Ming-3.0-tts-tiny เทียบกับ VoxCPM2: สองเช็กพอยต์ ซึ่งหนึ่งในนั้นเปิดเผยความเร็วของตัวเอง

นี่คือการเปรียบเทียบเพียงครั้งเดียวในซีรีส์ Ming-3.0-tts-tiny ที่ทั้งสองฝั่งสามารถรันได้จริง และนั่นเปลี่ยนประเด็นของการถกเถียงMing-3.0-tts-tinyจาก inclusionAI ของ Ant Group เป็นโมเดล mixture of experts ขนาด 7.9 พันล้านพารามิเตอร์ ที่เปิดใช้งานประมาณ 1.3 พันล้านพารามิเตอร์ต่อโทเค็น ใช้สัญญาอนุญาต MIT มีขนาดประมาณ 18 GB บนดิสก์ และระบุ H800 เป็นการ์ดที่แนะนำVoxCPM2จาก OpenBMB เป็นโมเดลขนาด 2 พันล้านพารามิเตอร์ที่ไม่ต้องใช้ tokenizer บนโครงสร้างหลัก MiniCPM-4 ใช้สัญญาอนุญาต Apache 2.0 ขนาดประมาณ 8 GB ที่ bfloat16 เปิดตัวในเดือนเมษายน 2026 ทั้งคู่ไม่มีแถวในลีดเดอร์บอร์ด ทั้งคู่ไม่มีราคาแบบโฮสต์ เมื่อโมเดลทั้งสองดาวน์โหลดได้และยังไม่ถูกให้คะแนน การเปรียบเทียบจึงเลิกเป็นเรื่องของความชอบและกลายเป็นเรื่องของเลขคณิต: ชั่วโมงเสียงต่อ GPU-ชั่วโมง หน่วยความจำต่อโปรเซส และคุณจะปรับแต่งโมเดลนี้ได้หรือไม่โดยไม่ต้องเขียนโค้ดฝึกเองความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่ถูกบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ถูกรวบรวมไว้ในthe OrcaRouter AI Incident Archiveโดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตนเอง

ประวัติการเผยแพร่เหล่านี้น่าอธิบายให้ตรงไปตรงมา เพราะมันอธิบายช่องว่างด้านความพร้อมได้ VoxCPM2 เปิดให้สาธารณชนเข้าถึงตั้งแต่เดือนเมษายน มียอดดาวน์โหลดสะสมประมาณ 847,000 ครั้งในเดือนที่ผ่านมา และมีสคริปต์สำหรับฝึกโมเดลมาพร้อมกับการอนุมาน รีโพซิทอรีของ Ming-3.0-tts-tiny ถูกสร้างเมื่อวันที่ 22 กันยายน 2026 น้ำหนักโมเดลเผยแพร่เมื่อวันที่ 24 กันยายน และโค้ดสำหรับรันโมเดลยังไม่ปรากฏต่อสาธารณะจนถึงวันที่ 19 ตุลาคม เวลา 08:58 UTC เมื่อมีคอมมิตเก้าครั้งเข้ามาในบ่ายวันเดียว Ant ยังไม่ได้ประกาศโมเดลนี้ ไม่มีรายงานทางเทคนิค โรดแมประบุไว้เป็นช่องที่ยังไม่ติ๊ก และการ์ดโมเดลถูกแก้ไขเมื่อวันที่ 16 ตุลาคม โดยเฉพาะเพื่อลบการอ้างอิงถึงรายงานดังกล่าว ดังนั้นหนึ่งในนั้นเป็นโปรเจกต์อายุห้าเดือนที่มีฐานผู้ใช้ ส่วนอีกอันเป็นไปป์ไลน์ที่ ณ เวลาที่เขียนนี้มีอายุเพียงหนึ่งสัปดาห์

หมายเลขหนึ่งในนั้นเผยแพร่ แต่อีกอันไม่เผยแพร่

การ์ดของ VoxCPM2 ระบุค่า real-time factor ไว้ที่ประมาณ 0.30 เมื่อใช้ PyTorch มาตรฐานบน RTX 4090 และลดลงเหลือราว 0.13 ภายใต้ Nano-VLLM โดย real-time factor คือจำนวนวินาทีของการประมวลผลต่อเสียงหนึ่งวินาที ดังนั้นตัวเลขสองค่านี้หมายความว่าหนึ่งชั่วโมง GPU ให้เสียงพูดที่เสร็จสมบูรณ์ได้ประมาณ 3.3 ชั่วโมงในกรณีแรก และประมาณ 7.7 ชั่วโมงในกรณีที่สอง

Ming-3.0-tts-tiny ไม่ได้เผยแพร่ค่าทรูพุตใด ๆ เลย ไม่ว่าจะเป็น real-time factor ไม่ว่าจะเป็นจำนวนอักขระต่อวินาที หรือค่าใด ๆ ที่วัดบนการ์ด สิ่งที่รีลีสนี้ให้มาแทนคือสภาพแวดล้อมที่ใช้ตรวจสอบความถูกต้อง — Python 3.10.15, torch และ torchaudio 2.7.1 พร้อม CUDA 11.8, transformers ที่ปักหมุดไว้ที่ 4.46.3, H800 และสคริปต์ preflight ที่ตรวจสอบการติดตั้งของคุณก่อนที่คุณจะเสียเวลารันไปเปล่า ๆ — พร้อมสถาปัตยกรรม: พารามิเตอร์ 8,980,964,372 ตัวใน BF16, 40,096 ตัวใน F32, expert stack ขนาดรวม 7.9B ที่มีสถานะทำงานอยู่ประมาณ 1.3B ต่อโทเคน

คุณไม่สามารถยืมทรูพุตของรุ่นพี่น้องขนาด 0.5B มาอุดช่องว่างได้ รุ่นนั้นวัดได้ 42.1 ตัวอักษรต่อวินาทีบนฮาร์เนสอิสระ และกินพื้นที่ 2.96 GB ส่วนโมเดลจิ๋วเปิดใช้งานพารามิเตอร์ต่อโทเคนมากกว่าประมาณสองเท่าครึ่ง และกินพื้นที่ดิสก์ประมาณหกเท่า การกำหนดเส้นทางแบบสแปร์ช่วยชดเชยต้นทุนบางส่วนของขนาดรวมที่ใหญ่ขึ้น ซึ่งเป็นจุดประสงค์หลักทั้งหมดของสถาปัตยกรรมนี้ แต่ยังไม่มีใครนอก Ant ที่ระบุเป็นตัวเลขว่าได้คืนมาเท่าไร

การคำนวณต้นทุนที่มีช่องโหว่อยู่ในนั้น

เนื่องจากฝ่ายหนึ่งเผยแพร่ความเร็วของตน แต่อีกฝ่ายไม่ได้เผยแพร่ ฉะนั้นการเปรียบเทียบนี้ในแบบที่ซื่อตรงจึงเป็นช่วงค่า ไม่ใช่ตัวเลขเพียงค่าเดียว นี่คือลักษณะโดยรวมของมัน

VoxCPM2 บน RTX 4090 ด้วย PyTorch — 0.30 RTF ดังนั้นได้เสียง 3.3 ชั่วโมงต่อ GPU-ชั่วโมง ข้อความบรรยายหนึ่งล้านตัวอักษร ที่อัตราประมาณ 15 ตัวอักษรต่อคำพูดหนึ่งวินาที จะให้เสียงที่เสร็จสมบูรณ์ประมาณ 18.5 ชั่วโมง หรือราว 5.6 GPU-ชั่วโมง

• VoxCPM2 บนการ์ดเดียวกันกับ Nano-VLLM — 0.13 RTF ดังนั้นจึงได้ 7.7 ชั่วโมงต่อ GPU-hour หรือประมาณ 2.4 GPU-hour สำหรับหนึ่งล้านตัวอักษรเดียวกัน serving stack เพิ่มปริมาณเอาต์พุตได้มากกว่าสองเท่าโดยไม่ต้องแตะ weights

{{1}}Ming-3.0-tts-tiny{{/1}} — ไม่ทราบ หากสมมติว่า 20 ตัวอักษรต่อวินาที จะต้องใช้เวลาสร้างประมาณ 14 ชั่วโมง และหาก 10 ตัวอักษรต่อวินาที จะประมาณ 28 ชั่วโมง ตัวเลขทั้งสองไม่ใช่ผลจากการวัด และควรถือเป็นค่าตัวอย่างจนกว่าจะมีผู้เผยแพร่ผลวัดออกมา

• หน่วยความจำ — VoxCPM2 ระบุประมาณ 8 GB ที่ bf16 ซึ่งพอดีกับการ์ดระดับผู้ใช้ทั่วไปขนาด 24 GB โดยยังมีพื้นที่เหลือสำหรับการทำแบทช์ ส่วนน้ำหนัก 18 GB ของ Ming-3.0-tts-tiny บวกกับแอกติเวชันและตัวถอดรหัสเสียงหมายความว่าเป้าหมายที่สมเหตุสมผลคือ H800 ขนาด 80 GB ไม่ใช่การ์ดขนาด 24 GB

• ขีดจำกัดลำดับ — VoxCPM2 จำกัดที่ 8,192 โทเคน ซึ่งเป็นข้อจำกัดจริงสำหรับงานเนื้อหายาว และควรตรวจสอบเทียบกับย่อหน้าที่ยาวที่สุดของคุณก่อนตัดสินใจ Ming-3.0-tts-tiny ไม่ได้ระบุขีดจำกัดที่เทียบเท่า เส้นทางงานเนื้อหายาวของมันคืองานพอดแคสต์ ซึ่งรับสคริปต์แทนการพูดเพียงครั้งเดียว

ข้อสรุปที่ยังคงอยู่แม้ตัวเลขจะหายไปนั้นเกี่ยวกับการใช้งานเต็มกำลัง (utilisation) มากกว่าความเร็ว การ์ดที่ปล่อยว่างไว้จะแพ้ hosted API ทุกรายไม่ว่าจะราคาเท่าใด และการ์ดที่คุณมีอยู่แล้วและใช้งานให้เต็มกำลังจะชนะด้านต้นทุนส่วนเพิ่ม ไม่ว่าคุณจะรันตัวใดในสองตัวนี้ ช่องว่างระหว่าง 0.30 กับ 0.13 RTF คิดเป็นปัจจัย 2.3 เท่าในต้นทุนต่อชั่วโมงเสียง ซึ่งมากกว่าที่ทีมส่วนใหญ่คาดหวังจากการเปลี่ยน serving stack และมากกว่าที่ความแตกต่างของจำนวนพารามิเตอร์จะบ่งชี้

การปรับแต่งละเอียดคือจุดที่ทั้งสองไม่สามารถเปรียบเทียบกันได้อีกต่อไป

VoxCPM2 มีเอกสารประกอบทั้งการปรับแต่งแบบมีผู้สอนเต็มรูปแบบและ LoRA ด้วยเสียงเพียงห้าถึงสิบนาที พร้อมสคริปต์การฝึกและไฟล์กำหนดค่าสำหรับแต่ละวิธี นี่ไม่ใช่แค่หมายเหตุท้ายหน้า แต่เป็นความแตกต่างระหว่างโมเดลที่คุณเช่าพฤติกรรมของมันมา กับโมเดลที่คุณเป็นเจ้าของพฤติกรรมนั้นเอง

Ming-3.0-tts-tiny มีเอกสารประกอบสำหรับการทำอินเฟอเรนซ์ ไม่ใช่การเทรน รีโพซิทอรีนี้เป็นคู่มือรวมสูตรงาน — การโคลนเสียงจากเสียงตั้งต้น, หลายภาษา, ลักษณะเหนือภาษา (paralinguistic), พอดแคสต์, คุณลักษณะพื้นฐาน, อารมณ์, ภาษาถิ่น, รูปแบบอิสระ, การออกแบบเสียง และงาน "ip" — โดยทั้งหมดห่อหุ้มอยู่รอบMingTinyTTS.from_pretrained ซึ่งเป็นจุดเข้าใช้งานเพียงจุดเดียว ไม่มีสูตร LoRA ไม่มีคอนฟิก SFT และไม่มีคำระบุว่ามีการรองรับการปรับแต่งละเอียด (fine-tuning) หรือไม่เลย มันอาจเป็นไปได้จริง เพราะเช็กพอยต์ก็คือเช็กพอยต์ แต่ "เป็นไปได้" กับ "มีเอกสารประกอบพร้อมสคริปต์ที่ใช้งานได้" เป็นปริมาณงานวิศวกรรมที่แตกต่างกัน และอย่างหลังคือสิ่งที่ VoxCPM2 มีมาให้

สำหรับน้ำเสียงแบรนด์ โดเมนที่มีการกำกับดูแล หรือภาษาที่ทั้งสองโมเดลจัดการได้ไม่ดีโดยไม่ต้องปรับแต่ง นั่นคือความไม่สมมาตรที่เป็นตัวชี้ขาด เสียงอ้างอิงห้านาทีกับคอนฟิกที่จัดหาให้ใช้เวลาทำงานหนึ่งสัปดาห์ การวิศวกรรมย้อนกลับเส้นทางการฝึกสำหรับโมเดล sparse ขนาด 7.9B ที่ไม่มีImplementationอ้างอิงใช้เวลาหนึ่งไตรมาส

ภาษา ภาษาถิ่น และสิ่งที่ “30 ภาษา” มอบให้

• Ming-3.0-tts-tiny — ภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น พร้อมทั้งภาษาเสฉวนและภาษากวางตุ้งเมื่อคุณให้คลิปอ้างอิงในภาษาถิ่นนั้น รวมเป็นเก้าภาษาหากนับภาษาถิ่นทั้งสองด้วย

• VoxCPM2 — 30 ภาษา รวมถึงภาษากวางตุ้งและภาษาจีนเสฉวน และการ์ดระบุว่าไม่จำเป็นต้องใช้แท็กภาษา: คุณเพียงให้ข้อความแก่ระบบ แล้วมันจะอนุมานภาษาด้วยตนเอง นั่นคือความสะดวกที่มาพร้อมโหมดล้มเหลว เนื่องจากข้อความแบบผสมภาษาจะถูกตัดสินโดยโมเดลแทนที่จะเป็นคุณ

ในภาษาที่ทั้งสองฝ่ายมีร่วมกัน มีเพียงฝ่ายเดียวเท่านั้นที่เผยแพร่อัตราข้อผิดพลาดรายภาษา และนั่นคือ Ant โดยภาษาเยอรมันมีอัตราข้อผิดพลาดระดับอักขระ 0.325% สเปน 0.971% ญี่ปุ่น 3.427% ฝรั่งเศส 3.470% เกาหลี 6.000% ทั้งหมดนี้วัดบนชุดทดสอบของ Ant เอง และทั้งหมดยังไม่มีการทำซ้ำผล VoxCPM2 ไม่ได้เผยแพร่ตารางรายภาษา ดังนั้นข้อได้เปรียบด้านความกว้างจึงไม่สามารถตรวจสอบเทียบกับข้อกล่าวอ้างเรื่องความลึกได้ ใครก็ตามที่ยกผู้ชนะด้านคุณภาพภาษาในที่นี้ กำลังเอาสเปรดชีตของผู้จำหน่ายรายหนึ่งไปเทียบกับความเงียบของผู้จำหน่ายอีกรายหนึ่ง

ตัวเลขของภาษาเกาหลีสมควรมีประโยคของตัวเอง เพราะเป็นข้อบกพร่องที่ชัดเจนที่สุดในบันทึกของ Ming-3.0-tts-tiny: ความผิดพลาดระดับอักขระ 6.000% ซึ่งประมาณสามเท่าครึ่งของ 1.728% ที่รุ่นพี่น้อง 0.5B ของตัวเองทำได้ในภาษาเดียวกัน การ์ดระบุว่าเกาหลีเป็นหนึ่งในจุดอ่อนที่รู้จัก และไม่ได้เสนอกลไกใด ๆ คำอธิบายแบบ sparse-routing นั้นเป็นไปได้และยังไม่ได้ถูกวัด

คำถามเรื่องใบอนุญาต ซึ่งช่องว่างเล็กกว่าที่เห็น

ทั้งสองแบบอนุญาตให้ใช้เชิงพาณิชย์ได้อย่างไม่เข้มงวด ซึ่งเป็นเรื่องผิดปกติในสาขานี้และควรพูดให้ชัดเจน Ming-3.0-tts-tiny ใช้สัญญาอนุญาต MIT สำหรับ weights และโค้ด พร้อมบันทึกการใช้งานที่ขอให้คุณอย่าปลอมเป็นบุคคลอื่นโดยไม่ได้รับความยินยอม และให้ติดป้ายกำกับเสียงสังเคราะห์ — เป็นคำขอในเอกสารประกอบ มากกว่าจะเป็นเงื่อนไขของการอนุญาต VoxCPM2 ใช้ Apache 2.0 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้อย่างชัดเจน พร้อมถ้อยคำเกี่ยวกับการใช้งานที่ยอมรับได้ของตัวเอง

ไลเซนส์ทั้งสองแบบไม่บังคับให้ต้องมีการตรวจสอบทางกฎหมายที่ทำให้โครงการต้องจบลง และทั้งคู่ก็ไม่มีข้อยกเว้นสำหรับบริการแบบโฮสต์ที่ทำให้การเปิดตัวโมเดลเสียงแบบเปิดน้ำหนักบางรุ่นใช้งานในโปรดักชันไม่ได้ สำหรับการดีพลอยแบบโฮสต์เอง ทั้งสองแบบใกล้เคียงกันมากพอที่ไลเซนส์ไม่ควรเป็นตัวชี้ขาด สิ่งที่ควรเป็นตัวชี้ขาดคือเรื่องการฝึก หน่วยความจำที่ใช้ และความเร็ว

ทั้งสองคนไม่ได้อยู่ในคณะกรรมการ และยังมีตัวเลขหนึ่งตัวถูกยืมไปอยู่ดี

Artificial Analysis ระบุรายการ Ming-3.0-tts ที่ 1,188 Elo ใน Provider Voice และ 1,069 ใน Controlled Voice นั่นคือโมเดลขนาด 0.5B Ming-3.0-tts-tiny ไม่มีแถวใน arena — ไม่ถูกจัดอันดับ ไม่ได้อยู่ในกลุ่มที่ไม่ได้จัดอันดับ และไม่ใช่รายการพรีวิว — และ GitHub README ทำซ้ำตัวเลข 1,188 และ 1,069 โดยไม่ได้ระบุว่า checkpoint ใดสร้างตัวเลขเหล่านี้ขึ้นมา

VoxCPM2 ไม่มีแถวข้อมูลเลยบนบอร์ดทั้งสอง และหน้า Hugging Face ของโมเดลระบุว่าไม่มีผู้ให้บริการ inference รายใดนำไปใช้งาน การไม่มีข้อมูลนั้นไม่ใช่คะแนนต่ำ แต่หมายความว่ายังไม่มีใครนำโมเดลทั้งสองนี้ไปให้คณะผู้ประเมินความชอบได้ประเมิน ดังนั้นหลักฐานด้านคุณภาพเพียงอย่างเดียวในการเปรียบเทียบนี้คือชุดทดสอบของ Ant เองในฝั่งหนึ่ง และไม่มีอะไรเลยในอีกฝั่งหนึ่ง

หากคุณต้องการตัวเลขก่อนเริ่ม ตัวทดแทนที่มีประโยชน์คือค่าที่ VoxCPM2 เผยแพร่จริง: real-time factor มันไม่ใช่ตัวชี้วัดคุณภาพ แต่ถูกวัดมาแล้ว ทำซ้ำได้บนการ์ดของคุณเอง และบอกคุณว่าการใช้งานโมเดลมีต้นทุนเท่าไร ค่าที่เทียบเท่าของ Ming-3.0-tts-tiny คือช่วงค่าที่คุณจะต้องสร้างขึ้นเอง

แต่ละอย่างจริงๆ แล้วใช้ทำอะไร

เลือก VoxCPM2 เมื่องานมีลักษณะเป็นข้อความยาวและคำนึงถึงต้นทุน เมื่อคุณต้องการภาษาที่อยู่นอกเหนือจากเก้าภาษาของ Ant เมื่อ VRAM 8 GB มีความสำคัญเพราะการติดตั้งใช้งานของคุณใช้การ์ดสำหรับผู้บริโภคเพียงใบเดียว หรือเมื่อมีแผนจะทำ LoRA จากเสียงของคุณเองห้านาที การออกแบบที่ไม่มีโทเค็นไนเซอร์และเอาต์พุต 48 kHz ผ่านการเพิ่มความละเอียดขั้นสูงในตัวของ AudioVAE V2 ถือเป็นข้อได้เปรียบทางวิศวกรรมที่แท้จริง และการใช้งานสาธารณะมาห้าเดือนหมายความว่ารูปแบบความล้มเหลวได้รับการบันทึกไว้โดยคนแปลกหน้า ไม่ใช่โดยผู้ขาย

เลือก Ming-3.0-tts-tiny เมื่อคุณต้องการสิ่งที่มันมีให้เท่านั้น: งานพอดแคสต์แบบหลายผู้พูดในรอบเดียว แท็กพาราลิงกวิสติกแบบอินไลน์ 14 แท็กพร้อมการควบคุมอารมณ์ ความเร็ว ระดับเสียงสูงต่ำ และความดังอย่างชัดเจน ชุดนักพากย์เสียงภาษาจีนกว่า 100 เสียงพร้อมเสียงภาษาอังกฤษ 5 เสียง และโมเดลที่เน้นภาษาจีนเป็นหลักซึ่งการจัดการภาษาถิ่นถูกสร้างขึ้นมาแทนที่จะอนุมานเอา คุณต้องยอมรับแลกกับการเป็นทีมแรกที่ทดสอบประสิทธิภาพมัน ว่าภาษาเกาหลีเป็นจุดอ่อนที่ประกาศไว้ ว่าการไฟน์ทูนไม่มีเอกสารประกอบ และว่าทั้งรีลีสเพิ่งออกมาได้หนึ่งสัปดาห์

OrcaRouter ไม่ได้กำหนดเส้นทางให้กับโมเดลใดโมเดลหนึ่ง และบทความนี้ไม่ควรถูกตีความว่าเสนอเป็นอย่างอื่น — ทั้งสองโมเดลเข้าถึงได้โดยการดาวน์โหลดและรันด้วยตัวคุณเอง สิ่งที่อยู่ในแคตตาล็อกคือส่วนข้อความของไปป์ไลน์เดียวกัน: โมเดลมากกว่า 200 โมเดลภายใต้คีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม ดังนั้น การเปลี่ยนแปลงราคาจากผู้ขายจะส่งถึงคุณภายในวันเดียวกัน พร้อมการเฟลโอเวอร์อัตโนมัติข้ามผู้ให้บริการสำหรับโมเดลที่เขียนสคริปต์หรือขับเคลื่อนเอเจนต์ เมื่อตัวเลือกด้านเสียงทั้งสองแบบโฮสต์เองและไม่มีค่าใช้จ่ายต่อตัวอักษร ค่าใช้จ่ายที่เกิดซ้ำซึ่งคุณเปรียบเทียบได้จริงในแต่ละเดือนคือเลเยอร์ข้อความ และนั่นคือสิ่งที่คุ้มค่าที่จะวางไว้หลังปลายทางเดียว

การเปรียบเทียบจบลงตรงจุดที่เริ่มต้น: มีเช็กพอยต์สองตัว ไม่มีกระดานคะแนนร่วมกัน และการตัดสินใจขึ้นอยู่กับว่าคุณต้องการความเร็วและการไฟน์ทูนบนฮาร์ดแวร์ระดับกลาง หรือต้องการการควบคุมที่เน้นภาษาจีนเป็นหลักบนฮาร์ดแวร์ขนาดใหญ่ VoxCPM2 ตอบคำถามแรกด้วยตัวเลขที่เผยแพร่แล้ว ส่วน Ming-3.0-tts-tiny ตอบคำถามที่สองด้วยคุกบุ๊กงานและไม่มีตัวเลขทรูพุต ซึ่งเป็นสิ่งที่มีประโยชน์ที่สุดเพียงสิ่งเดียวที่ Ant จะเผยแพร่ต่อไปได้