Ming-3.0-tts-0.5B กับ VoxCPM2: ตัวหนึ่งชนะเรื่องถ้อยคำ อีกตัวชนะเรื่องเสียง

มีการเปรียบเทียบที่เผยแพร่แล้วเพียงหนึ่งเดียวของ Ming-3.0-tts-0.5B และ VoxCPM2 และ Ant Group เป็นผู้เขียนมัน ใน model card ของตัวเอง Ant ได้ทดสอบโมเดลเสียงหลายภาษาสองตัวนี้บนชุดทดสอบ Mi​niMax ในภาษาเยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น Ming-3.0-tts-0.5B ให้คำที่แม่นยำกว่าในสี่จากห้าภาษา VoxCPM2 ให้เสียงที่ใกล้เคียงต้นฉบับกว่าในทั้งห้าภาษา รูปแบบเดียวนี้ — ความแม่นยำของเนื้อหาอยู่กับเช็กพอยต์ 0.5B ส่วนความคล้ายของผู้พูดอยู่กับตัว 2B — เป็นสิ่งที่มีประโยชน์ที่สุดเท่าที่มีใครเผยแพร่เกี่ยวกับการจับคู่นี้ และเนื่องจากมันเป็นตารางของผู้ขายเอง จึงเป็นสิ่งที่จำเป็นต้องมีข้อควรระวังมากที่สุดเช่นกัน Ant ชนะในอัตราความผิดพลาดที่มันเลือกจะเผยแพร่ และแพ้ในคะแนนความคล้ายคลึงบนหน้าเดียวกัน ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งของตัวเอง

ทั้งสองโมเดลเป็นแบบ open-weight ทั้งคู่允許ใช้เชิงพาณิชย์ และทั้งคู่ถูกใช้งานโดยคุณเองแทนที่จะเรียกใช้เป็นบริการ Ming-3.0-tts-0.5B เป็นโมเดล dense ของ Ant Group ที่ได้รับสัญญาอนุญาต MIT บนโครงหลัก Qwen2.5-0.5B พร้อมส่วนหัว diffusion-transformer เผยแพร่บน Hugging Face เมื่อวันที่ 24 กันยายน 2026 โดยมีโค้ดสำหรับการอนุมานตามมาบน GitHub เมื่อวันที่ 19 ตุลาคม 2026 และไม่มีประกาศจากผู้จำหน่ายสำหรับทั้งสองอย่าง VoxCPM2 เป็นเช็กพอยต์ Apache-2.0 ของ OpenBMB จากเดือนเมษายน 2026 ซึ่งเป็นโมเดล diffusion-autoregressive ขนาด 2B ที่ไม่ต้องใช้ tokenizer บนโครงหลัก MiniCPM-4 ทุกสิ่งด้านล่างนี้เป็นผลสืบเนื่องมาจากความแตกต่างด้านขนาดและสัญญาอนุญาตนั้น และจากข้อเท็จจริงที่ว่าหนึ่งในสองโมเดลมีคะแนน arena อิสระ ในขณะที่อีกโมเดลหนึ่งไม่มี

สิ่งที่ตารางของ Ant เองระบุไว้จริง ๆ

ชุดทดสอบหลายภาษาของ MiniMax รายงานข้อผิดพลาดด้านเนื้อหา — อัตราข้อผิดพลาดระดับคำสำหรับภาษาเยอรมัน สเปน และฝรั่งเศส อัตราข้อผิดพลาดระดับอักขระสำหรับภาษาเกาหลีและญี่ปุ่น — ควบคู่กับค่าคอสไซน์ความคล้ายคลึงของผู้พูด ยิ่งค่าความผิดพลาดต่ำยิ่งดี ยิ่งค่าความคล้ายคลึงสูงยิ่งดี Ant รันทั้งสองโมเดลด้วยตัวเอง ไม่มีสิ่งใดในที่นี้ที่ถูกจำลองซ้ำโดยบุคคลที่สาม และผู้ดูแล VoxCPM2 ไม่ได้เผยแพร่ตารางโต้แย้งที่เราเท่าที่หาเจอ

• ภาษาเยอรมัน — Ming-3.0-tts-0.5B ข้อผิดพลาด 0.365, ความคล้ายคลึง 0.753; VoxCPM2 ข้อผิดพลาด 0.963, ความคล้ายคลึง 0.790

• ภาษาสเปน — Ming 1.099 ความคล้ายคลึง 0.763; VoxCPM2 1.324 ความคล้ายคลึง 0.836

• ภาษาฝรั่งเศส — Ming 4.264 ความคล้ายคลึง 0.675; VoxCPM2 3.380 ความคล้ายคลึง 0.761 นี่เป็นภาษาเดียวที่อันดับข้อผิดพลาดพลิกกลับ

• เกาหลี — Ming 1.728, ความคล้ายคลึง 0.793; VoxCPM2 3.547, ความคล้ายคลึง 0.839

• ภาษาญี่ปุ่น — Ming 3.765 ความคล้ายคลึง 0.765; VoxCPM2 4.358 ความคล้ายคลึง 0.825

สองสิ่งที่น่าจับตาก่อนที่โมเดลใดจะได้รับเครดิต ประการแรก ช่องว่างของภาษาเยอรมันมีขนาดใหญ่ — 0.365 เทียบกับ 0.963 — ในขณะที่ช่องว่างของภาษาเกาหลีและญี่ปุ่นเล็กกว่า และผลลัพธ์ภาษาฝรั่งเศสกลับไปในทางตรงกันข้าม ดังนั้น "แม่นยำกว่า" จึงเป็นข้อกล่าวอ้างรายภาษา ไม่ใช่ข้อกล่าวอ้างทั่วไป ประการที่สอง อัตราความผิดพลาดของภาษาฝรั่งเศสสูงสำหรับทุกโมเดลในตารางนั้น คู่แข่งที่ระบุไว้ข้าง ๆ พวกมันได้คะแนน 19.878 ในภาษานั้น ภาษาที่ทั้งวงการกระจุกตัวอยู่ที่ตัวเลขแย่ ๆ คือภาษาที่ชุดทดสอบ ไม่ใช่โมเดล เป็นผู้ทำงานบางส่วน ควรถือว่าภาษาฝรั่งเศสยังสรุปไม่ได้ มากกว่าจะเป็นการชนะของ VoxCPM2

ทำไมคอลัมน์ความคล้ายคลึงจึงเป็นคอลัมน์ที่ต้องอ่านสองครั้ง

การวัดความคล้ายคลึงของผู้พูดจะตรวจสอบว่าเสียงที่ได้ยินออกมาฟังเหมือนเสียงอ้างอิงหรือไม่ นี่คือตัวชี้วัดที่แยกเดโมออกจากผลิตภัณฑ์: เสียงโคลนที่ค่อย ๆ เพี้ยนไปจะดึงผู้ฟังออกจากฉากได้แม้ทุกคำจะถูกต้อง และคะแนน ASR ในขั้นถัดไปก็ไม่มีทางบอกคุณได้ว่าเกิดขึ้นแล้ว

Ming แพ้ในทั้งห้าภาษา โดยมีส่วนต่างระหว่าง 0.037 (สเปน) ถึง 0.086 (ฝรั่งเศส) ค่าเหล่านี้เป็นระยะทางโคไซน์บนมาตรวัดที่มีขอบเขต ดังนั้นช่องว่างจึงเล็กน้อยแต่สม่ำเสมอ และความสม่ำเสมอในทั้งห้าภาษานั้นอธิบายกลบเกลื่อนได้ยากกว่าข้อมูลแย่เพียงแถวเดียว คำอธิบายที่ตรงไปตรงมาอยู่ในการ์ดของ Ant เอง ซึ่งระบุไว้ชัดเจนว่าความคล้ายของผู้พูดเป็นรองความแม่นยำของเนื้อหา โมเดลถูกปรับจูนให้เน้นการทำให้คำถูกต้อง

มีเหตุผลที่สองที่เฉพาะเจาะจงกว่าสำหรับการคาดหวังสิ่งนี้ และเหตุผลนั้นเป็นเชิงสถาปัตยกรรม VoxCPM2 ถอดรหัสที่ 48 kHz ผ่านขั้นตอน super-resolution ที่มีมาในตัวใน tokenizer AudioVAE V2 และรับคลิปอ้างอิง 16 kHz ขณะที่ยังสร้างเอาต์พุต 48 kHz Ming-3.0-tts-0.5B ทำงานที่ 44.1 kHz อัตราการสุ่มตัวอย่างไม่ใช่ความเหมือน — อัตราที่สูงกว่าไม่ได้ทำให้เสียงเหมือนต้นฉบับมากขึ้น — แต่ไปป์ไลน์ของ VoxCPM2 ถูกสร้างขึ้นอย่างชัดเจนโดยเน้นการรักษาลักษณะเฉพาะของเสียงอ้างอิงผ่านขั้นตอนการรีแซมเปิล และนั่นคือการตัดสินใจเชิงการออกแบบที่โมเดล 0.5B ซึ่งมี speaker encoder รวมมาด้วยไม่ได้เลือกทำ

ดังนั้นการอ่านอย่างตรงไปตรงมาไม่ใช่ “VoxCPM2 โคลนได้ดีกว่าเพราะมีขนาดใหญ่กว่า” แต่เป็นว่าโมเดลทั้งสองปรับให้เหมาะสมกับคนละครึ่งของวัตถุประสงค์เดียวกัน และตารางของผู้ขายแสดงให้เห็นว่าแต่ละตัวชนะในครึ่งของตัวเอง

การตัดเสียง: API สองแบบ สองปรัชญา

ทั้งสองโคลนแบบ zero-shot จากคลิปสั้น ๆ กลไกการทำงานแตกต่างกันมากพอที่จะมีผลหากคุณกำลังเขียนส่วนเชื่อมต่อ (integration)

• Ming-3.0-tts-0.5B — จุดเข้าใช้งานเพียงจุดเดียว พร้อมอาร์กิวเมนต์สำหรับระบุงาน MingTTS("inclusionAI/Ming-3.0-tts-0.5B") จากนั้นเรียก synthesize(task=...) โดยใช้ prompt_wav_path, prompt_text และ use_spk_emb งานที่มีให้ใช้ได้แก่ TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM และ IP เช็กพอยต์นี้รวม backbone, หัว DiT, โทเคไนเซอร์เสียง และตัวเข้ารหัสผู้พูด Campplus ไว้ด้วยกัน ดังนั้นการโคลนเสียงจึงเป็นงานระดับแรก ไม่ใช่ไปป์ไลน์แยกต่างหาก

• VoxCPM2 — pip install voxcpm จากนั้น VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). การออกแบบเสียงเป็นคำนำหน้าในวงเล็บบนข้อความเอง "(description)text" โดยใช้ cfg_value=2.0 และ inference_timesteps=10 เป็นจุดเริ่มต้นตามที่ระบุไว้ในเอกสาร

ผลที่ตามมาคือส่วนควบคุมของ Ming มีโครงสร้างชัดเจน ส่วนของ VoxCPM2 เป็นแบบข้อความ Ming มอบงานที่มีชื่อเรียกให้คุณ พร้อมข้อห้ามใช้ร่วมกันที่ระบุไว้อย่างชัดเจน — FREEFORM ไม่สามารถใช้ร่วมกับการออกแบบเสียง เสียงในตัว การควบคุมอารมณ์ ภาษาถิ่น หรือคุณลักษณะได้ และงานแบบหลายภาษาต้องระบุ language_id อย่างชัดเจนสำหรับภาษาที่ไม่ใช่ภาษาจีนทั้งห้า นั่นหมายถึงมีสิ่งที่ต้องเรียนรู้อีกมากและต้องเดาน้อยลง สตริงเดียวของ VoxCPM2 นั้นลองได้เร็วกว่าแต่ทำให้ผลลัพธ์แน่นอนได้ยากกว่า การ์ดของ OpenBMB เองแนะนำให้สร้างหนึ่งถึงสามตัวเลือก เนื่องจากการออกแบบเสียงและสไตล์แตกต่างกันในแต่ละครั้งที่รัน

หากคุณกำลังสร้าง UI ที่ผู้ผลิตเสียงเลือกเสียงจากรายการ เสียงภาษาจีนในตัวกว่า 100 เสียงของ Ming และเสียงภาษาอังกฤษในตัว 5 เสียงคือเมนูที่คุณสามารถเรนเดอร์ได้ VoxCPM2 ไม่มีรายชื่อเสียงที่เทียบเท่า — เสียงของมันถูกออกแบบหรือโคลนขึ้นมา ไม่ได้ถูกระบุเป็นรายการ

ภาษา ภาษาถิ่น และชั้นข้อมูลพาราลิงกวิสติก

• จำนวนภาษา — Ming-3.0-tts-0.5B รองรับภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น รวมถึงภาษาจีนเสฉวนและกวางตุ้งเป็นงานภาษาถิ่นแยกต่างหาก VoxCPM2 อ้างว่ารองรับ 30 ภาษา Ant ทดสอบภาษาที่ไม่ใช่ภาษาจีนห้าภาษา OpenBMB ไม่ได้เผยแพร่ตารางข้อผิดพลาดรายภาษาที่เราตรวจสอบได้ ดังนั้น 30 จึงเป็นคำอ้างเรื่องความครอบคลุมโดยไม่มีคำอ้างเรื่องคุณภาพแนบมาด้วย

• ภาษาถิ่น — Ming เปิดให้ใช้ภาษาจีนเสฉวนและกวางตุ้งเป็นงานที่ไม่มีอาร์กิวเมนต์ภาษา รายการ 30 ภาษาของ VoxCPM2 ไม่ได้แยกออกตามภาษาถิ่นในเอกสารที่เราอ่าน และการถือว่าภาษาถิ่นได้รับการรองรับแล้วเพียงเพราะภาษาหลักได้รับการรองรับนั้น คือข้อผิดพลาดที่หัวข้อนี้มีไว้เพื่อป้องกัน

• การควบคุมแบบอินไลน์ — Ming มีแท็ก 14 รายการสำหรับลมหายใจ ไอ ถอนหายใจ หัวเราะ ความลังเล ความประหลาดใจ และคำถาม ทั้งภาษาจีนและภาษาอังกฤษ พร้อมทั้งการระบุอารมณ์ ความเร็ว ระดับเสียงสูงต่ำ และระดับความดังอย่างชัดเจน ส่วน VoxCPM2 ไม่มีชุดคำศัพท์แท็ก การควบคุมของมันคือคำนำหน้าคำอธิบายภาษาธรรมชาติ

• จุดอ่อน — ตามคำยอมรับของ Ant เอง — ประโยคพาราลิงกิสติกแบบหลายเหตุการณ์ไม่เสถียร การควบคุมอารมณ์ลดลงเมื่อข้อความไม่มีสัญญาณทางอารมณ์ และการออกแบบเสียงแบบเปิดกว้างไม่ทัดเทียมระบบที่แข็งแกร่งที่สุดที่ Ant ประเมินเปรียบเทียบ ข้อสุดท้ายเป็นคำอธิบายที่ตรงถึงช่องว่างกับ voice ระดับ frontier แบบ hosted และยังใช้ได้กับ VoxCPM2 เช่นกัน

วิธีแบ่งใช้งานจริง: เลือก Ming หากสคริปต์ของคุณต้องการเสียงหัวเราะ เสียงถอนหายใจ หรือการหยุดเว้นจังหวะด้วยความลังเลกลางประโยค เลือก VoxCPM2 หากสคริปต์ของคุณต้องการภาษาที่ Ming ไม่รองรับ หรือเสียงที่ออกแบบจากคำบรรยายเป็นลายลักษณ์อักษรแทนที่จะเป็นพรีเซ็ตที่ตั้งชื่อไว้

การรันสิ่งเหล่านี้: 8 GB กับ CUDA pin

• Ming-3.0-tts-0.5B — ทดสอบบน NVIDIA H800-80GB และ H20-96G ด้วย CUDA 12.4 flash-attention เป็นฟีเจอร์เสริมที่มี SDPA fallback การปรับข้อความให้เป็นมาตรฐานต้องใช้ pynini==2.1.6 หรือคุณส่ง --no_text_normalization และยอมรับว่าตัวเลขและคำย่อจะถูกส่งไปยังโมเดลแบบดิบ ๆ PyTorch 2.6 เป็นสภาพแวดล้อมอ้างอิง เอาต์พุตเป็น 44.1 kHz

• VoxCPM2 — ใช้ VRAM ประมาณ 8 GB ใน bf16 สำหรับการพัฒนา และใช้สูงสุดประมาณ 22 GB บนการ์ด 24 GB, ต้องใช้ Python 3.10 ขึ้นไป, PyTorch 2.5.0 ขึ้นไป, CUDA 12.0 ขึ้นไป อัตราเรียลไทม์แฟกเตอร์ตามเอกสารอยู่ที่ประมาณ 0.30 บน RTX 4090 เมื่อใช้ PyTorch ล้วน และประมาณ 0.13 เมื่อใช้ Nano-VLLM — เร็วกว่าเวลาจริงประมาณสองถึงสามเท่า หรือแปดเท่าเมื่อใช้เลเยอร์ให้บริการ

สองย่อหน้านั้นบรรยายถึงบ่ายแห่งงานวิศวกรรมที่แตกต่างกันมาก สแต็กของ Ming เป็นตัวที่ใหม่กว่าและเปราะบางกว่า: ไลบรารี FST ที่ปักหมุดเวอร์ชัน, เคอร์เนลแบบออปชัน, สภาพแวดล้อมอ้างอิงที่ปักหมุดกับ CUDA บิลด์เฉพาะ VoxCPM2 ออกมาตั้งแต่เดือนเมษายนและได้รวบรวมรายงานการติดตั้งจากชุมชนตลอดหกเดือน ข้อได้เปรียบด้านความสมบูรณ์นั้นมีจริงและเป็นเพียงชั่วคราว — โค้ด inference ของ Ming ถูกอัปโหลดในวันที่เขียนสิ่งนี้ และรีโพซิทอรีได้รับโน้ตสนับสนุน vLLM-Omni ผ่านคอมมิตเอกสารในบ่ายวันเดียวกัน

ไม่มีโมเดลใดถูกเสนอโดยผู้ให้บริการอนุมานแบบโฮสต์ที่เราระบุได้ และนั่นไม่ใช่ช่องว่างในการเปรียบเทียบนี้มากเท่ากับเป็นสมมติฐานตั้งต้นของมัน: ทั้งคู่เป็นเช็กพอยต์ที่คุณดาวน์โหลดเอง มันหมายความว่าหลักฐานที่เป็นอิสระนั้นเอนเอียงไม่สมดุล Ming-3.0-tts-0.5B มีแถวใน Artificial Analysis บนกระดานเสียงทั้งสอง — 1,188 Elo บน Provider Voice (ช่วง 1,173–1,203 ช่วงอันดับ 17–23 แถวที่สิบเก้าของรายการที่เราบันทึกเมื่อวันที่ 19 ตุลาคม 2026) และ 1,069 บน Controlled Voice (1,053–1,085 ช่วงอันดับ 10–18 แถวที่สิบสามในวันเดียวกัน) VoxCPM2 ไม่มีแถวบนกระดานใดเลย ณ การเก็บข้อมูลล่าสุดของเรา และการไม่มีอยู่นี้คงที่ตั้งแต่เดือนเมษายนมากกว่าจะเป็นการละเว้นเมื่อเร็ว ๆ นี้ ดังนั้นตัวเลขที่เป็นอิสระเพียงตัวเดียวในบทความนี้เป็นของ Ming และมันเป็นตัวเลขที่น่านับถือ VoxCPM2 ไม่มีอะไรมาตั้งเทียบ และไม่มีบทความที่ซื่อสัตย์ใดจะประดิษฐ์ Elo แบบเผชิญหน้าซึ่งไม่มีใครวัดได้

สัญญาอนุญาต การปรับแต่งละเอียด และคำถามที่ไม่มีใครถาม

สัญญาอนุญาตทั้งสองฉบับอนุญาตให้ใช้เชิงพาณิชย์ได้ Ming ใช้สัญญาอนุญาต MIT ซึ่งถือว่าเปิดกว้างที่สุดเท่าที่สัญญาอนุญาตหนึ่งจะทำได้ และกำหนดเพียงให้ระบุที่มาเท่านั้น VoxCPM2 ใช้ Apache 2.0 ซึ่งเพิ่มการให้สิทธิ์สิทธิบัตรอย่างชัดเจนและมีข้อยกเว้นด้านเครื่องหมายการค้า สำหรับทีมส่วนใหญ่ ความแตกต่างนี้เป็นเรื่องทางธุรการมากกว่าทางกฎหมาย และไม่ว่าจะเลือกฉบับไหนก็ล้วนเป็นคำตอบที่เรียบร้อยสำหรับแบบสอบถามการจัดซื้อ ในขณะที่สัญญาอนุญาตแบบไม่ใช้เชิงพาณิชย์ไม่ใช่เช่นนั้น

ความไม่สมมาตรที่แท้จริงคือการ fine-tuning VoxCPM2 มีเอกสารอธิบายการ fine-tuning แบบ supervised เต็มรูปแบบและ LoRA บนเสียงห้าถึงสิบนาที ซึ่งหมายความว่าคุณสามารถปรับโมเดลให้ไปทางผู้พูดหรือสไตล์เฉพาะได้ด้วยชุดข้อมูลขนาดเล็กและ GPU เพียงตัวเดียว Ming-3.0-tts-0.5B ไม่มีสูตรการ fine-tuning ไม่มีสคริปต์การฝึก และไม่มีเส้นทาง LoRA ในรีลีสที่เราอ่าน หากผลิตภัณฑ์ของคุณต้องการโมเดลที่เป็นของคุณเองมากกว่าโมเดลที่คุณเพียงป้อนพรอมต์ นั่นไม่ใช่ช่องว่างด้านเบนช์มาร์ก แต่เป็นช่องว่างด้านความสามารถ และมันตัดสินการเลือกก่อนที่จะมีการอ้างอิงตัวเลข Elo ใดๆ

คำตอบของ Ming สำหรับความต้องการเดียวกันนี้คือการออกแบบเสียงร่วมกับการโคลนเสียง: อธิบายลักษณะเสียง หรือส่งคลิปเสียงมาให้ สิ่งนี้ครอบคลุมความต้องการด้านการผลิตส่วนใหญ่ แต่ไม่ครอบคลุมความต้องการที่เกี่ยวข้องกับการเทรนด้วยข้อมูลเสียงที่เป็นกรรมสิทธิ์ในระดับขนาดใหญ่

ในกรณีที่เลเยอร์การกำหนดเส้นทางคุ้มค่าที่จะมีอยู่ตรงนี้

OrcaRouter ไม่ได้โฮสต์ Ming-3.0-tts-0.5B หรือ VoxCPM2 ทั้งสองไม่ใช่โมเดลที่เราให้ endpoint แก่คุณได้ และบทความนี้จะไม่แกล้งทำเป็นว่าเป็นเช่นนั้น สิ่งที่เราเตอร์เข้าถึงได้ในไปป์ไลน์เสียงคือทุกอย่างที่อยู่ต้นน้ำของรูปคลื่นเสียง: โมเดลที่ร่างสคริปต์ ขยายคำย่อ ตัดสินใจว่าแท็กเสียงหัวเราะจะอยู่ตรงไหน และเขียนประโยคใหม่ที่ออกมาใช้เวลา 3.8 วินาทีในขณะที่ช่องมีเวลา 3.2 วินาที สิ่งเหล่านี้คือการเรียกแบบข้อความ และเราก็ส่งต่อโมเดลข้อความมากกว่า 200 โมเดลผ่านคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% — ดังนั้นเมื่อผู้ขายลดราคา การลดราคานั้นมีผลในฝั่งเราในวันเดียวกัน แทนที่จะรอถึงการปรับราคาครั้งถัดไป การสลับสำรองอัตโนมัติทำให้ครึ่งหนึ่งของไปป์ไลน์ยังคงตอบสนองได้ ในขณะที่ครึ่งเสียงเป็นสิ่งที่คุณดาวน์โหลดและดำเนินการเอง

นั่นคือขอบเขตที่ตรงไปตรงมา เราเตอร์เป็นเครื่องมือที่ผิดสำหรับเช็กพอยต์ที่คุณรันบน GPU ของตัวเอง และเป็นเครื่องมือที่ถูกสำหรับโมเดลที่ตัดสินใจว่าเช็กพอยต์จะถูกขอให้พูดอะไร

การเลือก โดยไม่มีตารางอันดับไว้เป็นที่หลบซ่อน

เลือก Ming-3.0-tts-0.5B หากเนื้อหาของคุณเป็นแบบหลายภาษาและความแม่นยำระดับคำคือตัวชี้วัดที่ผู้มีส่วนได้ส่วนเสียของคุณโต้เถียงกัน หากคุณต้องการความครอบคลุมเสียงที่เน้นภาษาจีนเป็นหลักพร้อมพรีเซ็ตที่ตั้งชื่อไว้ หากแท็กอารมณ์แบบอินไลน์เป็นส่วนหนึ่งของรูปแบบสคริปต์ หากคุณต้องการ checkpoint MIT ขนาด 2.96 GB ที่ใส่ได้สบายบนฮาร์ดแวร์ระดับปานกลาง หรือหากจำนวนพารามิเตอร์ 0.5B คือความแตกต่างระหว่างต้นทุนต่อหน่วยที่ทำได้จริงกับต้นทุนต่อหน่วยที่ทำไม่ได้ ควรรู้ไว้ก่อนว่าเสียงจะเหมือนเสียงอ้างอิงน้อยกว่า VoxCPM2 เล็กน้อย โค้ด inference เพิ่งมีอายุไม่กี่ชั่วโมง และไม่มีเส้นทางสำหรับ fine-tuning

เลือก VoxCPM2 หากอัตลักษณ์ของเสียงคือผลิตภัณฑ์ — งานพากย์ งานสร้างตัวละคร หรือสิ่งใดก็ตามที่ผู้ฟังจะสังเกตได้ว่าเสียงโคลนเริ่มเพี้ยน — หากคุณต้องการภาษาหนึ่งที่ Ming ไม่รองรับ หากคุณตั้งใจจะฟাইনจูนด้วยเสียงของคุณเอง หรือหากคุณต้องการสแต็กที่ติดตั้งได้โดยไม่มีปัญหาน่าประหลาดใจมาตั้งแต่เดือนเมษายน

ตัวตัดสินมีต้นทุนต่ำ และไม่มีตัวเลขใดข้างต้นแทนที่มันได้ เอาประโยคหนึ่งร้อยประโยคจากข้อความของคุณเอง หนึ่งคลิปอ้างอิง แล้วรันทั้งสองอย่าง ให้คะแนนคำด้วยโมเดล ASR และให้คะแนนเสียงด้วยเมตริกโคไซน์แบบเดียวกับที่ Ant ใช้ คุณจะได้คำตอบรายภาษาภายในบ่ายเดียว บนเนื้อหาของคุณ ด้วยสำเนียงของคุณ — ซึ่งมากกว่าตารางของผู้ขายที่สร้างจากชุดทดสอบสาธารณะจะให้คุณได้ และมากกว่าลีดเดอร์บอร์ดที่แสดงเพียงหนึ่งในสองโมเดลอย่างเห็นได้ชัด