Ming-3.0-tts-0.5B vs VoxCPM2: Một bên thắng về từ ngữ, bên kia thắng về giọng nói

Chỉ có đúng một so sánh đã được công bố về Ming-3.0-tts-0.5B và VoxCPM2, và Ant Group là bên viết nó. Trong model card của chính mình, Ant đánh giá hai mô hình giọng nói đa ngôn ngữ trên bộ kiểm thử MiniMax ở tiếng Đức, Tây Ban Nha, Pháp, Hàn và Nhật. Ming-3.0-tts-0.5B tạo ra các từ chính xác hơn ở bốn trong năm ngôn ngữ. VoxCPM2 tạo ra giọng nói trung thực hơn ở cả năm. Chính một mẫu hình đó — độ chính xác nội dung nghiêng về checkpoint 0.5B, độ tương đồng người nói nghiêng về bản 2B — là điều hữu ích nhất mà bất kỳ ai đã công bố về cặp đối đầu này, và vì đó là bảng của chính nhà cung cấp, nên nó cũng là thứ cần lưu ý nhất. Ant thắng ở tỷ lệ lỗi mà họ chọn công bố và thua ở điểm tương đồng trên cùng một trang. Các sự cố AI và sự kiện tác nhân đã được ghi nhận đằng sau các bản phát hành như bản này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter nơi mỗi mục có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.

Cả hai mô hình đều có trọng số mở, đều cho phép sử dụng thương mại và đều do bạn vận hành thay vì được gọi dưới dạng dịch vụ. Ming-3.0-tts-0.5B là mô hình dense theo giấy phép MIT của Ant Group trên nền Qwen2.5-0.5B với đầu diffusion-transformer, được công bố trên Hugging Face vào ngày 24 tháng 9 năm 2026, với mã suy luận ra mắt sau đó trên GitHub vào ngày 19 tháng 10 năm 2026 và không có thông báo nào từ nhà cung cấp cho cả hai. VoxCPM2 là checkpoint Apache-2.0 của OpenBMB từ tháng 4 năm 2026, một mô hình diffusion-autoregressive không dùng tokenizer 2B trên nền MiniCPM-4. Mọi nội dung bên dưới đều là hệ quả của sự khác biệt về kích thước và giấy phép đó, cũng như việc một trong hai mô hình có điểm arena độc lập còn mô hình kia thì không.

Bảng của chính Ant thực sự nói gì

Bộ kiểm thử đa ngôn ngữ MiNiMax báo cáo lỗi nội dung — tỷ lệ lỗi từ đối với tiếng Đức, tiếng Tây Ban Nha và tiếng Pháp, tỷ lệ lỗi ký tự đối với tiếng Hàn và tiếng Nhật — cùng với độ tương đồng cosine của người nói. Lỗi càng thấp càng tốt; độ tương đồng càng cao càng tốt. Ant đã tự mình chạy cả hai mô hình. Không có nội dung nào ở đây được bên thứ ba tái lập và chúng tôi không tìm thấy bảng phản biện nào do những người duy trì VoxCPM2 công bố.

• Tiếng Đức — Ming-3.0-tts-0.5B sai số 0.365, độ tương đồng 0.753; VoxCPM2 sai số 0.963, độ tương đồng 0.790.

• Tiếng Tây Ban Nha — Ming 1.099, độ tương đồng 0.763; VoxCPM2 1.324, độ tương đồng 0.836.

• Tiếng Pháp — Ming 4.264, độ tương đồng 0.675; VoxCPM2 3.380, độ tương đồng 0.761. Đây là ngôn ngữ duy nhất mà thứ hạng lỗi bị đảo ngược.

• Tiếng Hàn — Ming 1.728, độ tương đồng 0.793; VoxCPM2 3.547, độ tương đồng 0.839.

• Tiếng Nhật — Ming 3,765, độ tương đồng 0,765; VoxCPM2 4,358, độ tương đồng 0,825.

Có hai điều đáng chú ý trước khi mô hình nào được ghi nhận. Thứ nhất, khoảng cách tiếng Đức lớn — 0,365 so với 0,963 — trong khi khoảng cách tiếng Hàn và tiếng Nhật nhỏ hơn và kết quả tiếng Pháp đi theo hướng ngược lại, nên “chính xác hơn” là một khẳng định theo từng ngôn ngữ, không phải khẳng định chung. Thứ hai, tỷ lệ lỗi tiếng Pháp cao đối với mọi mô hình trong bảng đó; một đối thủ được liệt kê cùng chúng đạt 19,878 ở đó. Một ngôn ngữ mà toàn bộ lĩnh vực đều tập trung ở những con số tệ là một ngôn ngữ mà ở đó bộ kiểm thử, chứ không phải các mô hình, đang đảm nhận một phần công việc. Hãy coi tiếng Pháp là chưa kết luận thay vì là một chiến thắng của VoxCPM2.

Tại sao cột độ tương đồng lại là cột cần đọc hai lần

Độ tương đồng người nói đo lường xem đầu ra có nghe giống với giọng tham chiếu hay không. Đây chính là chỉ số phân biệt một bản demo với một sản phẩm: một giọng nói được nhân bản mà bị trôi dạt sẽ kéo người nghe ra khỏi bối cảnh ngay cả khi mọi từ đều đúng, và không một điểm số ASR nào ở hạ nguồn có thể cho bạn biết điều đó đã xảy ra.

Ming thua ở cả năm ngôn ngữ, với mức chênh từ 0,037 (tiếng Tây Ban Nha) đến 0,086 (tiếng Pháp). Đó là khoảng cách cosine trên một thang đo có giới hạn, nên các khoảng chênh là khiêm tốn nhưng nhất quán, và sự nhất quán trên cả năm ngôn ngữ khó bị giải thích cho qua hơn là một hàng dữ liệu tệ duy nhất. Lời giải thích thẳng thắn nằm trong chính thẻ của Ant, trong đó nói rõ rằng độ tương đồng người nói kém hơn độ chính xác nội dung. Mô hình đã được tinh chỉnh theo hướng làm đúng các từ.

Có một lý do thứ hai, cụ thể hơn để kỳ vọng điều này, và đó là lý do mang tính kiến trúc. VoxCPM2 giải mã ở 48 kHz thông qua một tầng siêu phân giải tích hợp trong tokenizer AudioVAE V2 của nó, và chấp nhận một đoạn clip tham chiếu 16 kHz trong khi vẫn tạo ra đầu ra 48 kHz. Ming-3.0-tts-0.5B hoạt động ở 44.1 kHz. Tốc độ lấy mẫu không phải là độ tương đồng — tốc độ cao hơn không làm cho giọng nói trung thực hơn — nhưng pipeline VoxCPM2 được xây dựng rõ ràng xoay quanh việc bảo tồn đặc trưng của giọng tham chiếu qua bước lấy mẫu lại, và đó là một lựa chọn thiết kế mà một mô hình 0.5B với speaker encoder đi kèm không thực hiện.

Vậy cách đọc trung thực không phải là “VoxCPM2 nhân bản tốt hơn vì nó lớn hơn.” Mà là hai mô hình tối ưu hóa hai nửa khác nhau của cùng một mục tiêu, và bảng của nhà cung cấp cho thấy mỗi mô hình thắng ở nửa của chính nó.

Cắt giọng nói: hai API, hai triết lý

Cả hai đều nhân bản zero-shot chỉ từ một đoạn clip ngắn. Cơ chế vận hành khác nhau đủ để tạo khác biệt nếu bạn đang viết phần tích hợp.

• Ming-3.0-tts-0.5B — một điểm vào duy nhất, một đối số tác vụ. MingTTS("inclusionAI/Ming-3.0-tts-0.5B"), sau đó synthesize(task=...) với prompt_wav_path, prompt_text và use_spk_emb. Các tác vụ gồm TTS, VOICE_DESIGN, MULTILINGUAL, DIALECT, EMOTION, FREEFORM và IP. Checkpoint đóng gói backbone, đầu DiT, tokenizer âm thanh và bộ mã hóa người nói Campplus, vì vậy nhân bản giọng nói là tác vụ hạng nhất chứ không phải một pipeline riêng.

• VoxCPM2 — pip install voxcpm, sau đó VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False). Thiết kế giọng nói là tiền tố trong ngoặc đơn gắn trên chính văn bản, "(description)text", với cfg_value=2.0 và inference_timesteps=10 là các điểm khởi đầu được ghi trong tài liệu.

Hệ quả là bề mặt điều khiển của Ming có cấu trúc, còn của VoxCPM2 là dạng văn bản. Ming cung cấp cho bạn các tác vụ có tên với những loại trừ lẫn nhau đã được ghi chép rõ ràng — FREEFORM không thể kết hợp với thiết kế giọng nói, giọng có sẵn, cảm xúc, phương ngữ hay các điều khiển thuộc tính, và tác vụ đa ngôn ngữ đòi hỏi phải có language_id tường minh cho năm ngôn ngữ không phải tiếng Trung. Như vậy là phải học nhiều hơn và ít phải đoán hơn. Chuỗi đơn của VoxCPM2 thì thử nhanh hơn nhưng khó đạt được tính tất định hơn; thẻ của chính OpenBMB khuyên nên tạo từ một đến ba ứng viên vì thiết kế giọng nói và phong cách thay đổi giữa các lần chạy.

Nếu bạn đang xây dựng một UI nơi nhà sản xuất chọn một giọng từ danh sách, thì hơn 100 giọng tiếng Trung tích hợp sẵn và năm giọng tiếng Anh tích hợp sẵn của Ming chính là một menu bạn có thể hiển thị. VoxCPM2 không có danh sách tương đương — giọng của nó được thiết kế hoặc nhân bản, chứ không được liệt kê sẵn.

Các ngôn ngữ, phương ngữ và lớp cận ngôn ngữ

• Số lượng ngôn ngữ — Ming-3.0-tts-0.5B hỗ trợ tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn và tiếng Nhật, cùng với tiếng Tứ Xuyên và tiếng Quảng Đông như các tác vụ phương ngữ riêng biệt. VoxCPM2 tuyên bố hỗ trợ 30 ngôn ngữ. Ant đã thử nghiệm năm ngôn ngữ không phải tiếng Trung; OpenBMB không công bố bảng lỗi theo từng ngôn ngữ nào mà chúng tôi có thể xác minh, vì vậy con số 30 là một tuyên bố về độ phủ mà không kèm theo tuyên bố về chất lượng.

• Phương ngữ — Ming đưa tiếng Tứ Xuyên và tiếng Quảng Đông ra dưới dạng một tác vụ không có đối số ngôn ngữ. Danh sách 30 ngôn ngữ của VoxCPM2 không được tách riêng theo phương ngữ trong tài liệu chúng tôi đã đọc, và việc coi các biến thể vùng miền là đã được bao phủ vì ngôn ngữ đó đã được bao phủ chính là sai lầm mà gạch đầu dòng này tồn tại để ngăn chặn.

• Điều khiển nội tuyến — Ming cung cấp 14 thẻ cho hơi thở, ho, thở dài, cười, ngập ngừng, ngạc nhiên và câu hỏi, bằng tiếng Trung hoặc tiếng Anh, cùng với cảm xúc, tốc độ, cao độ và âm lượng được chỉ định rõ ràng. VoxCPM2 không có bộ từ vựng thẻ; điều khiển của nó là tiền tố mô tả bằng ngôn ngữ tự nhiên.

• Điểm yếu, theo chính Ant thừa nhận — các câu cận ngôn ngữ đa sự kiện không ổn định, khả năng kiểm soát cảm xúc suy giảm khi văn bản không mang tín hiệu cảm xúc, và thiết kế giọng nói mở không sánh được với hệ thống mạnh nhất mà Ant đã đánh giá. Điểm cuối cùng đó mô tả công bằng khoảng cách với một giọng nói tiên phong được lưu trữ trên máy chủ, và nó cũng áp dụng cho VoxCPM2.

Cách phân chia thực tế: chọn Ming nếu kịch bản của bạn cần tiếng cười, một tiếng thở dài hoặc một khoảng ngừng do dự ở giữa câu. Chọn VoxCPM2 nếu kịch bản của bạn cần một ngôn ngữ mà Ming không hỗ trợ, hoặc một giọng nói được thiết kế từ mô tả bằng văn bản thay vì một preset có tên.

Chạy chúng: 8 GB so với một pin CUDA

• Ming-3.0-tts-0.5B — đã được kiểm thử trên NVIDIA H800-80GB và H20-96G với CUDA 12.4. Flash-attention là tùy chọn với phương án dự phòng SDPA. Chuẩn hóa văn bản cần pynini==2.1.6, hoặc bạn truyền --no_text_normalization và chấp nhận việc số và từ viết tắt thô được đưa vào mô hình. PyTorch 2.6 là môi trường tham chiếu. Đầu ra là 44,1 kHz.

• VoxCPM2 — khoảng 8 GB VRAM ở bf16 để phát triển và đỉnh khoảng 22 GB trên card 24 GB, Python 3.10 trở lên, PyTorch 2.5.0 trở lên, CUDA 12.0 trở lên. Hệ số thời gian thực được tài liệu hóa là khoảng 0,30 trên RTX 4090 với PyTorch thuần và khoảng 0,13 với Nano-VLLM — nhanh hơn khoảng hai đến ba lần so với thời gian thực, hoặc tám lần với lớp phục vụ.

Hai đoạn đó mô tả hai buổi chiều làm kỹ thuật rất khác nhau. Stack của Ming là bản mới hơn và cũng mong manh hơn: một thư viện FST được ghim phiên bản, một kernel tùy chọn, một môi trường tham chiếu được ghim vào một bản dựng CUDA cụ thể. VoxCPM2 đã ra mắt từ tháng Tư và đã tiếp nhận sáu tháng báo cáo cài đặt từ cộng đồng. Lợi thế về độ chín muồi đó là có thật, và nó chỉ là tạm thời — mã suy luận của Ming được đăng lên đúng ngày bài này được viết, và repo có thêm ghi chú hỗ trợ vLLM-Omni trong một commit tài liệu vào cùng buổi chiều đó.

Không mô hình nào trong hai mô hình được cung cấp bởi một nhà cung cấp dịch vụ suy luận trực tuyến mà chúng tôi có thể xác định, và đó không hẳn là một lỗ hổng trong so sánh này mà đúng hơn là tiền đề của nó: cả hai đều là các checkpoint mà bạn tải về. Điều đó có nghĩa là bằng chứng độc lập bị lệch một bên. Ming-3.0-tts-0.5B có một dòng trên Artificial Analysis ở cả hai bảng xếp hạng giọng nói — 1,188 Elo trên Provider Voice (khoảng 1,173–1,203, phạm vi hạng 17–23, hàng thứ mười chín của danh sách chúng tôi thu thập ngày 19 tháng 10 năm 2026) và 1,069 trên Controlled Voice (1,053–1,085, phạm vi hạng 10–18, hàng thứ mười ba cùng ngày). VoxCPM2 không có hàng nào trên cả hai bảng tính đến các lần thu thập dữ liệu mới nhất của chúng tôi, và sự vắng mặt này đã ổn định từ tháng Tư chứ không phải là một thiếu sót gần đây. Vì vậy, con số độc lập duy nhất trong bài viết này thuộc về Ming, và đó là một con số đáng nể; VoxCPM2 không có gì để đối chiếu với nó, và không một bài viết trung thực nào có thể bịa ra một Elo đối đầu mà chưa ai đo được.

Giấy phép, tinh chỉnh và câu hỏi mà không ai đặt ra

Cả hai giấy phép đều cho phép sử dụng cho mục đích thương mại. Ming dùng MIT, mức độ dễ dãi gần như tối đa của một giấy phép, chỉ yêu cầu ghi công. VoxCPM2 dùng Apache 2.0, bổ sung điều khoản cấp phép bằng sáng chế rõ ràng cùng một ngoại lệ về nhãn hiệu. Với hầu hết các nhóm, khác biệt này mang tính hành chính nhiều hơn là pháp lý, và cả hai đều là câu trả lời gọn gàng cho bảng câu hỏi mua sắm, trong khi giấy phép phi thương mại thì không.

Sự bất đối xứng thực sự nằm ở việc tinh chỉnh. VoxCPM2 có tài liệu về tinh chỉnh có giám sát đầy đủ và LoRA trên năm đến mười phút âm thanh, nghĩa là bạn có thể đưa mô hình hướng tới một người nói hoặc phong cách cụ thể chỉ với một tập dữ liệu nhỏ và một GPU duy nhất. Ming-3.0-tts-0.5B không đi kèm công thức tinh chỉnh nào, không có kịch bản huấn luyện và không có lộ trình LoRA trong bản phát hành mà chúng tôi đã đọc. Nếu sản phẩm của bạn cần một mô hình thuộc về bạn thay vì một mô hình mà bạn chỉ cần gửi lời nhắc, thì đó không phải là khoảng cách về điểm chuẩn — mà là khoảng cách về năng lực, và nó quyết định lựa chọn trước khi bất kỳ con số Elo nào được xem xét.

Câu trả lời của Ming cho nhu cầu tương tự là thiết kế giọng nói cùng với nhân bản giọng nói: mô tả giọng nói, hoặc cung cấp một đoạn clip. Điều đó đáp ứng hầu hết nhu cầu sản xuất và không đáp ứng được nhu cầu nào liên quan đến việc huấn luyện trên âm thanh độc quyền ở quy mô lớn.

Khi nào một lớp định tuyến thực sự xứng đáng có mặt ở đây

OrcaRouter không lưu trữ Ming-3.0-tts-0.5B hay VoxCPM2. Cả hai đều không phải là model mà chúng tôi có thể cung cấp endpoint cho bạn, và bài viết này sẽ không giả vờ điều ngược lại. Điều một router thực sự chạm tới trong pipeline giọng nói là mọi thứ phía trước dạng sóng: model phác thảo kịch bản, mở rộng các từ viết tắt, quyết định thẻ tiếng cười nằm ở đâu, và viết lại câu thoại phát ra dài 3,8 giây trong khi khe thời gian là 3,2 giây. Đó là các lệnh gọi văn bản, và chúng tôi định tuyến hơn 200 model văn bản sau một khóa với giá niêm yết của nhà cung cấp và mức markup 0% — nên khi một nhà cung cấp giảm giá, mức giảm đó có hiệu lực ngay bên chúng tôi trong cùng ngày thay vì ở lần định giá lại tiếp theo. Chuyển đổi dự phòng tự động giữ cho nửa pipeline đó luôn phản hồi trong khi nửa giọng nói là bản tải xuống do chính bạn vận hành.

Đó là ranh giới trung thực. Router là công cụ sai cho một checkpoint mà bạn chạy trên GPU của chính mình, và là công cụ đúng cho các mô hình quyết định checkpoint được yêu cầu nói gì.

Lựa chọn, không có bảng xếp hạng nào để nấp phía sau

Hãy chọn Ming-3.0-tts-0.5B nếu nội dung của bạn đa ngôn ngữ và độ chính xác từng từ là chỉ số mà các bên liên quan của bạn tranh luận, nếu bạn cần độ phủ giọng nói ưu tiên tiếng Trung với các preset có tên, nếu thẻ cảm xúc nội tuyến là một phần của định dạng kịch bản, nếu bạn muốn một checkpoint MIT 2.96 GB vừa vặn thoải mái trên phần cứng khiêm tốn, hoặc nếu số lượng tham số 0.5B là khác biệt giữa chi phí đơn vị khả thi và không khả thi. Hãy bắt đầu với hiểu biết rằng giọng sẽ hơi kém trung thành với bản tham chiếu so với giọng của VoxCPM2, rằng mã suy luận mới chỉ vài giờ tuổi, và rằng không có lộ trình tinh chỉnh.

Chọn VoxCPM2 nếu bản sắc giọng nói chính là sản phẩm — lồng tiếng, diễn xuất nhân vật, bất cứ việc gì mà người nghe sẽ nhận ra bản sao giọng bị trôi — nếu bạn cần một trong những ngôn ngữ mà Ming không hỗ trợ, nếu bạn định tinh chỉnh trên âm thanh của chính mình, hoặc nếu bạn muốn một bộ stack đã có thể cài đặt mà không gặp bất ngờ nào kể từ tháng Tư.

Yếu tố phân định này rất rẻ và không con số nào ở trên thay thế được nó. Hãy lấy một trăm câu văn của chính bạn, một đoạn clip tham chiếu, rồi chạy cả hai. Chấm điểm từ ngữ bằng một mô hình ASR và chấm điểm giọng nói bằng đúng thước đo cosine mà Ant đã dùng. Bạn sẽ có câu trả lời theo từng ngôn ngữ trong một buổi chiều, trên nội dung của bạn, với giọng của bạn — điều mà một bảng của nhà cung cấp dựa trên bộ kiểm thử công khai không thể mang lại cho bạn, và nhiều hơn đáng kể so với một bảng xếp hạng chỉ liệt kê một trong hai mô hình.