Ming-3.0-tts-tiny so với Breeze-TTS-2: Trọng số MIT đối lại Giấy phép Phi thương mại

Hai mô hình giọng nói trọng số mở ra mắt cách nhau chưa đầy một tháng và chúng không cạnh tranh trên cùng một trục. Ming-3.0-tts-tiny, từ inclusionAI của Ant Group, là một checkpoint mixture-of-experts 7,9B chỉ kích hoạt khoảng 1,3B tham số mỗi token, phát hành theo MIT, và bao phủ chín ngôn ngữ gồm hai phương ngữ Trung Quốc. Breeze-TTS-2, từ BreezeBlue, là một mô hình dense 3B chỉ bao phủ tiếng Anh và tiếng Trung, công bố mã nguồn theo Apache 2.0, và phát hành trọng số theo giấy phép nghiên cứu và phi thương mại với một ngoại lệ dành cho dịch vụ lưu trữ trả phí. Câu hỏi hàng đầu — mô hình nào nghe hay hơn — hóa ra lại là câu hỏi ít quyết định nhất, bởi vì mục trên arena trông giống điểm của Ming thực ra thuộc về một checkpoint hoàn toàn khác, và khác biệt về giấy phép mới là thứ quyết định liệu bạn có thể phát hành sản phẩm hay không. Những sự cố AI và sự cố agent 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, cấp độ tin cậy và cờ tranh chấp.

Không nhà cung cấp nào công bố một sự kiện phát hành chính thức theo nghĩa thông thường, và cả hai chi tiết này đều quan trọng ở đây. Trọng số của Breeze-TTS-2 được đưa lên vào ngày 25 tháng 8 năm 2026, với các bộ voice-design và latency theo sau vào ngày 7 tháng 8. Ming-3.0-tts-tiny đã tồn tại trên Hugging Face từ ngày 24 tháng 9 nhưng chỉ trở nên chạy được vào ngày 19 tháng 10, khi mã suy luận và cookbook tác vụ của nó xuất hiện trên GitHub. Vì vậy, đây là so sánh giữa hai sản phẩm mà bạn phải tự host, được viết trước khi cả hai có giá bản host để báo, và được dán nhãn tương ứng xuyên suốt.

Bắt đầu với giấy phép, vì nó chấm dứt tranh cãi đối với một số đội.

Hai giấy phép này không phải là những biến thể của cùng một quyền cho phép. Chúng thuộc những phạm trù quyền cho phép khác nhau.

• Ming-3.0-tts-tiny — MIT, áp dụng cho cả trọng số và mã nguồn. Bạn có thể sử dụng nó cho mục đích thương mại, chỉnh sửa, phân phối lại và đưa nó vào một sản phẩm đóng. Ant đính kèm một ghi chú sử dụng yêu cầu bạn không mạo danh người khác khi chưa có sự đồng ý và gắn nhãn âm thanh tổng hợp; đó là một yêu cầu trong tài liệu, không phải điều kiện của việc cấp quyền.

• Breeze-TTS-2 — Apache 2.0 cho mã nguồn, và một "BreezeBlue Research and Non-Commercial License" riêng cho các trọng số. Việc sử dụng thương mại các đầu ra được lưu trữ yêu cầu đăng ký BreezeBlue trả phí, và ngay cả khi đó, đăng ký này không mở rộng quyền thương mại cho các trọng số mở hoặc cho các đầu ra bạn tạo ra bằng cách tự lưu trữ chúng.

Hãy đọc kỹ gạch đầu dòng thứ hai đó, vì cách hiểu hiển nhiên lại là cách hiểu sai. Việc trả tiền cho BreezeBlue không biến các trọng số thành thứ bạn được phép chạy thương mại; nó cấp phép cho một con đường được host. Tự host là phi thương mại bất kể bạn có đăng ký hay không. Nếu kế hoạch của bạn là “tinh chỉnh mô hình 3B, đặt nó sau endpoint của riêng chúng tôi và tính phí cho nó,” thì giấy phép đóng cánh cửa đó còn MIT để nó mở. Đối với nghiên cứu nội bộ, đánh giá, hoặc một nguyên mẫu sẽ không bao giờ kiếm tiền, sự khác biệt này không tốn gì.

Có một khác biệt thứ hai liên quan đến giấy phép, yếu tố quyết định nhiều triển khai hơn cả hai đoạn trên. Bản phát hành của Ming cung cấp toàn bộ pipeline — backbone, diffusion head, audio tokenizer, speaker encoder và text tokenizer — dưới dạng một bộ trọng số. Breeze phát hành mã và trọng số của mình cùng một đường suy luận đã được đóng gói cho nhiều runtime cùng lúc: hệ sinh thái phái sinh quanh Breeze-TTS-2 bao gồm các bản dựng MLX 4-bit và 8-bit cùng một bản chuyển full-precision, các bản lượng tử hóa GGUF, chuyển đổi int8 và int4, một bản dựng HQQ int4, một bản dựng ROCm/RDNA4 BF16 từ ngày 18 tháng 10, một bản dựng GPTQ int4 ROCm từ ngày 19 tháng 10, các bản tinh chỉnh ComfyUI, và một LoRA tiếng Bồ Đào Nha Brazil được phát hành ngày 6 tháng 10. Ming-3.0-tts-tiny không có bất kỳ thứ nào trong số đó, vì nó mới có một đường suy luận khả dụng chưa đầy một ngày.

Mức chênh lệch về dấu chân là khoảng một bậc độ lớn.

Đây là lúc "tiny" không còn nghĩa là nhỏ. Cái tên mô tả số tham số hoạt động trên mỗi token, chứ không phải bộ nhớ bạn cần.

• Ming-3.0-tts-tiny — 8.980.964.372 tham số ở BF16 cộng với 40.096 ở F32 theo siêu dữ liệu của chính Hugging Face, khoảng 18 GB dung lượng lưu trữ kho chứa và H800 được khuyến nghị trong ghi chú môi trường của nhà cung cấp. Bạn trả giá bằng bộ nhớ của một mô hình 7,9B nhưng lại nhận được độ trễ của mô hình 1,3B, một sự đánh đổi tốt cho tổng hợp hàng loạt trên phần cứng thuê và là sự đánh đổi kém với bất kỳ cấu hình nào có card 12 GB.

• Breeze-TTS-2 — 3B tham số dạng dense, khoảng 7,7 GiB bộ nhớ GPU ở chế độ eager và khoảng 14,4 GiB khi bật --fast-all. BreezeBlue khuyến nghị 12 GB hoặc 24 GB tùy theo hướng triển khai bạn chọn, và tài liệu của nó nêu rằng mặc định Docker nhắm tới H100/Hopper sm90, trong khi người dùng A100 cần đặt FLASH_ATTN_CUDA_ARCHS=80.

• Mô hình đồng thời của Ming — một điểm vào Python cho mỗi tác vụ với các mặc định cố định: thang hướng dẫn 2.0, nhiệt độ bằng 0, mười bước luồng, sigma 0.25, seed 1234. Hỗ trợ vLLM-Omni nằm trong lộ trình và chưa được kiểm tra, vì vậy hiện nay không có đường phục vụ thông lượng cao.

• Mô hình đồng thời của Breeze — một API truyền phát HTTP chỉ phục vụ một kết nối đồng thời, trả về PCM mono 24 kHz có dấu 16-bit little-endian, với thời gian đến âm thanh đầu tiên được công bố là dưới 40 mili giây trên H100 đã được làm nóng và hệ số thời gian thực là 0,32, tức nhanh hơn khoảng 3,1 lần so với thời gian thực.

Cặp cuối cùng đó là bản tóm tắt trung thực về sự đánh đổi này. Breeze được thiết kế cho độ trễ truyền phát với từng yêu cầu một tại một thời điểm; Ming được thiết kế cho thông lượng trên mỗi đơn vị tính toán với kích hoạt thưa, và chưa công bố ngăn xếp phục vụ. Nếu sản phẩm của bạn là một tác nhân giọng nói trực tiếp, thì đây không phải những điểm xuất phát tương đương. Nếu sản phẩm của bạn là một lô tường thuật chạy hằng đêm, mô hình đồng thời ít quan trọng hơn nhiều so với giấy phép và hóa đơn bộ nhớ.

Mức độ bao phủ ngôn ngữ không hề gần nhau, và khoảng cách chỉ diễn ra theo một chiều.

Breeze-TTS-2 hỗ trợ tiếng Anh và tiếng Trung. Thẻ của nó ghi rõ như vậy mà không úp mở, đồng thời cũng tài liệu hóa các sự kiện giọng nói nội tuyến bằng cả hai ngôn ngữ — (laugh) và (sigh) trong tiếng Anh, [笑] và [叹气] trong tiếng Trung — cùng với khả năng nhân bản từ một clip tham chiếu có bản chép lời chính xác và điều khiển hướng giọng.

Ming-3.0-tts-tiny 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 khi được cung cấp một đoạn clip tham chiếu phương ngữ. Nó bổ sung khả năng điều khiển phong cách dạng tự do, thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên, hơn 100 giọng tiếng Trung tích hợp sẵn và năm giọng tiếng Anh, cùng 14 thẻ cận ngôn ngữ nội tuyến. Nó cũng tạo podcast nhiều người nói, điều mà Breeze không thực hiện.

Điểm mấu chốt nằm ở chính bảng đa ngôn ngữ của Ant, và đây là điều đầu tiên cần đọc trước khi cho rằng chín hơn hai. Với tiếng Hàn, Ming-3.0-tts-tiny đạt tỷ lệ lỗi ký tự 6.000%, đứng thứ sáu trong tám hệ thống mà Ant đánh giá, so với 1.728% của mô hình 0.5B cùng dòng của chính Ant. Với tiếng Pháp, mô hình đứng thứ hai về tỷ lệ lỗi nhưng độ tương đồng người nói 0.733 không lọt vào top ba, một hạn chế mà chính thẻ mô hình nêu ra. Tiếng Đức (0.325%) và tiếng Tây Ban Nha (0.971%) đứng đầu trong bảng đó. Vậy cách diễn giải trung thực là: năm trong bảy ngôn ngữ của Ming đáng tin cậy, tiếng Hàn thì chưa, và khả năng hỗ trợ phương ngữ là độc đáo nhưng chưa được kiểm chứng bên ngoài bộ khung đánh giá của Ant. Ngược lại, Breeze không tuyên bố bất cứ điều gì nằm ngoài phạm vi nó bao phủ — hai ngôn ngữ, và mọi kết quả trong thẻ mô hình của nó đều chỉ nói về hai ngôn ngữ ấy.

Các con số của arena, và lý do chúng không phải là đối đầu trực tiếp

{{1}}Breeze-TTS-2{{/1}} có điểm số độc lập. {{2}}Ming-3.0-tts-tiny{{/2}} thì không, và mục trông giống như có điểm đó lại thuộc về một mô hình khác.

• Breeze-TTS-2 trên Artificial Analysis, đọc từ bảng trực tiếp vào ngày 19 tháng 10 năm 2026 — 1.220 Elo trên Provider Voice, nơi mỗi mô hình sử dụng dàn giọng nói bản địa của riêng mình, và 1.019 trên Controlled Voice, nơi mọi mô hình đều sao chép cùng tám giọng tham chiếu.

• Dòng Ming trên cùng các bảng xếp hạng — 1,188 Provider và 1,069 Controlled — được liên kết với Ming-3.0-tts-0.5B, mô hình anh em dense với backbone nửa tỷ tham số, chứ không phải checkpoint tiny. README GitHub của Ant sao chép lại những con số này trong phần kết quả mà không có sự phân biệt đó. Đáng nói rõ: không có Elo độc lập cho Ming-3.0-tts-tiny, không có số ký tự mỗi giây được đo và không có tỷ lệ lỗi từ của bên thứ ba.

• Bảng xếp hạng của chính trang dự án ghi Breeze đạt 1.222 ở Provider và 1.018 ở Controlled, chênh lệch hai điểm so với bảng trực tuyến theo mỗi hướng. Đó là dáng vẻ của một bảng xếp hạng khi vẫn đang tích lũy phiếu bầu; hãy trích dẫn số liệu trực tuyến và lưu ý việc làm tròn nếu bạn đang so sánh các tài liệu.

• Trên bảng có kiểm soát, thứ tự các hệ thống trọng số mở là Ming-3.0-tts-0.5B với 1,069, Fish Audio Drama 3 Preview với 1,059, Breeze-TTS-2 với 1,019. Trên bảng nhà cung cấp, Breeze dẫn đầu nhóm đó với 1,220, còn Ming-3.0-tts-0.5B đạt 1,188. Vậy mô hình Ming nhỏ thắng khi giọng nói được giữ cố định và thua khi mỗi hệ thống mang dàn giọng riêng của mình — điều đó nói lên vài điều về các bản ghi âm giọng nói của BreezeBlue và rất ít về kiến trúc.

Không có điều nào trong số đó chuyển sang checkpoint nhỏ bé theo cả hai hướng. Người đọc có thể suy luận một cách hợp lý rằng một mô hình mixture-of-experts 7,9B có điểm tương đồng người nói tiếng Trung tốt hơn mô hình anh em 0,5B của nó sẽ đạt điểm cao hơn trên bảng được kiểm soát. Suy luận đó chưa được kiểm chứng, nó không phải là một con số, và bài viết này sẽ không trình bày nó như một con số.

Mỗi loại thực sự dùng để làm gì

Bỏ qua những bản liệt kê thông số kỹ thuật, hai mẫu máy này đang giải quyết những bài toán khác nhau.

Breeze-TTS-2 là một bản phát hành ưu tiên triển khai. Hai ngôn ngữ, một dấu chân dày 3B vừa với card 12 GB ở chế độ eager, một API streaming với đường độ trễ đã được tài liệu hóa, một container nhắm tới Hopper trong trung tâm dữ liệu nhưng có thể được build lại cho A100, và một hệ sinh thái gồm các bản port đã lượng tử hóa và dành riêng cho runtime xuất hiện trong vòng tám tuần kể từ khi có trọng số. Lượt tải của nó — 14.636 trong tháng trước, với 747 lượt thích và 17 Spaces — chính là hình mẫu của việc được đón nhận khi một mô hình dễ chạy. Hạn chế của nó nằm ở giấy phép: trọng số dành cho nghiên cứu và phi thương mại, cùng một hướng dịch vụ lưu trữ trả phí không mang lại cho bạn quyền tự lưu trữ thương mại.

Ming-3.0-tts-tiny là một bản phát hành ưu tiên năng lực. Chín ngôn ngữ, kiểm soát phương ngữ, thiết kế giọng nói, hệ thống cận ngôn ngữ 14 thẻ, tạo podcast nhiều người nói và điểm giọng nói sao chép tốt nhất trong cùng dòng sản phẩm của nó, đạt 0,781 độ tương đồng người nói tiếng Trung. Hạn chế của nó nằm ở mọi thứ xung quanh năng lực: bản tải xuống 18 GB, kích hoạt thưa cần bộ nhớ GPU thực sự, câu chuyện phục vụ chỉ là một ô đánh dấu trên lộ trình, không có đánh giá chuẩn độc lập và không có thông báo. Hai mươi lượt tải và ba lượt thích trên Hugging Face, năm sao trên GitHub, cùng mười hai commit tài liệu trong một buổi chiều cho thấy nhà cung cấp vẫn đang viết hướng dẫn sử dụng.

Nếu bạn cần ra mắt một tính năng giọng nói song ngữ trong quý này trên phần cứng bạn đã sở hữu, thì Breeze-TTS-2 với một thỏa thuận thương mại là con đường ngắn hơn, và giấy phép mới là thứ cần đàm phán chứ không phải phần tính toán. Nếu bạn cần tiếng Đức, tiếng Tây Ban Nha, tiếng Nhật, tiếng Quảng Đông hoặc một định dạng podcast, Breeze không thể giúp bạn và Ming là lựa chọn trọng số mở duy nhất có bảng công bố — miễn là bạn đáp ứng được yêu cầu bộ nhớ và chấp nhận rằng tiếng Hàn chưa sẵn sàng.

OrcaRouter không định tuyến cho cả hai mô hình này, và bài viết này không nên được hiểu là ngụ ý điều ngược lại. Thứ nằm trong danh mục là phần văn bản của quy trình mà những giọng nói này kết nối vào: hơn 200 mô hình đằng sau một khóa, với giá niêm yết của nhà cung cấp và không cộng thêm phụ phí, vì vậy thay đổi giá từ nhà cung cấp sẽ có hiệu lực phía chúng tôi ngay trong cùng ngày thay vì theo một chu kỳ làm mới. Khi bạn đang so sánh hai checkpoint tự lưu trữ và cả hai đều không có mức giá chạy trên dịch vụ lưu trữ, hóa đơn định kỳ duy nhất mà bạn thực sự có thể kiểm soát là mô hình viết kịch bản, và đó là phần đáng để định tuyến thay vì thuê GPU.

Kết luận còn đứng vững sau khi đối chiếu bằng chứng thì hẹp hơn khoảng cách Elo gợi ra. Trong một triển khai thương mại có thể so sánh tương đương, giấy phép MIT định đoạt trước cả khi người ta đọc đến một benchmark nào. Với công việc song ngữ nhạy cảm về độ trễ, kỹ thuật của Breeze định đoạt trước cả giấy phép. Còn với câu hỏi mà phần lớn độc giả tìm đến — liệu mô hình lớn hơn có nghe hay hơn không — câu trả lời trung thực là chưa ai đo được nó, rằng dòng arena mà mọi người sẽ trích dẫn là checkpoint sai, và rằng người đầu tiên chạy cả hai trên cùng một đoạn âm thanh tham chiếu sẽ tạo ra con số duy nhất đáng để trích dẫn.