köra. Voxtral 4B TT​S tillkännagavs av Mistral i mars 2026 och har haft sju månader på sig att mätas. Nedan följer licensen, driftsättningsformen, de siffror som respektive sida ärligt kan hävda och frågorna som ingen av leverantörerna har besvarat.

Två licenser som inte är variationer på ett tema

• Ming-3.0-tts-0.5B — MIT. Kommersiell användning, modifiering, vidaredistribution och finjustering är allt tillåtet, med attribution. En checkpoint på 2,96 GB som du kan lägga i en containeravbildning, köra på din egen accelerator och leverera till en kund utan att behöva be någon om tillstånd.

• Voxtral 4B TT​S — CC BY-NC 4.0. Icke-kommersiell. Mistrals modellkort anger uttryckligen att modellen ärver licensen för sina referensröster, hämtade från källor som bland annat EARS, CML-TTS, IndicVoices-R och ett arabiskt dataset med naturligt ljud. Vikterna går att ladda ner utan problem; licensen är begränsningen, inte filen.

Den skillnad som folk missar är att API:et inte omfattas av samma begränsning. Att anropa Voxtral via Mistrals tjänst är en kommersiell transaktion med leverantören, och priset är $0,016 per tusen tecken. Att självhosta det i en betalprodukt är en annan handling, och det är den som licensen förbjuder. Om din driftsättning måste vara lokal — datalokalisering, air-gapped inferens, en kund som inte godkänner en tredjepartsendpoint — då är Voxtral 4B TT​S inte ett alternativ oavsett pris, medan Ming-3.0-tts-0.5B är tillgänglig utan villkor.

Det är en hård gräns, och den är värd att skilja från den mjukare. En icke-kommersiell licens tillåter fortfarande utvärdering, forskning och intern experimentering, så det rimliga sättet att läsa den här tabellen är att Voxtral är en tjänst som du får testa gratis och Ming är en artefakt som du kan äga helt och hållet.

Vad en halv miljard parametrar ger, och vad det inte ger

• Storlek och arkitektur — Ming-3.0-tts-0.5B är en dense 0,5B-modell på en Qwen2.5-0.5B-backbone med ett diffusion-transformer-huvud, och checkpointen innehåller dess ljudtokenizer och talarkodare. Voxtral 4B TTS har ungefär 4 miljarder parametrar, serveras via vLLM-Omni och är byggd på Mistrals Ministral-3-3B-bas.

• Utdata — Ming vid 44,1 kHz; Voxtral vid 24 kHz i WAV, PCM, FLAC, MP3, AAC eller Opus. En 44,1 kHz-master är skillnaden mellan en fil som du kan lämna direkt till en videoredigerare och en fil som först måste samplas om, och det spelar större roll vid dubbning och sändning än i en telefonagent.

• Lägen — Ming har namngivna uppgifter (TT​S, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) med dokumenterade ömsesidiga uteslutningar. Voxtral hanterar strömning och batch, utan att någon motsvarande uppgiftstaxonomi har publicerats.

• Röster — Ming levereras med fler än 100 inbyggda kinesiska röster och fem inbyggda engelska röster, plus zero-shot-kloning från ett kort klipp och röstdesign från en naturlig språkbeskrivning. Voxtral levereras med 20 förinställda röster och anpassar sig till ett referensklipp på bara tre sekunder. Tjugo är en kurerad lista; hundra är en rollista. Vilket du vill ha beror på om du bygger en produkt med en röst eller ett verktyg som låter andra välja en.

• Paralingvistik — Mings 14 inline-taggar täcker andning, hosta, suck, skratt, tvekan, förvåning och frågor, samt explicita kontroller för känsla, hastighet, tonhöjd och volym. Mistral publicerar ingen taggvokabulär för Voxtral. Avsaknad av dokumentation är inte avsaknad av förmåga, och inte heller bevis för den.

Det är parametrantalet på 0,5B som brukar misstolkas. Ming är inte en mindre version av Voxtral, utan en annan design som satsar på att en kompakt grundmodell tillsammans med en medföljande talarkodare och en tokenizer räcker för styrbart tal, och som lägger sin kapacitet på kontroll i stället för på skala. I Ants egen flerspråkiga utvärdering slår den VoxCPM2 på innehållsnoggrannhet i fyra av fem språk, men förlorar på talarlikhet i alla fem – vilket är precis hur en modell som är trimmad för ord framför klangfärg ser ut på ett resultatkort.

Det enda nummer som Voxtral har som Ming inte har

Mistral har publicerat ett serving-benchmark, och det är det mest användbara i någon av utgåvorna för den som planerar kapacitet. På en enda H200 som kör vLLM-Omni 0.18.0, med en indata på 500 tecken och en tio sekunder lång ljudreferens:

• Samtidighet 1 – 70 millisekunders latens, realtidsfaktor 0,103, cirka 119 tecken per sekund GPU-tid.

• Samtidighet 16 — 331 millisekunder, RTF 0,237, cirka 879 tecken per sekund.

• Samtidighet 32 — 552 millisekunder, RTF 0.237 förs vidare, cirka 1 431 tecken per sekund.

Det är en kapacitetsplan i tre rader: latensen ligger kvar under en sekund långt förbi den samtidighet som de flesta röstprodukter faktiskt når, och genomströmningen skalas ungefär tolvfaldigt från en ström till trettiotvå. Det är Mistrals egen testrigg, inte reproducerad, och den förutsätter referensmiljön – men det är en form som du kan dimensionera en driftsättning efter.

Mings motsvarande siffra är oberoende snarare än leverantörsrapporterad, och den mäter något lite annat. Artificial Analysis registrerar Ming-3.0-tts vid 42,1 tecken per sekund av genereringstid i sin egen testrigg, en begäran i taget. Det är ungefär en tredjedel av Voxtrals enkelströmshastighet enligt en annan metod på annan hårdvara, och det ärliga påståendet är att de två siffrorna inte är direkt jämförbara: den ena är Mistrals genomströmning vid en vald samtidighet på en H200, den andra är en tredje parts enkelströmsmätning på opublicerad hårdvara. Vad som kan sägas är att båda är tillräckligt snabba för interaktivt tal och att ingen av dem utgör en realtidsbegränsning.

Den genomströmningsskillnad som verkligen spelar roll är kopplad till licensiering. Voxtrals kurva är ett skäl att anropa API:et i stället för att bygga runt vikterna – serveringstekniken är redan klar, och du betalar per tecken i stället för per GPU-timme. Mings hastighet är ett skäl att räkna ut din egen break-even, för vid 42,1 tecken per sekund är en miljon tecken ungefär 6,6 timmars generering, och om det är billigt beror helt och hållet på vad din accelerator kostar när den annars står oanvänd.

Nio språk mot sju, och ingen av listorna är ett kvalitetsanspråk

• Ming-3.0-tts-0.5B — kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, med sichuanesiska och kantonesiska som separata dialektuppgifter och en explicit språkidentifierare som krävs för de fem icke-kinesiska språken.

• Voxtral 4B TT​S — engelska, franska, spanska, tyska, italienska, portugisiska, nederländska, hindi och arabiska. Kortet beskriver "olika dialekter" inom detta stöd utan att räkna upp dem.

Överlappningen är fem språk: engelska, franska, spanska, tyska och ett av koreanska eller japanska beroende på hur man räknar den regionala täckningen. Varje modell täcker något som den andra inte gör – italienska, portugisiska, nederländska, hindi och arabiska på Voxtrals sida; koreanska, japanska, sichuanesiska och kantonesiska på Mings. Om din färdplan omfattar arabiska eller hindi är beslutet redan fattat innan det första benchmarket har lästs.

Det som ingen av leverantörerna publicerar är kvalitet per språk. Mistral anger ingen felkvot för något av sina nio språk. Ant testade fem icke-kinesiska språk på Mi​niMax-uppsättningen och publicerade siffror, men de är Ants egen testram mot Ants egna valda konkurrenter, och de säger ingenting om koreanska eller japanska mot Voxtral eftersom Voxtral inte fanns i tabellen. Så språkjämförelsen här är täckning, inte kompetens, och varje artikel som framställer den som kompetens gissar.

Styrelsen som har båda, liksom

Båda modellerna förekommer på Artificial Analysiss taltopplistor, men inte vid samma insamlingsdatum och inte med samma omgivande fält, så betrakta detta som en orientering snarare än ett direkt jämförelseresultat.

• Ming-3.0-tts-0.5B — Leverantörsröst 1 188 Elo (intervall 1 173–1 203, placeringsintervall 17–23, nittonde raden i listan); Kontrollerad röst 1 069 (1 053–1 085, placeringsintervall 10–18, trettonde raden). Båda mätningarna är från 19 oktober 2026, dagen då dess inferenskod lades upp.

• Voxtral 4B TT​S — Controlled Voice 1 005 Elo, rangintervall 24–30, tjugosjätte raden i samma insamling från 19 oktober. Dess position bland leverantörsröster fanns inte i materialet vi kunde verifiera.

Controlled Voice-tavlan är den som är värd att lita på, eftersom varje modell där klonar samma fasta referensröster och röstuppsättningen slutar vara en störfaktor. I mätningen ovan ligger Mings 1 069 och Voxtrals 1 005 64 poäng isär, och med överlappande rangintervall är den ärliga slutsatsen att Ming får högre poäng på en mätning som gjordes senare mot ett större fält. Läs det inte som en fastställd 64-poängsvinst. Läs det däremot som bevis för att en öppen 0.5B-checkpoint inte är chanslös bredvid en 4B-leverantörsmodell när det gäller rösttrohet, vilket är det förvånande.

Vad en självhostad Ming-pipeline faktiskt kostar dig i ingenjörsarbete

Att införa Ming är inte en nedladdning och ett funktionsanrop. Referensmiljön är låst: PyTorch 2.6 med CUDA 12.4, testad på en H800-80GB och en H20-96G, flash-attention valfritt med SDPA som reservlösning. Textnormalisering kräver pynini 2.1.6 – ett bibliotek med rykte om att vara krångligt att installera – eller så skickar du en flagga som stänger av normaliseringen och accepterar att siffror, valutor och förkortningar går till modellen i rå form.

Det är kostnaderna som aldrig dyker upp i en jämförelsetabell och alltid dyker upp i en sprint. Voxtrals motsvarande kostnader är dolda i API-priset: någon annan har låst miljön, någon annan hanterar samtidigheten, och avvägningen är att du inte kan ändra röstbesättningen bortom att anpassa från ett referensklipp, och att du inte kan sätta modellen på en maskin som du kontrollerar i kommersiellt syfte.

Mings mognad måste också prissättas ärligt. GitHub-repositoriet lades upp den 19 oktober 2026, där den första commiten innehöll inferenskoden, en Dockerfile, exempel med ett klick och en uppgiftskokbok, och dokumentationscommits landade under hela eftermiddagen – inklusive en som markerade stöd för vLLM-Omni. vLLM-Omni är samma serving-stack som Mistral använde för sitt Voxtral-benchmark, vilket är ett användbart sammanträffande: vägen till en produktionsdriftsättning för Ming är den väg Voxtral redan har dokumenterat, ett lager längre ned.

Där routning passar in, och den del den inte berör

OrcaRouter serverar inte Ming-3.0-tts-0.5B; det är en checkpoint som du kör själv. Voxtral 4B TT​S är tillgänglig via Mistrals eget API, och den här artikeln hävdar inte att vi dirigerar den. Det en router faktiskt når i båda arkitekturerna är texten runt rösten — manuset, de SSML-liknande taggbesluten, översättningssteget som förvandlar ett huvudmanus till nio språk före syntesen, sammanfattaren som kortar ett avsnitt så att det passar en tidslucka. Dessa anrop sker hundratals gånger per ljudminut, och det är där en pipelines kostnader och dess felmoder faktiskt koncentreras.

Det är det lager vi driver: över 200 textmodeller bakom en enda nyckel till leverantörens listpris med 0 % påslag, så att en leverantörs prissänkning når dig samma dag som den införs i stället för vid nästa prisjustering; automatisk failover mellan leverantörer, så att en enskild leverantörs dåliga dag inte stoppar manusgenereringen som förser rösten; och ett routnings-DSL för att sätta samman flera modeller till ett anrop när översättningssteget och stilomskrivningen behöver olika modeller. Röstmodellen i slutet av kedjan väljer du själv, och den här artikeln handlar om att välja den.

Vad inget av korten berättar för dig

Tre frågor avgör de flesta verkliga driftsättningar, och ingen av leverantörerna svarar på någon av dem.

• Hur står sig kvaliteten vid samtidighet? Mistral mäter latens och genomströmning vid 32 strömmar men publicerar ingen kvalitetsdelta mellan batch och streaming. Mings lansering har ingen samtidighetsbeskrivning alls – ett testramverk för enstaka förfrågningar, en referens-GPU och ingen genomströmningskurva för vLLM, bara en supportanteckning.

• Hur låter en misslyckad generering? Inget av korten dokumenterar trunkeringsbeteende, repetitionsloopar eller vad som händer när ett manus med 14 taggar krockar med en mening som modellen inte kan tolka. Ants kort är ovanligt öppenhjärtigt om sina svaga punkter – instabil paralingvistik för flera händelser, emotionsstyrning som försämras när orden inte förmedlar någon emotion, fransk likhet som dess svagaste språk och öppen röstdesign som inte matchar det starkaste systemet den utvärderades mot – men ett avsnitt om begränsningar är inte en taxonomi över misslyckanden.

• Vem underhåller detta om ett år? Mistral är ett företag med en kommersiell TTS-tjänst och ett uppenbart incitament att hålla den aktuell; marscheckpointen har redan varit stabil i sju månader. Ming-3.0-tts-0.5B har en gilla-markering, sex nedladdningar och ett arkiv som skapades samma dag som detta skrevs. Ant Group kan mycket väl stödja det – Ming-familjen omfattar ASR, ljud och små varianter, vilket tyder på ett program snarare än en engångsinsats – men inget i releasedokumentationen lovar något.

Den sista punkten är den man bör väga mot MIT-licensen. En tillåtande licens garanterar dig rätten att använda vikterna för alltid; den garanterar inte att någon kommer att åtgärda en bugg i inferenskoden, och skillnaden blir bara synlig i sjunde månaden.

Beslutet, i den ordning det faktiskt kommer

Börja med driftsättningsbegränsningen, eftersom den eliminerar ett alternativ direkt. Om modellen måste köras på infrastruktur som du kontrollerar och utdata måste vara kommersiellt användbar, är svaret Ming-3.0-tts-0.5B, och de återstående frågorna är tekniska: lås miljön, få pynini installerat eller acceptera onormaliserad text, budgetera cirka 6,6 GPU-timmar per miljon tecken, och acceptera att rösten blir lite mindre trogen en referensinspelning än det bästa öppna alternativet. Om modellen måste tala arabiska, hindi, italienska, portugisiska eller nederländska, är svaret Voxtral 4B TT​S via API:et, och de återstående frågorna är kommersiella: $0,016 per tusen tecken, tjugo röster, en utdata på 24 kHz som kan behöva samplas om, och en leverantör som har publicerat den betjäningskurva som du kommer att dimensionera mot.

Om ingen av begränsningarna är bindande är avgörandet vad din produkt är. En dubbnings- eller sändningspipeline som behöver många röster, dialekttäckning och inline-emotion vill ha Mings röstbesättning och dess 44,1 kHz-utdata, och kommer att betala för det i drift. En röstagent eller en IVR som behöver förutsägbar latens, streaming och någon annan som står på jour vill ha Voxtrals API, och kommer att betala för det per tecken och i förlusten av en röstbesättning som den inte kan utöka bortom tjugo.

Det enda som är värt att göra innan något av det: skriv ner vilka språk du faktiskt kommer att lansera på under de kommande tolv månaderna, och vilka av dem ditt juridiska team tillåter att lämna din infrastruktur. Dessa två listor snävar in detta från en modelljämförelse till en enda kandidat snabbare än något Elo-tal, och till skillnad från topplistorna är de aktuella.