Ming-3.0-tts-0.5B vs VoxCPM2：一个胜在文字，另一个胜在声音

已发表的对比只有一份，涉及 Ming-3.0-tts-0.5B 和 VoxCPM2，而且由 Ant Group 撰写。在其自家模型卡中，Ant 基于 MiniMax 测试集，对这两个多语言语音模型在德语、西班牙语、法语、韩语和日语上进行了基准测试。Ming-3.0-tts-0.5B 在五种语言中有四种生成了更准确的词。VoxCPM2 在全部五种语言中生成的声音都更忠实。那一个模式——内容准确度对应 0.5B 检查点，说话人相似度对应 2B 检查点——是任何人就这一对决发表过的最有用内容，而它是厂商自己的表格，因此它也是最需要附带说明的东西。Ant 赢下了它选择公布的错误率，却在同一页上输掉了相似度得分。 像这样的发布背后的有记录 AI 故障和智能体事件，收录在 OrcaRouter AI Incident Archive 中，每条条目都带有各自的来源、严重程度、置信等级和争议标记。

两个模型均为开放权重，均允许商业使用，且均由你自行运行，而不是作为服务调用。Ming-3.0-tts-0.5B 是蚂蚁集团以 MIT 许可证发布的稠密模型，基于 Qwen2.5-0.5B 主干并带有扩散 Transformer 头，于 2026 年 9 月 24 日发布到 Hugging Face，推理代码随后于 2026 年 10 月 19 日在 GitHub 发布，二者均无厂商公告。VoxCPM2 是 OpenBMB 于 2026 年 4 月发布的 Apache-2.0 检查点，是一个基于 MiniCPM-4 主干的 2B 无分词器扩散自回归模型。下文的一切都取决于这一规模和许可差异，以及两者中一个拥有独立的 arena 评分、另一个没有这一事实。

Ant 自己的表格到底是怎么说的

Mi​niMax 多语言测试集报告的是内容错误——德语、西班牙语和法语为词错误率，韩语和日语为字符错误率——同时还有说话人相似度余弦值。错误越低越好；相似度越高越好。Ant 自己运行了两个模型。此处没有任何内容由第三方复现，而且我们找不到 VoxCPM2 的维护者发布过反驳表格。

• 德语 — Ming-3.0-tts-0.5B 误差 0.365，相似度 0.753；VoxCPM2 误差 0.963，相似度 0.790。

• 西班牙语 — Ming 1.099，相似度 0.763；VoxCPM2 1.324，相似度 0.836。

• 法语 — Ming 4.264，相似度 0.675；VoxCPM2 3.380，相似度 0.761。这是唯一一个错误率排名发生反转的语言。

• 韩语 — Ming 1.728，相似度 0.793；VoxCPM2 3.547，相似度 0.839。

• 日语 — Ming 3.765，相似度 0.765；VoxCPM2 4.358，相似度 0.825。

有两件事值得注意，之后才能说任一模型获得了认可。第一，德语差距很大——0.365 对 0.963——而韩语和日语的差距较小，法语结果则相反，因此“更准确”是一种按语言分别成立的说法，而不是普遍结论。第二，那张表中每个模型的法语错误率都很高；与它们并列列出的一个竞争对手在该项上的得分为 19.878。当整个领域在某个语言上都集中在糟糕的数字上时，这个语言中部分起作用的其实是测试集，而不是模型。应把法语视为尚无定论，而不是 VoxCPM2 的一次胜利。

为什么相似度这一列值得读两遍

说话人相似度衡量的是输出听起来是否像参考声音。它是区分演示与产品的关键指标：一个发生漂移的克隆声音，即便每个字都念对了，也会把听众带出场景，而任何下游 ASR 分数都永远不会告诉你这一点。

Ming 在全部五种语言中都落败，差距在 0.037（西班牙语）到 0.086（法语）之间。这些是有界尺度上的余弦距离，因此差距不大但保持一致；而跨五种语言的一致性，比单独一行糟糕数据更难辩解过去。坦率的解释就在 Ant 自己的模型卡里，其中明确说说话人相似度落后于内容准确度。该模型是按“把词说对”来调校的。

还有第二个更具体的理由可以预期这一点，而且这个理由与架构有关。VoxCPM2 通过其 AudioVAE V2 分词器中内置的超分辨率阶段以 48 kHz 解码，并且接受 16 kHz 参考片段，同时仍能生成 48 kHz 输出。Ming-3.0-tts-0.5B 以 44.1 kHz 运行。采样率并不等同于相似度——更高的采样率并不会让声音更忠实——但 VoxCPM2 的流水线明确是围绕在重采样步骤中保留参考声音的特征来构建的，而这是一个带有捆绑说话人编码器的 0.5B 模型不会做出的设计选择。

所以，诚实的解读并不是“VoxCPM2 克隆得更好，因为它更大”，而是：这两个模型优化的是同一目标的两个不同侧面，而厂商的表格显示，各自都在自己那一半上胜出。

裁剪语音：两套 API，两种理念

两者都能基于一段短视频进行零样本克隆。如果你要编写集成代码，它们的机制差异足以产生影响。

• Ming-3.0-tts-0.5B — 一个入口点，一个任务参数。 MingTTS("inclusionAI/Ming-3.0-tts-0.5B")，然后 synthesize(task=...)使用 prompt_wav_path、prompt_text和 use_spk_emb。任务包括 TTS、VOICE_DESIGN、MULTILINGUAL、DIALECT、EMOTION、FREEFORM 和 IP。该检查点捆绑了主干网络、DiT 头、音频分词器和 Campplus 说话人编码器，因此克隆是一等任务，而不是单独的流水线。

• VoxCPM2 — pip install voxcpm，然后VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)。语音设计是加在文本本身上的括号式前缀，"(description)text"，并使用cfg_value=2.0和inference_timesteps=10作为文档中给出的起始点。

其结果是，Ming 的控制接口是结构化的，而 VoxCPM2 的是文本式的。Ming 为你提供的是带有文档化互斥关系的具名任务——FREEFORM 不能与音色设计、内置音色、情感、方言或属性控制组合使用，而多语言任务需要为五种非中文语言显式提供 language_id。这意味着需要学习的内容更多，需要猜测的内容更少。VoxCPM2 的单一字符串试用起来更快，但更难做到确定性；OpenBMB 自己的模型卡建议生成一到三个候选，因为音色设计和风格在不同运行之间会有所变化。

如果你在构建一个 UI，让制作人从列表中选择音色，那么 Ming 的 100 多种内置中文音色和五种内置英文音色就是你可以渲染出来的菜单。VoxCPM2 没有对应的音色名单——它的音色是设计或克隆出来的，而不是逐一枚举出来的。

语言、方言与副语言层面

• 语言数量——Ming-3.0-tts-0.5B 覆盖中文、英语、德语、西班牙语、法语、韩语和日语，并将四川话和粤语作为单独的方言任务。VoxCPM2 声称支持 30 种语言。Ant 测试了五种非中文语言；OpenBMB 没有发布我们可以核实的分语种错误率表，因此这个 30 只是覆盖范围声明，并未附带质量声明。

• 方言 — Ming 将四川话和粤语作为无需语言参数的任务提供。在我们查阅的材料中，VoxCPM2 的 30 种语言列表并未按方言细分，而因为某种语言已被覆盖就认为其地区变体也被覆盖，正是本条旨在防止的错误。

• 行内控制——Ming 内置 14 个标签，涵盖呼吸、咳嗽、叹气、笑声、迟疑、惊讶与疑问，支持中文或英文，并另有显式的情感、语速、音高和音量控制。VoxCPM2 没有标签词表；它的控制方式是自然语言描述前缀。

• 弱点，正如 Ant 自己所承认的——多事件副语言句子不稳定，当文本不携带情感信号时情绪控制会退化，而开放式语音设计无法匹敌 Ant 所评估过的最强系统。最后一点恰当地描述了对标托管式前沿语音的差距，而这也同样适用于 VoxCPM2。

实用分工：如果你的脚本需要在句子中间加入笑声、叹息或犹豫停顿，就选 Ming。如果你的脚本需要 Ming 未覆盖的语言，或者需要根据文字描述而非具名预设来设计音色，就选 VoxCPM2。

运行它们：8 GB 与 CUDA pin 对比

• Ming-3.0-tts-0.5B — 已在 NVIDIA H800-80GB 和 H20-96G（CUDA 12.4）上测试。Flash-attention 为可选，并提供 SDPA 回退方案。文本规范化需要 pynini==2.1.6，或者传递 --no_text_normalization 并接受将原始数字和缩写直接送入模型。PyTorch 2.6 是参考环境。输出为 44.1 kHz。

• VoxCPM2 — 在 bf16 下开发约需 8 GB 显存，在 24 GB 显卡上峰值约为 22 GB，要求 Python 3.10 或更高版本、PyTorch 2.5.0 或更高版本、CUDA 12.0 或更高版本。官方文档给出的实时因子在 RTX 4090 上使用纯 PyTorch 时约为 0.30，配合 Nano-VLLM 时约为 0.13——大致相当于实时的两到三倍，若加上服务层则可达八倍。

这两段描述的是截然不同的两个工程下午。Ming 的技术栈是更新的，也是更脆弱的那一套：固定版本的 FST 库、可选内核、固定到特定 CUDA 构建的参考环境。VoxCPM2 自四月发布以来，已经吸收了六个月的社区安装报告。这种成熟度优势是真实的，也是暂时的——Ming 的推理代码在本文撰写当天才上线，而该仓库在同一个下午的一次文档提交中加入了 vLLM-Omni 支持说明。

我们未能找到任何托管推理服务商提供这两个模型；与其说这是本次比较中的一处缺口，不如说这是比较的前提：两者都是供你下载的检查点。但这确实意味着独立证据并不均衡。Ming-3.0-tts-0.5B 在 Artificial Analysis 的两个语音榜单上都有条目：在 Provider Voice 上为 1,188 Elo（区间 1,173–1,203，排名范围 17–23，是我们于 2026 年 10 月 19 日抓取的榜单中的第 19 行），在 Controlled Voice 上为 1,069（1,053–1,085，排名范围 10–18，同日榜单第 13 行）。截至我们最新一次抓取，VoxCPM2 在两个榜单上都没有条目；而且这一缺失自四月以来一直如此，并非近期才被遗漏。因此，本文中唯一的独立数字属于 Ming，而且这个数字相当可观；VoxCPM2 没有可与之对照的数字，任何诚实的文章都不能凭空编造一个无人测量过的正面对决 Elo。

许可证、微调，以及没人问的那个问题

两个许可证都允许商业使用。Ming 采用 MIT 许可证，这差不多是许可证中最宽松的一种，只要求署名。VoxCPM2 采用 Apache 2.0 许可证，额外提供了明确的专利授权和商标除外条款。对大多数团队来说，两者的区别更多是行政手续层面的，而非法律层面的；在回答采购问卷时，两者都是干净利落的答案，而非商业许可证则不是。

真正的不对称在于微调。VoxCPM2 记录了在五到十分钟音频上进行完整的监督微调和 LoRA 的方法，这意味着你可以用小型数据集和单块 GPU 将模型调向特定说话人或风格。在我们读到的发布版本中，Ming-3.0-tts-0.5B 没有提供微调配方、训练脚本和 LoRA 路径。如果你的产品需要的是一个属于你的模型，而不是一个你只能通过提示词驱动的模型，那这不是基准测试差距——而是能力差距，而且它在参考任何 Elo 分数之前就已经决定了选择。

Ming 对同一需求的解决方案是语音设计加克隆：描述声音，或提供一段音频。这能满足大多数制作需求，却完全不涵盖那些涉及大规模专有音频训练的需求。

路由层在这里的价值所在

OrcaRouter 并不托管 Ming-3.0-tts-0.5B 或 VoxCPM2。这两个都不是我们能为你提供端点的模型，本文也不会假装不是这样。路由器在语音管道中真正能触及的是波形之前的全部环节：起草脚本的模型、展开缩写的模型、决定笑声标签放在哪里的模型，以及在时间槽为 3.2 秒、实际却说到了 3.8 秒时重写句子的模型。这些都是文本调用，而我们通过一个密钥路由 200 多个文本模型，按提供商列表价、0% 加价——因此当供应商降价时，降价当天就在我们这边生效，而不是等到下一次重新定价。自动故障转移让管道的这一半持续响应，而语音那一半则是你自己运行的一个下载项。

这就是诚实的边界。对于你在自己的 GPU 上运行的检查点来说，路由器是错误的工具；而对于决定这个检查点被要求说什么的模型来说，它才是正确的工具。

在没有排行榜可以躲藏的情况下做出选择

如果你的内容是多语言的，且利益相关者争论的指标是字词准确度；如果你需要以中文为先的语音覆盖并带有命名预设；如果内联情感标签是脚本格式的一部分；如果你想要一个 2.96 GB 的 MIT 检查点，能轻松适配普通硬件；或者如果 0.5B 的参数量正是可行单位成本与不可行单位成本之间的分界线，那就选择 Ming-3.0-tts-0.5B。选择前要知道：其语音对参考的还原度会略低于 VoxCPM2 的语音，推理代码才发布几小时，而且没有微调路径。

如果产品核心就是声音身份——配音、角色塑造，以及任何听众会察觉到克隆音色漂移的场景——请选择 VoxCPM2；如果你需要 Ming 未覆盖的某种语言，如果你打算用自己的音频进行微调，或者如果你想要一个自四月以来安装一直顺利无忧的技术栈，也请选择 VoxCPM2。

这个决胜办法成本很低，上面那些数字没有一个能替代它。取一百句你自己的文本、一段参考音频，把两者都跑一遍。用 ASR 模型给文字打分，用 Ant 所用的同一个余弦指标给声音打分。一个下午你就能得到按语言划分的答案，基于你的内容、你的口音——这比供应商基于公开测试集做出的表格能给你的更多，也远比只列出两个模型中一个的排行榜多得多。