Ming-3.0-tts-tiny vs VoxCPM2: Två checkpoints, varav en publicerar sin hastighet

Det här är den enda jämförelsen i Ming-3.0-tts-tiny-serien där båda sidor faktiskt kan köras, och det förändrar vad argumentet handlar om. Ming-3.0-tts-tiny, från Ant Groups inclusionAI, är en mixture-of-experts-modell med 7,9 miljarder parametrar som aktiverar cirka 1,3 miljarder per token, MIT-licensierad, ungefär 18 GB på disk, med ett H800 angett som rekommenderat kort. VoxCPM2, från OpenBMB, är en tokenizerfri modell med 2 miljarder parametrar på en MiniCPM-4-backbone, Apache 2.0, cirka 8 GB i bfloat16, släppt i april 2026. Ingen av dem har en rad på en leaderboard. Ingen av dem har ett pris för hostad tjänst. När två modeller båda är nedladdningsbara och båda saknar poängsättning, slutar jämförelsen handla om preferens och blir en fråga om aritmetik: timmar ljud per GPU-timme, minne per process och huruvida man kan finjustera saken utan att själv skriva träningskoden. 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 omstridd status.

Släpphistorikerna är värda att redogöra för rakt ut, eftersom de förklarar mognadsgapet. VoxCPM2 har varit offentligt sedan april, har samlat omkring 847 000 nedladdningar den senaste månaden och levereras med träningsskript vid sidan av inferensen. Ming-3.0-tts-tinys repository skapades den 22 september 2026, vikterna lades upp den 24 september, och koden för att köra dem fanns inte offentligt tillgänglig förrän den 19 oktober kl. 08:58 UTC, när nio commits kom in under en eftermiddag. Ant har inte tillkännagivit modellen. Det finns ingen teknisk rapport; färdplanen listar den som en okryssad ruta, och modellkortet redigerades den 16 oktober specifikt för att ta bort en hänvisning till en sådan. Så en av dessa är ett fem månader gammalt projekt med en användarbas, och den andra är en pipeline som vid tidpunkten för detta skrivande är en vecka gammal.

Den första av dem publicerar och den andra gör det inte.

VoxCPM2:s kort anger en realtidsfaktor på cirka 0,30 i standard-PyTorch på ett RTX 4090, som sjunker till ungefär 0,13 med Nano-VLLM. Realtidsfaktor är sekunder beräkning per sekund ljud, så de två siffrorna innebär att en GPU-timme ger cirka 3,3 timmar färdigt tal i det första fallet och cirka 7,7 i det andra.

Ming-3.0-tts-tiny publicerar ingen genomströmning alls. Inte en realtidsfaktor, inte tecken per sekund, inget uppmätt på ett kort. Det utgåvan däremot ger dig är miljön den validerades i – Python 3.10.15, torch och torchaudio 2.7.1 med CUDA 11.8, transformers låst till 4.46.3, ett H800 och ett förkontrollskript som kontrollerar din installation innan du slösar en körning – plus arkitekturen: 8 980 964 372 parametrar i BF16, 40 096 i F32, en expertstack på totalt 7,9B med ungefär 1,3B aktiva per token.

Du kan inte låna 0,5B-syskonmodellens genomströmning för att täcka gapet. Den modellen uppmättes till 42,1 tecken per sekund i en oberoende testrigg och upptar 2,96 GB; den lilla modellen aktiverar ungefär två och en halv gånger så många parametrar per token och upptar ungefär sex gånger så mycket diskutrymme. Sparse routing tar igen en del av kostnaden för den större totala storleken, vilket är hela poängen med arkitekturen, men ingen utanför Ant har satt en siffra på hur mycket.

Att göra kostnadsberäkningen med ett hål i den

Eftersom den ena sidan offentliggör sin hastighet och den andra inte, är den ärliga versionen av den här jämförelsen ett intervall snarare än en siffra. Så här ser formen ut.

• VoxCPM2 på ett RTX 4090, PyTorch — 0,30 RTF, alltså 3,3 timmar ljud per GPU-timme. En miljon tecken berättarröst, vid grovt räknat 15 tecken per sekund tal, är ungefär 18,5 timmar färdigt ljud, eller ungefär 5,6 GPU-timmar.

• VoxCPM2 på samma kort, Nano-VLLM — 0,13 RTF, alltså 7,7 timmar per GPU-timme, eller ungefär 2,4 GPU-timmar för samma miljon tecken. Serving-stacken mer än fördubblar utflödet utan att röra vikterna.

• Ming-3.0-tts-tiny — okänt. Vid hypotetiska 20 tecken per sekund skulle det behöva ungefär 14 timmars generering; vid 10 tecken per sekund, ungefär 28. Ingen av siffrorna är en mätning och båda bör behandlas som platshållare tills någon publicerar en sådan.

• Minne — VoxCPM2 uppger cirka 8 GB i bf16, vilket ryms på ett 24 GB konsumentkort med utrymme för batchning. Ming-3.0-tts-tiny:s 18 GB vikter plus aktiveringar och ljudavkodaren innebär att ett 80 GB H800 är det rimliga målet och ett 24 GB-kort är det inte.

• {{1}}Sekvensgräns{{/1}} — VoxCPM2 har en övre gräns på 8 192 token, vilket är en verklig begränsning för långformsarbete och värt att kontrollera mot ditt längsta stycke innan du bestämmer dig. {{2}}Ming-3.0-tts-tiny{{/2}} publicerar ingen motsvarande gräns; dess långformsväg är poddauppgiften, som tar ett manus snarare än ett enda yttrande.

Slutsatsen som står kvar trots den saknade siffran handlar om utnyttjandegrad snarare än hastighet. Ett kort som står stilla förlorar mot varje hostat API oavsett pris, och ett kort som du redan äger och håller igång vinner på marginalkostnad oavsett vilken av dessa två du kör. Gapet mellan 0,30 och 0,13 RTF är en faktor 2,3 i kostnad per ljudtimme, vilket är större än vad de flesta team förväntar sig av ett byte av serveringsstack och större än vad skillnaden i parameterantal antyder.

Finjustering är där de två slutar vara jämförbara

VoxCPM2 dokumenterar både fullständig övervakad finjustering och LoRA på så lite som fem till tio minuters ljud, med ett träningsskript och en konfiguration för vardera. Det är inte en fotnot; det är skillnaden mellan en modell vars beteende du hyr och en modell vars beteende du äger.

Ming-3.0-tts-tiny dokumenterar inferens, inte träning. Repot är en kokbok för uppgifter – seed-röstkloning, flerspråkighet, paralingvistik, podcast, grundläggande attribut, emotion, dialekt, fri form, röstdesign och en "ip"-uppgift – som kretsar kring en enda ingångspunkt i form av MingTinyTTS.from_pretrained. Det finns inget LoRA-recept, ingen SFT-konfiguration och inget uttalande om huruvida finjustering stöds överhuvudtaget. Det kan mycket väl vara möjligt; en checkpoint är en checkpoint. Men "möjligt" och "dokumenterat med ett fungerande skript" är olika mycket ingenjörsarbete, och det är den andra som VoxCPM2 levererar.

För en varumärkesröst, en reglerad domän eller ett språk som ingen av modellerna hanterar väl direkt är det den avgörande asymmetrin. Fem minuter referensljud och en tillhandahållen konfiguration är en veckas arbete. Att reverse-engineera en träningsväg för en gles 7.9B-modell utan referensimplementation är ett kvartal.

Språk, dialekter och vad "30 språk" ger

• Ming-3.0-tts-tiny — kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, plus sichuanesiska och kantonesiska när du tillhandahåller ett referensklipp på den dialekten. Nio totalt om man räknar med de två dialekterna.

• VoxCPM2 — 30 språk inklusive kantonesiska och sichuanesiska, och kortet anger att ingen språktagg krävs: du ger den text och den sluter sig till språket. Det är en bekvämlighet med ett felbeteende, eftersom blandad språktext avgörs av modellen i stället för av dig.

På de språk de har gemensamt har bara en sida publicerat felfrekvenser per språk, och det är Ant. Tyska 0,325 % teckenfel, spanska 0,971 %, japanska 3,427 %, franska 3,470 %, koreanska 6,000 %, allt i Ants eget testramverk, allt oreproducerat. VoxCPM2 publicerar ingen tabell per språk, så breddfördelen kan inte kontrolleras mot djupanspråket. Den som utser en vinnare i språkkvalitet här citerar en leverantörs kalkylblad mot en annan leverantörs tystnad.

Siffran för koreanska förtjänar en egen mening, eftersom den är den tydligaste defekten i Ming-3.0-tts-tiny:s resultat: 6,000 % teckenfel, ungefär tre och en halv gånger de 1,728 % som dess egen 0,5B-syskonmodell redovisar för samma språk. Kortet listar koreanska bland de kända svagheterna och erbjuder ingen mekanism. En förklaring med sparse routing är rimlig och inte uppmätt.

Licensfrågan, där klyftan är mindre än den verkar

Båda är tillåtande för kommersiell användning, vilket är ovanligt inom detta område och värt att säga rakt ut. Ming-3.0-tts-tiny är MIT för vikter och kod, med en användningsnotis som ber dig att inte imitera människor utan samtycke och att märka syntetiskt ljud – en begäran i dokumentationen snarare än ett villkor för licensen. VoxCPM2 är Apache 2.0, uttryckligen gratis för kommersiell användning, med sin egen formulering om godtagbar användning.

Ingen av licenserna tvingar fram en juridisk granskning som avslutar projektet, och ingen av dem har det undantag för värdtjänster som gör vissa släpp av talmodeller med öppna vikter oanvändbara i produktion. För en självhostad driftsättning är de två tillräckligt lika för att licensen inte bör vara avgörande; träningsupplägget, minnesavtrycket och hastigheten bör vara det.

Ingen av dem finns på tavlan, och ett nummer lånas ändå.

Artificial Analysis listar en Ming-3.0-ttspost med 1 188 Elo i Provider Voice och 1 069 i Controlled Voice. Det är 0,5B-modellen. Ming-3.0-tts-tiny har ingen arena-rad – inte rankad, inte orankad, inte en förhandsvisningspost – och GitHub README återger siffrorna 1 188 och 1 069 utan att säga vilken checkpoint som producerade dem.

VoxCPM2 har ingen rad alls på någon av resultattavlorna, och dess Hugging Face-sida anger att ingen inferensleverantör driftsätter den. Den frånvaron är inte en låg poäng. Det innebär att ingen har ställt någon av dessa modeller inför en preferenspanel, så det enda kvalitetsbeviset i den här jämförelsen är Ants egen svit på ena sidan och ingenting på den andra.

Om du behöver en siffra innan du börjar är den användbara ersättningen den som VoxCPM2 faktiskt publicerar: realtidsfaktorn. Det är inte ett kvalitetsmått, men det är uppmätt, det är reproducerbart på ditt eget kort och det talar om vad modellen kostar att köra. Ming-3.0-tts-tiny:s motsvarighet är ett intervall som du själv måste ta fram.

Vad var och en egentligen är till för

Välj VoxCPM2 när arbetsbelastningen är långformig och kostnadskänslig, när du behöver ett språk utanför Ants nio, när 8 GB VRAM spelar roll eftersom din driftsättning sker på ett enda konsumentkort, eller när en LoRA på dina egna fem minuter ljud finns på färdplanen. Den tokenizerfria designen och 48 kHz-utdata via AudioVAE V2:s inbyggda superupplösning är verkliga tekniska fördelar, och de fem månaderna av offentlig användning innebär att felmoderna dokumenteras av främlingar snarare än av leverantören.

Välj Ming-3.0-tts-tiny när du behöver det som bara den erbjuder: en podcastuppgift med flera talare i ett enda genomlopp, 14 inline-paralingvistiska taggar med explicita kontroller för känsla, hastighet, tonhöjd och volym, en kinesisk röstbesättning på över 100 röster plus fem engelska röster, och en kinesisk-först-modell vars dialekthantering byggdes snarare än härleddes. Acceptera i utbyte att du blir det första teamet att benchmarka den, att koreanska är en dokumenterad svaghet, att finjustering är odokumenterad och att hela utgåvan är en vecka gammal.

OrcaRouter dirigerar inte någon av modellerna, och den här artikeln bör inte läsas som att den antyder något annat – båda nås genom att du laddar ner dem och kör dem själv. Det som finns i katalogen är textdelen av samma pipeline: fler än 200 modeller bakom en enda nyckel till leverantörens listpris utan något påslag, så en leverantörsprisändring når dig samma dag, med automatisk failover mellan leverantörer för modellen som skriver skriptet eller driver agenten. När båda talalternativen är självhostade och ingen av dem medför någon kostnad per tecken, är den återkommande kostnaden som du faktiskt kan jämföra från månad till månad textlagret, och det är den som är värd att lägga bakom en enda slutpunkt.

Jämförelsen slutar där den började: två checkpoints, ingen gemensam resultattavla och ett beslut som handlar om huruvida du behöver snabbhet och finjustering på blygsam hårdvara eller kinesisk-först-kontroll på en stor sådan. VoxCPM2 besvarar det första med publicerade siffror. Ming-3.0-tts-tiny besvarar det andra med en uppgiftskokbok och ingen genomströmningssiffra, vilket är det enskilt mest användbara som Ant kan publicera härnäst.