Ming-3.0-tts-0.5B 與 VoxCPM2：前者勝在文字，後者勝在聲音

目前公開的比較只有一份，對象是Ming-3.0-tts-0.5B與VoxCPM2，而且是由螞蟻集團自己撰寫的。在其自家的模型卡中，螞蟻以 MiniMax 測試集，針對德語、西班牙語、法語、韓語與日語評測這兩個多語言語音模型。Ming-3.0-tts-0.5B 在五種語言中的四種產出更準確的字詞。VoxCPM2 則在全部五種語言中產出更忠實的音色。這個單一模式——內容準確度歸於 0.5B 檢查點，說話者相似度歸於 2B 那個——是任何人針對這組對決所發表過最有用的東西，而它是廠商自己的表格，所以它也是最需要加註但書的一項。螞蟻贏了自己選擇要公布的錯誤率，卻在同一頁上輸了相似度分數。像這類發布背後的已記錄 AI 失效與代理事故，都收錄在the OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

兩個模型都是開放權重，都允許商業使用，且都由你自行運行，而非作為服務呼叫。Ming-3.0-tts-0.5B 是螞蟻集團以 MIT 授權的稠密模型，基於 Qwen2.5-0.5B 主幹，並帶有擴散 Transformer 頭部；它於 2026 年 9 月 24 日發佈到 Hugging Face，推論程式碼隨後於 2026 年 10 月 19 日在 GitHub 上線，而兩者都沒有廠商公告。VoxCPM2 是 OpenBMB 於 2026 年 4 月推出的 Apache-2.0 檢查點，是一個基於 MiniCPM-4 主幹、20 億參數的免分詞器擴散自迴歸模型。以下一切皆源於那個規模與授權差異，以及其中一個有獨立的 arena 評分、另一個則沒有的這個事實。

Ant 自家的表格實際上寫的是什麼

Mi​niMax 多語言測試集回報的內容錯誤——德語、西班牙語和法語的詞錯誤率，韓語和日語的字元錯誤率——以及說話者相似度餘弦。錯誤率越低越好；相似度越高越好。Ant 自行執行了這兩個模型。這裡沒有任何內容是由第三方重現的，而據我們所能找到的資料，VoxCPM2 的維護者尚未發布反駁表。

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

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

• 法語 — Ming 4.264，相似度 0.675；VoxCPM2 3.380，相似度 0.761。這是唯一一個錯誤排名會反轉的語言。

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

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

在任一個模型獲得肯定之前，有兩件事值得注意。首先，德語的差距很大——0.365 對 0.963——而韓語和日語的差距較小，法語的結果則相反，因此「更準確」是針對各語言的說法，而非通則。其次，該表中每個模型在法語的錯誤率都很高；與它們並列的競爭對手在那裡得到 19.878。某個語言若整個領域都聚集在糟糕的數字上，就表示有一部分是測試集而非模型在起作用。應將法語視為尚無定論，而不是 VoxCPM2 的一項勝利。

為什麼相似度欄位是那個需要讀兩次的欄位

說話者相似度衡量的是輸出聽起來是否像參考語音。這正是區分展示品與產品的指標：一個會飄移的複製語音，即使每個字都正確，也會讓聽眾出戲，而任何下游的 ASR 分數都永遠不會告訴你這件事發生過。

Ming 在全部五種語言中都落敗，差距介於 0.037（西班牙語）與 0.086（法語）之間。這些都是有界尺度上的餘弦距離，所以差距不算大但很一致；而五種語言都呈現一致結果，比單一資料列表現不佳更難自圓其說。坦率的解釋就在 Ant 自家的說明卡上，卡上明言說話者相似度落後於內容準確度。這套模型是朝著把字詞講對的方向調校的。

有第二個、更具體的理由可以預期這一點，而且這是架構上的理由。VoxCPM2 會透過其 AudioVAE V2 tokenizer 內建的超解析度階段，以 48 kHz 進行解碼，並接受 16 kHz 的參考片段，卻仍產生 48 kHz 的輸出。Ming-3.0-tts-0.5B 則以 44.1 kHz 運作。取樣率不等於相似度——更高的取樣率不會讓聲音更忠實——但 VoxCPM2 的流程明確是圍繞著在重取樣步驟中保留參考聲音的特質而建構的，而這是搭配內建說話者編碼器的 0.5B 模型不會做出的設計選擇。

所以，誠實的解讀並不是「VoxCPM2 複製得更像，是因為它的規模更大」，而是這兩個模型各自優化了同一個目標的兩半，而廠商的表格顯示，兩者各自在自己的那一半上勝出。

剪輯語音：兩套 API，兩種哲學

兩者都能從短片段進行零樣本克隆。若你正在撰寫整合，其運作機制的差異足以造成影響。

• Ming-3.0-tts-0.5B — 單一進入點，一個任務引數。MingTTS("inclusionAI/Ming-3.0-tts-0.5B")，然後synthesize(task=...)搭配prompt_wav_path、prompt_text與use_spk_emb。任務包括 TTS、VOICE_DESIGN、MULTILINGUAL、DIALECT、EMOTION、FREEFORM 與 IP。此檢查點整合了主幹、DiT 頭、音訊分詞器與 Campplus 說話者編碼器，因此聲音克隆是一等任務，而非獨立管線。

• VoxCPM2 — pip install voxcpm，然後VoxCPM.from_pretrained("openbmb/VoxCPM2", load_denoiser=False)。語音設計是文字本身的括號前綴，"(description)text"，並以 cfg_value=2.0 和 inference_timesteps=10 作為文件記載的起始值。

結果是，Ming 的控制介面是結構化的，而 VoxCPM2 的則是文字式的。Ming 提供具名任務，並記載了彼此互斥的關係——FREEFORM 不能與語音設計、內建語音、情緒、方言或屬性控制結合使用，而多語言任務則需要明確指定 language_id，用於五種非中文語言。這樣要學的比較多，需要猜的比較少。VoxCPM2 的單一字串較容易快速試用，但較難做到可確定重現；OpenBMB 自己的說明卡建議產生一到三個候選，因為語音設計和風格在每次執行之間會有所變化。

如果你正在建立一個讓製作人從清單中挑選聲音的 UI，Ming 內建的 100 多種中文聲音與五種英文聲音，就是你可以渲染出來的選單。VoxCPM2 沒有對應的名單——它的聲音是設計或複製出來的，並非逐一列舉。

語言、方言與副語言層

• 語言數量——Ming-3.0-tts-0.5B 涵蓋中文、英文、德文、西班牙文、法文、韓文與日文，另外還將四川話與粵語作為獨立的方言任務。VoxCPM2 則宣稱支援 30 種語言。Ant 實測了五種非中文語言；OpenBMB 並未公布任何我們能核實的分語言錯誤率表，因此這項 30 種語言的說法僅是覆蓋範圍的宣稱，並未附帶品質方面的保證。

• 方言 — Ming 將四川話與粵語呈現為不帶語言參數的任務。我們所閱讀的材料中，VoxCPM2 的 30 種語言清單並未按方言細分；而因為某語言已涵蓋，就把其地區變體視為也已涵蓋，正是本條目要防止的錯誤。

• 行內控制 — Ming 提供 14 個標籤，涵蓋呼吸、咳嗽、嘆氣、笑聲、猶豫、驚訝和疑問，支援中文或英文，另外還有明確的情緒、語速、音高和音量設定。VoxCPM2 沒有標籤詞彙；它的控制方式是自然語言描述前綴。

• 弱點，按 Ant 自己的說法——多事件副語言句子不穩定，當文字不帶情感訊號時情緒控制會退化，而開放式語音設計也比不上 Ant 評估過的最強系統。最後一點公允地描述了與託管前沿語音之間的差距，而這也適用於 VoxCPM2。

實務上的區分：若你的腳本需要在句子中間有笑聲、嘆息或猶豫的停頓，就選 Ming。若你的腳本需要 Ming 未涵蓋的語言，或需要根據書面描述而非具名預設來設計的聲音，就選 VoxCPM2。

執行它們：8 GB 對上一個 CUDA pin

• Ming-3.0-tts-0.5B — 已在 NVIDIA H800-80GB 與 H20-96G 上以 CUDA 12.4 測試。Flash-attention 為選用功能，並提供 SDPA 後備方案。文字正規化需要 pynini==2.1.6，或傳入 --no_text_normalization 並接受原始數字與縮寫直接送入模型。PyTorch 2.6 是參考環境。輸出為 44.1 kHz。

• VoxCPM2 — 開發時使用 bf16 約需 8 GB 顯示記憶體，在 24 GB 顯示卡上峰值約 22 GB；需要 Python 3.10 或更新版本、PyTorch 2.5.0 或更新版本、CUDA 12.0 或更新版本。文件記載的即時因子在 RTX 4090 上以純 PyTorch 執行時約為 0.30，使用 Nano-VLLM 時約為 0.13——大約比即時快兩到三倍，若搭配服務層則約快八倍。

那兩段文字描述的，是兩個截然不同的工程下午。Ming 的技術堆疊是較新、也較脆弱的那一套：鎖定版本的 FST 函式庫、可選用的核心，以及鎖定特定 CUDA 建置的參考環境。VoxCPM2 自四月問世以來，已吸收了六個月的社群安裝回報。這項成熟度優勢確實存在，但只是暫時的——Ming 的推論程式碼在本文撰寫當天發布，而該儲存庫也在同一天下午的文件提交中新增了 vLLM-Omni 支援說明。

我們所能找到的託管推論供應商都沒有提供這兩個模型，而這與其說是這項比較的缺口，不如說是它的前提：兩者都是得自行下載的檢查點。這確實意味著獨立證據有所失衡。Ming-3.0-tts-0.5B 在兩個語音排行榜上都有一列 Artificial Analysis 資料——{{1}}在 Provider Voice 上為 1,188 Elo（區間 1,173–1,203，排名範圍 17–23，是我們於 2026 年 10 月 19 日擷取清單中的第十九列）{{/1}}，而在 {{2}}Controlled Voice 上為 1,069（1,053–1,085，排名範圍 10–18，同日清單的第十三列）{{/2}}。截至我們最新一次擷取，VoxCPM2 在兩個榜單上都沒有任何一列，而這種缺席自四月以來一直如此，並非近期才被漏掉。因此，本文中唯一的獨立數字屬於 Ming，而且相當可觀；VoxCPM2 則沒有任何數字可與之抗衡，而任何誠實的文章都不可能憑空捏造一個沒有人測量過的直接對決 Elo。

授權、微調，以及沒人問的那個問題

兩者的授權都允許商業使用。Ming 採用 MIT 授權，這幾乎是最寬鬆的授權條款，只要求標明出處。VoxCPM2 則採用 Apache 2.0，額外加入明確的專利授權與商標除外條款。對多數團隊而言，兩者的差別屬於行政作業層面，而非法律層面；而且在採購問卷上，兩者都是乾淨俐落的答案，非商業授權則不然。

真正的不對稱在於微調。VoxCPM2 說明了如何在五到十分鐘的音訊上進行完整的監督式微調與 LoRA，這意味著你可以用小型資料集和單張 GPU，讓模型偏向特定說話者或風格。在我們所閱讀的發行版本中，Ming-3.0-tts-0.5B 並未隨附微調配方、訓練腳本或 LoRA 路徑。如果你的產品需要的是一個屬於你的模型，而不是一個你只能透過提示來引導的模型，那這就不是基準測試的差距，而是能力差距，而且它在參考任何 Elo 分數之前就已決定了選擇。

Ming 對同一需求的解答是語音設計加上克隆：描述你想要的声音，或提供一段音檔。這涵蓋了大多數的製作需求，卻完全涵蓋不了那些涉及大規模以專有音訊進行訓練的需求。

在這裡，路由層在哪些情況下才真正有其價值

OrcaRouter 並未託管 Ming-3.0-tts-0.5B 或 VoxCPM2。這兩者都不是我們能提供端點給你的模型，而本文也不會假裝不是如此。路由器在語音流程中真正觸及的是波形之前的所有環節：起草腳本的模型、展開縮寫、決定笑聲標記要放在哪裡，以及改寫那句在時間槽只有 3.2 秒時卻講了 3.8 秒的話。那些都是文字呼叫，而我們透過單一金鑰路由 超過 200 個文字模型，依供應商定價提供，且加收 0% 的加成——因此當供應商降價時，降價當天就會在我們這邊生效，而不是等到下一次重新定價。自動容錯移轉會讓流程的那一半持續回應，而語音那一半則是你自行操作的下載項目。

那就是誠實的界線。對於你在自己的 GPU 上執行的檢查點，路由器是錯誤的工具；而對於那些決定檢查點被要求說什麼的模型，它才是正確的工具。

選擇，不必躲在排行榜背後

若你的內容是多語系，且字詞準確度是利害關係人爭論的指標，就選擇 Ming-3.0-tts-0.5B；若你需要以中文為優先、具備具名預設集的語音涵蓋範圍，若內嵌情緒標籤是腳本格式的一部分，若你想要一個 2.96 GB 的 MIT 檢查點且能輕鬆裝載於一般硬體，或若 0.5B 參數量正是單位成本可行與否的分界，就選擇它。請先了解：其聲音對參考音的忠實度會略低於 VoxCPM2、推論程式碼才剛發布幾小時，而且沒有微調途徑。

如果聲音身分就是產品核心——配音、角色演出，任何聽眾會察覺克隆聲音漂移的場景——請選擇 VoxCPM2；如果你需要 Ming 未涵蓋的語言之一、如果你打算用自己的音訊進行微調，或者你想要一套自四月以來安裝都不出意外的技術堆疊。

決勝關鍵的成本很低，而上面那些數字都無法取代它。拿一百句你自己的文本、一段參考音檔，把兩者都跑一遍。用 ASR 模型為詞語評分，並用 Ant 所用的同一個餘弦相似度指標為聲音評分。你就能在一個下午得到每種語言的答案，依據的是你的內容、你的口音——這比建立在公開測試集上的廠商表格能給你的更多，也遠比只列出兩個模型中其中一個的排行榜多得多。