Ming-3.0-tts-0.5B vs Voxtral 4B TTS: Một trong những trọng số này không phải để bán

Hãy đọc giấy phép trước khi xem benchmark, vì trong cặp so sánh này nó phân định cuộc tranh luận trước tiên. Ming-3.0-tts-0.5B là MIT — tải về, tinh chỉnh, đưa vào sản phẩm thương mại, ghi công Ant Group và tiếp tục. Voxtral 4B TT​S là CC BY-NC 4.0, kế thừa từ các bộ dữ liệu giọng mẫu đằng sau nó, nghĩa là trọng số của Mistral AI hoàn toàn không được cấp phép cho mục đích thương mại. Con đường thương mại cho Voxtral là API với giá $0,016 mỗi nghìn ký tự. Vậy câu hỏi thực sự không phải là mô hình nào nghe hay hơn. Mà là bạn đang mua một giọng nói do mình vận hành hay thuê một giọng nói mình gọi đến, và chỉ một trong hai checkpoint này cho bạn quyền lựa chọn. Những sự cố AI và sự cố tác nhân 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 đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Cách đặt vấn đề đó nghe như thể khiến việc so sánh trở nên dễ dàng, nhưng không phải vậy, bởi vì hai mô hình giỏi những thứ khác nhau và mô hình được lưu trữ đi kèm một thứ mà mô hình mở không thể cung cấp: một đường cong độ trễ và thông lượng được công bố, chạy trên hạ tầng phục vụ thực tế, ở ba mức độ đồng thời. Ming-3.0-tts-0.5B được công bố trên Hugging Face vào ngày 24 tháng 9 năm 2026 và mã suy luận của nó trên GitHub vào ngày 19 tháng 10 năm 2026 mà không có thông báo nào từ Ant Group cho cả hai — mô hình này mới 19 ngày tuổi với tư cách là một hiện vật và mới vài giờ tuổi với tư cách là thứ bạn thực sự có thể chạy. Voxtral 4B TT​S được Mistral công bố vào tháng 3 năm 2026 và đã có bảy tháng để được đo đạc. Dưới đây là giấy phép, hình thái triển khai, những con số mà mỗi bên có thể khẳng định một cách trung thực, và những câu hỏi mà cả hai nhà cung cấp đều chưa trả lời.

Hai giấy phép không phải là những biến thể của cùng một chủ đề

• Ming-3.0-tts-0.5B — MIT. Cho phép sử dụng thương mại, sửa đổi, phân phối lại và tinh chỉnh, với điều kiện ghi công. Một checkpoint 2,96 GB mà bạn có thể đưa vào image container, chạy trên bộ tăng tốc của riêng mình và giao cho khách hàng mà không cần xin phép bất kỳ ai.

• Voxtral 4B TT​S — CC BY-NC 4.0. Phi thương mại. Thẻ mô hình của Mistral nói rõ rằng mô hình kế thừa giấy phép của các giọng tham chiếu, được lấy từ các nguồn bao gồm EARS, CML-TTS, IndicVoices-R và một bộ âm thanh tiếng Ả Rập tự nhiên. Việc tải trọng số xuống thì ổn; giấy phép mới là ràng buộc, không phải tệp.

Điều mà nhiều người hiểu sai là API không chịu cùng một hạn chế. Gọi Voxtral qua dịch vụ của Mistral là một giao dịch thương mại với nhà cung cấp, và mức giá là $0.016 cho mỗi nghìn ký tự. Tự vận hành nó bên trong một sản phẩm trả phí là một hành vi khác, và đó chính là hành vi mà giấy phép cấm. Nếu việc triển khai của bạn buộc phải diễn ra tại chỗ — lưu trú dữ liệu, suy luận air-gapped, một khách hàng không chấp thuận endpoint bên thứ ba — thì Voxtral 4B TT​S không phải là lựa chọn ở bất kỳ mức giá nào, trong khi Ming-3.0-tts-0.5B luôn sẵn có vô điều kiện.

Đó là một ranh giới cứng, và đáng tách nó khỏi ranh giới mềm hơn. Giấy phép phi thương mại vẫn cho phép đánh giá, nghiên cứu và thử nghiệm nội bộ, nên cách hợp lý để đọc bảng này là Voxtral là một dịch vụ bạn có thể dùng thử miễn phí, còn Ming là một sản phẩm bạn có thể sở hữu hoàn toàn.

Nửa tỷ tham số mang lại những gì, và những gì nó không mang lại

• Kích thước và kiến trúc — Ming-3.0-tts-0.5B là một mô hình dense 0,5B trên nền Qwen2.5-0.5B với phần đầu diffusion-transformer, và checkpoint đóng gói sẵn bộ tokenizer âm thanh cùng bộ mã hóa người nói. Voxtral 4B TT​S có khoảng 4 tỷ tham số, được phục vụ qua vLLM-Omni, xây dựng trên nền Ministral-3-3B của Mistral.

• Đầu ra — Ming ở 44,1 kHz; Voxtral ở 24 kHz trong WAV, PCM, FLAC, MP3, AAC hoặc Opus. Bản master 44,1 kHz chính là sự khác biệt giữa một tệp bạn có thể giao cho biên tập viên video và một tệp phải được lấy mẫu lại trước, và điều này còn quan trọng hơn trong lồng tiếng và phát sóng so với một tác nhân điện thoại.

• Chế độ — Ming có các tác vụ được đặt tên (TT​S, FREEFORM, VOICE_DESIGN, MULTILINGUAL, BASIC, EMOTION, DIALECT, IP) với các ràng buộc loại trừ lẫn nhau đã được ghi trong tài liệu. Voxtral xử lý phát trực tuyến và theo lô, không có phân loại tác vụ tương đương nào được công bố.

• Giọng nói — Ming cung cấp hơn 100 giọng tiếng Trung tích hợp sẵn và năm giọng tiếng Anh tích hợp sẵn, cùng với nhân bản zero-shot từ một đoạn clip ngắn và thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên. Voxtral cung cấp 20 giọng đặt sẵn và thích ứng với đoạn clip tham chiếu ngắn chỉ ba giây. Hai mươi là một danh sách tuyển chọn; một trăm là một danh sách dàn diễn viên. Bạn muốn loại nào tùy thuộc vào việc bạn đang xây dựng một sản phẩm với một giọng nói hay một công cụ cho phép người khác chọn một giọng.

• Cận ngôn ngữ — 14 thẻ nội tuyến của Ming bao gồm hơi thở, ho, thở dài, cười, ngập ngừng, ngạc nhiên và câu hỏi, cùng với các điều khiển tường minh về cảm xúc, tốc độ, cao độ và âm lượng. Mistral không công bố bộ từ vựng thẻ nào cho Voxtral. Việc thiếu tài liệu không đồng nghĩa với thiếu năng lực, và cũng không phải là bằng chứng về năng lực đó.

Con số 0,5B tham số là phần thường bị đọc nhầm. Ming không phải là một phiên bản nhỏ hơn của Voxtral; đây là một thiết kế khác, đặt cược rằng một backbone nhỏ gọn cùng với một bộ mã hóa người nói đi kèm và một tokenizer là đủ cho giọng nói có thể điều khiển được, và dồn năng lực của mình vào khả năng điều khiển thay vì quy mô. Trong đánh giá đa ngôn ngữ của chính Ant, nó vượt VoxCPM2 về độ chính xác nội dung ở bốn trong năm ngôn ngữ, trong khi thua về độ tương đồng người nói ở cả năm — đó chính là hình ảnh của một mô hình được tinh chỉnh cho từ ngữ thay vì âm sắc trên bảng điểm.

Con số duy nhất mà Voxtral có còn Ming thì không

Mistral đã công bố một serving benchmark, và đây là thứ hữu ích nhất trong cả hai bản phát hành đối với bất kỳ ai đang lập kế hoạch năng lực. Trên một H200 duy nhất chạy vLLM-Omni 0.18.0, với đầu vào 500 ký tự và một bản tham chiếu âm thanh dài mười giây:

• Độ đồng thời 1 — độ trễ 70 mili giây, hệ số thời gian thực 0,103, khoảng 119 ký tự mỗi giây thời gian GPU.

Độ đồng thời 16 — 331 mili giây, RTF 0.237, khoảng 879 ký tự mỗi giây.

• Độ đồng thời 32 — 552 mili giây, RTF 0,237 được giữ nguyên, khoảng 1.431 ký tự mỗi giây.

Đó là một bản kế hoạch công suất gói trong ba dòng: độ trễ vẫn dưới một giây ngay cả khi vượt xa mức đồng thời mà hầu hết sản phẩm thoại thực tế đạt tới, và thông lượng tăng khoảng mười hai lần từ một luồng lên ba mươi hai luồng. Đây là harness của chính Mistral, chưa được tái lập, và nó giả định môi trường tham chiếu — nhưng đó là một hình dạng bạn có thể dựa vào để định cỡ một triển khai.

Con số tương đương của Ming là số liệu độc lập chứ không phải do nhà cung cấp báo cáo, và nó đo một thứ hơi khác. Artificial Analysis ghi nhận Ming-3.0-tts đạt 42,1 ký tự mỗi giây thời gian tạo trên bộ khung thử nghiệm của riêng mình, mỗi lần một yêu cầu. Đó là khoảng một phần ba tốc độ một luồng của Voxtral, theo một phương pháp khác trên phần cứng khác, và cách nói trung thực là hai con số không thể so sánh trực tiếp: một là thông lượng của Mistral ở mức đồng thời được chọn trên H200, còn kia là phép đo một luồng của bên thứ ba trên phần cứng không được công bố. Có thể nói rằng cả hai đều đủ nhanh cho giọng nói tương tác và không cái nào là ràng buộc thời gian thực.

Sự khác biệt về thông lượng thực sự quan trọng là gắn với cấp phép. Đường cong của Voxtral là lý do để gọi API thay vì xây dựng quanh các trọng số — phần kỹ thuật phục vụ đã được làm xong, và bạn trả tiền theo ký tự thay vì theo giờ GPU. Tốc độ của Ming là lý do để tự tính điểm hòa vốn của bạn, vì ở 42,1 ký tự mỗi giây thì một triệu ký tự tương đương khoảng 6,6 giờ tạo sinh, và liệu điều đó có rẻ hay không phụ thuộc hoàn toàn vào chi phí cho bộ tăng tốc của bạn khi nó đang rảnh.

Chín ngôn ngữ so với bảy, và cả hai danh sách đều không phải là một tuyên bố về chất lượng

• Ming-3.0-tts-0.5B — tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn và tiếng Nhật, với tiếng Tứ Xuyên và tiếng Quảng Đông là các tác vụ phương ngữ riêng biệt và cần có mã định danh ngôn ngữ rõ ràng cho năm ngôn ngữ không phải tiếng Trung.

• Voxtral 4B TT​S — tiếng Anh, tiếng Pháp, tiếng Tây Ban Nha, tiếng Đức, tiếng Ý, tiếng Bồ Đào Nha, tiếng Hà Lan, tiếng Hindi và tiếng Ả Rập. Thẻ mô tả “các phương ngữ đa dạng” trong phạm vi hỗ trợ đó mà không liệt kê chúng.

Phần trùng nhau là năm ngôn ngữ: tiếng Anh, tiếng Pháp, tiếng Tây Ban Nha, tiếng Đức và một trong hai tiếng Hàn hoặc tiếng Nhật, tùy vào cách bạn tính độ phủ khu vực. Mỗi mô hình bao phủ những thứ mô hình kia không có — phía Voxtral gồm tiếng Ý, tiếng Bồ Đào Nha, tiếng Hà Lan, tiếng Hindi và tiếng Ả Rập; phía Ming gồm tiếng Hàn, tiếng Nhật, tiếng Tứ Xuyên và tiếng Quảng Đông. Nếu lộ trình của bạn có tiếng Ả Rập hoặc tiếng Hindi, quyết định đã ngã ngũ trước khi đọc xong benchmark đầu tiên.

Điều mà cả hai nhà cung cấp đều không công bố là chất lượng theo từng ngôn ngữ. Mistral không đưa ra tỷ lệ lỗi cho bất kỳ ngôn ngữ nào trong chín ngôn ngữ của mình. Ant đã thử nghiệm năm ngôn ngữ không phải tiếng Trung trên bộ Mi​niMax và công bố các con số, nhưng đó là bộ kiểm thử của chính Ant đối với các đối thủ do chính Ant lựa chọn, và chúng không nói gì về tiếng Hàn hay tiếng Nhật so với Voxtral vì Voxtral không có trong bảng. Vì vậy, so sánh ngôn ngữ ở đây là độ bao phủ, không phải năng lực, và bất kỳ bài viết nào trình bày nó như năng lực đều chỉ đang phỏng đoán.

Cái bảng có cả hai, kiểu vậy.

Cả hai mô hình đều xuất hiện trên bảng xếp hạng giọng nói của Artificial Analysis, nhưng không cùng ngày thu thập dữ liệu và không có cùng nhóm mô hình so sánh xung quanh, vì vậy hãy coi đây là thông tin định hướng chứ không phải kết quả đối đầu trực tiếp.

• Ming-3.0-tts-0.5B — Giọng của nhà cung cấp 1,188 Elo (khoảng 1,173–1,203, phạm vi xếp hạng 17–23, hàng thứ mười chín của danh sách); Giọng được kiểm soát 1,069 (1,053–1,085, phạm vi xếp hạng 10–18, hàng thứ mười ba). Cả hai lần ghi nhận đều từ ngày 19 tháng 10 năm 2026, ngày mã suy luận của nó được đăng lên.

• Voxtral 4B TT​S — Giọng nói được kiểm soát 1.005 Elo, phạm vi xếp hạng 24–30, hàng thứ hai mươi sáu của cùng bản ghi ngày 19 tháng 10. Vị trí giọng nói của nhà cung cấp không nằm trong tài liệu mà chúng tôi có thể xác minh.

Bảng Controlled Voice là bảng đáng tin cậy, vì mọi mô hình ở đó đều nhân bản cùng một bộ giọng tham chiếu cố định và dàn giọng không còn là yếu tố gây nhiễu. Trong ảnh chụp kết quả ở trên, điểm 1,069 của Ming và 1,005 của Voxtral cách nhau 64 điểm, và với các khoảng xếp hạng chồng lấn, kết luận trung thực là Ming đạt điểm cao hơn trong một phép đo được thực hiện sau đó trên một nhóm mô hình lớn hơn. Đừng đọc đây như một chiến thắng 64 điểm đã ngã ngũ. Hãy đọc đây là bằng chứng rằng một checkpoint mở 0.5B không hề lép vế bên cạnh một mô hình 4B của nhà cung cấp về độ trung thực giọng nói, và đó mới là điều đáng ngạc nhiên.

Một pipeline Ming tự triển khai thực sự tiêu tốn của bạn những gì về mặt kỹ thuật

Việc áp dụng Ming không phải chỉ là tải xuống và gọi hàm. Môi trường tham chiếu là một môi trường được ghim phiên bản: PyTorch 2.6 với CUDA 12.4, đã được kiểm thử trên H800-80GB và H20-96G, flash-attention là tùy chọn với phương án dự phòng SDPA. Chuẩn hóa văn bản cần pynini 2.1.6 — một thư viện nổi tiếng là khó cài đặt — hoặc bạn truyền một cờ tắt chuẩn hóa và chấp nhận rằng số, tiền tệ và từ viết tắt sẽ được đưa nguyên trạng vào mô hình.

Đó là những chi phí không bao giờ xuất hiện trong bảng so sánh và luôn xuất hiện trong một sprint. Những chi phí tương đương của Voxtral được giấu bên trong giá API: người khác đã ghim môi trường, người khác xử lý tính đồng thời, và đánh đổi là bạn không thể thay đổi dàn giọng ngoài việc thích ứng từ một đoạn clip tham chiếu, và bạn không thể đặt mô hình trên một cỗ máy do bạn kiểm soát cho mục đích thương mại.

Độ trưởng thành của Ming cũng phải được đánh giá một cách trung thực. Kho lưu trữ GitHub được đưa lên vào ngày 19 tháng 10 năm 2026, với commit đầu tiên chứa mã suy luận, một Dockerfile, các ví dụ một cú nhấp chuột và một cẩm nang tác vụ, cùng các commit tài liệu được đẩy lên trong suốt buổi chiều hôm đó — bao gồm một commit đánh dấu hỗ trợ vLLM-Omni. vLLM-Omni chính là ngăn xếp phục vụ mà Mistral đã dùng cho benchmark Voxtral, một sự trùng hợp hữu ích: con đường để triển khai sản xuất cho Ming chính là con đường Voxtral đã ghi lại, ở tầng thấp hơn một lớp.

Nơi định tuyến phù hợp, và phần mà nó không đụng tới

OrcaRouter không cung cấp Ming-3.0-tts-0.5B; đó là một checkpoint do bạn tự chạy. Voxtral 4B TTS có sẵn thông qua API riêng của Mistral, và bài viết này không tuyên bố rằng chúng tôi định tuyến nó. Điều mà một router thực sự chạm tới trong cả hai kiến trúc là phần văn bản xung quanh giọng nói — kịch bản, các quyết định gắn thẻ kiểu SSML, bước dịch biến một kịch bản gốc thành chín ngôn ngữ trước khi tổng hợp, bộ tóm tắt rút ngắn một đoạn văn để vừa với khung thời gian. Những lệnh gọi đó diễn ra hàng trăm lần mỗi phút âm thanh và đó chính là nơi chi phí cũng như các chế độ lỗi của một pipeline thực sự tập trung.

Đó là lớp chúng tôi vận hành: hơn 200 mô hình văn bản đằng sau một khóa duy nhất, theo giá niêm yết của nhà cung cấp với mức tăng giá cộng thêm là 0%, vì vậy mức giảm giá từ một nhà cung cấp sẽ đến với bạn ngay ngày nó có hiệu lực thay vì vào lần điều chỉnh giá tiếp theo; tự động chuyển đổi dự phòng giữa các nhà cung cấp, để một buổi chiều tồi tệ của một nhà cung cấp không làm dừng việc tạo kịch bản cung cấp đầu vào cho giọng nói; và một DSL định tuyến để kết hợp nhiều mô hình vào một lệnh gọi khi bước dịch và bước viết lại văn phong cần các mô hình khác nhau. Mô hình giọng nói ở cuối chuỗi do bạn lựa chọn, và bài viết này nói về việc lựa chọn mô hình đó.

Điều mà cả hai tấm thẻ đều không cho bạn biết

Ba câu hỏi quyết định phần lớn các triển khai thực tế và không nhà cung cấp nào trong hai trả lời bất kỳ câu nào trong số đó.

• Chất lượng được giữ vững như thế nào khi chạy đồng thời? Mistral đo độ trễ và thông lượng ở 32 luồng nhưng không công bố mức chênh lệch chất lượng giữa batch và streaming. Bản phát hành của Ming hoàn toàn không có thông tin về khả năng xử lý đồng thời — một harness chỉ gửi một yêu cầu, một GPU tham chiếu, và không có đường cong thông lượng vLLM, chỉ có một ghi chú hỗ trợ.

• Một lần sinh thất bại nghe như thế nào? Không thẻ nào trong hai thẻ ghi lại hành vi cắt ngắn, vòng lặp lặp lại, hay điều gì xảy ra khi một kịch bản 14 thẻ va chạm với một câu mà mô hình không thể phân tích cú pháp. Thẻ của Ant lại thẳng thắn một cách bất thường về các điểm yếu của nó — cận ngôn đa sự kiện không ổn định, khả năng kiểm soát cảm xúc suy giảm khi lời nói không mang cảm xúc, độ tương đồng tiếng Pháp là ngôn ngữ tệ nhất của nó, và thiết kế giọng nói mở không sánh bằng hệ thống mạnh nhất mà nó được đánh giá đối chiếu — nhưng một mục hạn chế không phải là phân loại thất bại.

• Ai sẽ duy trì thứ này sau một năm? Mistral là một công ty có dịch vụ TTS thương mại và có động lực rõ ràng để giữ nó luôn cập nhật; checkpoint tháng Ba đã ổn định được bảy tháng. Ming-3.0-tts-0.5B có một lượt thích, sáu lượt tải xuống và một kho lưu trữ được tạo vào đúng ngày bài này được viết. Ant Group hoàn toàn có thể sẽ hỗ trợ nó — dòng Ming bao gồm ASR, âm thanh và các biến thể tí hon, điều này cho thấy một chương trình chứ không phải một sản phẩm đơn lẻ — nhưng không có gì trong bản phát hành cam kết bất cứ điều gì.

Điểm cuối cùng đó là điều cần cân nhắc so với giấy phép MIT. Một giấy phép dễ dãi đảm bảo cho bạn quyền sử dụng trọng số mãi mãi; nó không đảm bảo rằng ai đó sẽ sửa lỗi trong mã suy luận, và sự khác biệt chỉ trở nên rõ ràng vào tháng thứ bảy.

Quyết định, theo thứ tự mà nó thực sự đến

Bắt đầu với ràng buộc triển khai, vì nó loại bỏ hẳn một phương án. Nếu mô hình phải chạy trên hạ tầng bạn kiểm soát và đầu ra phải dùng được về mặt thương mại, câu trả lời là Ming-3.0-tts-0.5B, và các câu hỏi còn lại là kỹ thuật: ghim môi trường, cài được pynini hoặc chấp nhận văn bản chưa được chuẩn hoá, dự trù khoảng 6,6 giờ GPU cho mỗi triệu ký tự, và chấp nhận rằng giọng nói sẽ kém trung thành với clip tham chiếu hơn một chút so với phương án mở thay thế tốt nhất. Nếu mô hình phải nói tiếng Ả Rập, tiếng Hindi, tiếng Ý, tiếng Bồ Đào Nha hoặc tiếng Hà Lan, câu trả lời là Voxtral 4B TT​S qua API, và các câu hỏi còn lại là thương mại: $0,016 cho mỗi nghìn ký tự, hai mươi giọng, đầu ra 24 kHz có thể cần lấy mẫu lại, và một nhà cung cấp đã công bố đường cong phục vụ mà bạn sẽ dùng để tính toán quy mô.

Nếu cả hai ràng buộc đều không phải vấn đề, yếu tố phá thế hòa chính là sản phẩm của bạn là gì. Một pipeline lồng tiếng hoặc phát sóng cần nhiều giọng đọc, độ phủ phương ngữ và cảm xúc trực tiếp sẽ muốn dàn giọng của Ming và đầu ra 44.1 kHz của nó, và sẽ trả giá cho điều đó bằng chi phí vận hành. Một voice agent hoặc IVR cần độ trễ có thể dự đoán, streaming và có người khác trực thay sẽ muốn API của Voxtral, và sẽ trả giá cho điều đó theo từng ký tự và bằng việc mất đi dàn giọng mà nó không thể mở rộng vượt quá hai mươi.

Việc duy nhất đáng làm trước khi làm bất kỳ điều nào trong hai việc đó: viết ra những ngôn ngữ mà bạn thực sự sẽ phát hành trong mười hai tháng tới, và những ngôn ngữ nào trong số đó mà bộ phận pháp lý của bạn sẽ cho phép rời khỏi hạ tầng của bạn. Hai danh sách đó thu hẹp việc này từ một cuộc so sánh mô hình xuống còn một ứng viên duy nhất nhanh hơn bất kỳ con số Elo nào, và khác với các bảng xếp hạng, chúng luôn được cập nhật.