Ming-3.0-tts-0.5B 對決 Voxtral 4B TTS：其中一組權重是非賣品

先讀授權條款，再看基準測試，因為在這組對比中，它會先讓爭議有定論。 Ming-3.0-tts-0.5B 採用 MIT 授權——可下載、微調、放進商業產品中出貨，標註 Ant Group 後繼續使用。 Voxtral 4B TT​S 採用 CC BY-NC 4.0，這是承繼自其背後參考語音資料集的授權，表示 Mistral AI 的權重完全不授權商業使用。Voxtral 的商業途徑是 API，每千字元 0.016 美元。所以真正的問題不是哪個模型聽起來更好，而是你要購買一個由你自行運作的語音，還是租用一個你只能呼叫的語音；而這兩個檢查點中，只有一個讓你選擇。 像這次發布這類版本背後有紀錄的 AI 失敗案例與代理程式事件，都收集在 OrcaRouter AI 事件檔案庫 中，其中每筆紀錄都附有自己的來源、嚴重程度、可信度等級與爭議標記。

那種說法聽起來好像讓比較變得容易，但其實不然，因為這兩個模型擅長的事情不同，而且託管版還附帶了開源版無法提供的東西：一份已公布的延遲與吞吐量曲線，是在真實服務基礎設施上、以三種併發層級跑出來的。Ming-3.0-tts-0.5B 於 2026 年 9 月 24 日發布到 Hugging Face，其推論程式碼則於 2026 年 10 月 19 日發布到 GitHub，Ant Group 對兩者都未作任何公告——這個模型作為一項產物只有 19 天大，作為你能實際執行的東西則只有數小時大。Voxtral 4B TT​S 由 Mistral 於 2026 年 3 月發表，已有七個月時間可供衡量。以下說明授權條款、部署型態、雙方各自能誠實宣稱的數字，以及兩家廠商都尚未回答的問題。

兩份並非同一主題變奏的許可證

• Ming-3.0-tts-0.5B — MIT。允許商業使用、修改、重新散布與微調，但須註明出處。這是一個 2.96 GB 的檢查點，你可以將它放進容器映像、在自己的加速器上執行，並出貨給客戶，而無須徵求任何人的許可。

• Voxtral 4B TT​S — CC BY-NC 4.0。非商業用途。Mistral 的模型卡明確指出，該模型沿用其參考語音的授權，而這些語音來源包括 EARS、CML-TTS、IndicVoices-R，以及一組自然音訊阿拉伯語資料集。權重可順利下載；限制在於授權，而非檔案本身。

人們常誤解的區別是：API 並不受同樣的限制。透過 Mistral 的服務呼叫 Voxtral，是與供應商進行的商業交易，價格為每千字元 0.016 美元。將它自架在付費產品中則是另一回事，而這正是授權條款所禁止的行為。如果你的部署必須在地端——資料駐留、氣隙推論、客戶不批准第三方端點——那麼 Voxtral 4B TT​S 無論價格如何都不是選項，而 Ming-3.0-tts-0.5B 則可無條件使用。

那是一條硬性界線，值得與較寬鬆的那條區分開來。非商業授權仍允許評估、研究和內部實驗，因此解讀這張表格的合理方式是：{{1}}Voxtral 是一項你可以免費測試的服務{{/1}}，而 {{2}}Ming 是一件你可以完全擁有的產物{{/2}}。

五億個參數能換來什麼，又換不來什麼

• 規模與架構 — Ming-3.0-tts-0.5B 是基於 Qwen2.5-0.5B 主幹、搭載擴散 Transformer 頭部的稠密 0.5B 模型，且該檢查點內含其音訊分詞器與說話者編碼器。Voxtral 4B TTS 約有 40 億個參數，透過 vLLM-Omni 提供服務，建構於 Mistral 的 Ministral-3-3B 基礎模型上。

• 輸出 — Ming 為 44.1 kHz；Voxtral 為 24 kHz，格式為 WAV、PCM、FLAC、MP3、AAC 或 Opus。44.1 kHz 母檔的差異在於：你能直接把檔案交給影片剪輯師，還是得先重新取樣；這在配音與廣播中比在電話客服代理中更重要。

• 模式 — Ming 具備具名任務（TT​S、FREEFORM、VOICE_DESIGN、MULTILINGUAL、BASIC、EMOTION、DIALECT、IP），並有文件記載的互斥關係。Voxtral 支援串流與批次處理，但未發布對等的任務分類體系。

• 語音 — Ming 內建超過 100 種中文語音與 5 種英文語音，還可從簡短音檔進行零樣本複製，並依自然語言描述設計語音。Voxtral 內建 20 種預設語音，且能適配短至三秒的參考音檔。二十是精心策劃的名單；一百是演員陣容。你想要哪一種，取決於你是在打造只使用單一語音的產品，還是讓其他人自行挑選語音的工具。

• 副語言特徵 — Ming 的 14 個行內標籤涵蓋呼吸、咳嗽、嘆息、笑聲、猶豫、驚訝與疑問，另含明確的情緒、語速、音高與音量控制。Mistral 並未為 Voxtral 公布任何標籤詞彙表。缺乏文件記載不等於缺乏能力，但也不構成具備該能力的證據。

0.5B 的參數量正是最容易被誤讀的部分。Ming 並不是 Voxtral 的縮小版；它是一種不同的設計，賭的是緊湊的主幹網路，加上捆綁的說話人編碼器與分詞器，就足以實現可控語音，並把它的容量花在控制上，而不是規模上。在 Ant 自家的多語言評測中，它在五種語言裡有四種的內容準確度上勝過 VoxCPM2，卻在全部五種語言上都輸掉說話人相似度——這正是一個為了詞語而非音色調校的模型，在評分表上看起來的樣子。

Voxtral 擁有而 Ming 沒有的那個數字

Mistral 發布了一份服務基準測試，而對任何正在規劃容量的人來說，這是兩份發布內容中最有用的東西。在單一顆 H200 上執行 vLLM-Omni 0.18.0，以 500 字元的輸入和十秒的音訊參考：

• 並行數 1 — 延遲 70 毫秒，即時因子 0.103，GPU 時間約每秒 119 個字元。

• 並行數 16 — 331 毫秒，RTF 0.237，約每秒 879 個字元。

• 並行數 32 — 552 毫秒，RTF 0.237 沿用，約每秒 1,431 個字元。

這是用三行文字交代的容量規劃：延遲在遠超多數語音產品實際觸及的並發量時仍維持在一秒以內，而吞吐量從單一串流擴展到三十二路串流，大約可放大十二倍。這是 Mistral 自家的測試框架，尚未有人重現，而且它假定的是參考環境——但這是一個你可以據以衡量部署規模的輪廓。

Ming 的等效數字是獨立得出的，而非廠商自行回報，而且它測量的東西略有不同。Artificial Analysis 在其自有測試框架上，以一次一個請求的方式，記錄到 Ming-3.0-tts 的生成速度為每秒 42.1 個字元。這大約是 Voxtral 單流速率的三分之一，但採用不同方法、在不同硬體上測得；誠實的說法是，這兩個數字無法直接比較：一個是 Mistral 在 H200 上以選定併發數測得的吞吐量，另一個是第三方在未公開硬體上進行的單流測量。可以肯定的是，兩者都夠快，足以支援互動式語音，且兩者都不構成即時性限制。

真正有影響的吞吐量差異，是與授權掛鉤的。Voxtral 的曲線是選擇呼叫 API、而非圍繞權重自行打造的理由——服務工程已經完成，而且你是按字元付費，而不是按 GPU 小時付費。Ming 的速率則是你需要自行算出損益兩平點的理由，因為在每秒 42.1 個字元的速度下，一百萬個字元約需生成 6.6 小時，而這是否便宜，完全取決於你的加速器在原本閒置時的成本為何。

九種語言對上七種，而這兩份清單都不是在宣稱品質。

• Ming-3.0-tts-0.5B — 支援中文、英文、德文、西班牙文、法文、韓文與日文，並將四川話與粵語列為獨立方言任務；五種非中文語言需明確提供語言識別碼。

• Voxtral 4B TT​S — 英文、法文、西班牙文、德文、義大利文、葡萄牙文、荷蘭文、印地語和阿拉伯語。該卡片說明在該支援範圍內有「多種方言」，但未逐一列舉。

{{1}}重疊的語言有五種：英語、法語、西班牙語、德語，以及韓語或日語其中之一，取決於你如何計算區域涵蓋範圍。{{/1}}每個模型都涵蓋了對方未涵蓋的語言——Voxtral 這邊是義大利語、葡萄牙語、荷蘭語、印地語和阿拉伯語；Ming's 這邊則是韓語、日語、四川話和粵語。如果你的路線圖包含阿拉伯語或印地語，那麼在第一個基準測試讀完之前，決定就已經結束了。

兩家廠商都沒有公布的是各語言的品質。Mistral 沒有提供其九種語言中任一語言的錯誤率。Ant 在 MiniMax 資料集上測試了五種非中文語言並公布數據，但那是 Ant 用自家評測框架對上自家挑選的競爭對手，而且完全沒有提到韓語或日語對上 Voxtral 的表現，因為 Voxtral 不在表格中。所以這裡的語言比較是涵蓋範圍，不是能力；任何把它當成能力來呈現的文章都只是在猜測。

算是兩者兼具的那塊板子

兩個模型都出現在 Artificial Analysis 的語音排行榜上，但並非在同一擷取日期，周遭的比較陣容也不相同，因此請將此視為方向性參考，而非正面對決的結果。

• Ming-3.0-tts-0.5B — 提供者語音 1,188 Elo（區間 1,173–1,203，排名範圍 17–23，榜單第 19 列）；受控語音 1,069（1,053–1,085，排名範圍 10–18，第 13 列）。這兩筆擷取皆來自 2026 年 10 月 19 日，也就是其推論程式碼上線當天。

• Voxtral 4B TT​S — 受控語音 1,005 Elo，排名範圍 24–30，為同一次 10 月 19 日擷取資料的第二十六列。其供應商語音位置不在我們能驗證的資料中。

Controlled Voice 排行榜才是值得信賴的那個，因為上面的每個模型都複製同一組固定參考語音，聲音陣容就不再是混雜因素。在上方那次擷取中，Ming 的 1,069 與 Voxtral 的 1,005 相差 64 分，而由於排名區間重疊，誠實的結論是：Ming 在較晚進行、對手更多的測量中得分較高。不要把它解讀為已成定局的 64 分勝利。要把它解讀為證據：在語音保真度上，0.5B 的開放檢查點面對 4B 的廠商模型並不遜色，這才是令人意外的地方。

自行託管的 Ming 管線，實際上要讓你付出多少工程成本

採用 Ming 並不是下載和呼叫一個函式那麼簡單。參考環境是固定版本：PyTorch 2.6 搭配 CUDA 12.4，已在 H800-80GB 與 H20-96G 上測試，flash-attention 為選用，並有 SDPA 作為後備。文字正規化需要 pynini 2.1.6——這個函式庫以安裝麻煩聞名——或者你傳入一個旗標來關閉正規化，並接受數字、貨幣與縮寫會以原始形式送進模型。

那些是永遠不會出現在比較表裡、卻總會在衝刺期間浮現的成本。Voxtral 的對應成本則藏在 API 價格裡：環境由別人固定好，併發由別人處理，而代價是你無法更動配音陣容，只能從參考片段進行調適，也不能把模型放到你掌控的機器上用於商業目的。

Ming 的成熟度也必須被誠實地估量。GitHub 儲存庫於 2026 年 10 月 19 日上線，第一個提交包含推論程式碼、一個 Dockerfile、一鍵範例與任務手冊，而文件相關提交則在當天下午陸續送達——其中包括一筆標記了 vLLM-Omni 支援的提交。vLLM-Omni 正是 Mistral 用於其 Voxtral 基準測試的同一套服務堆疊，這是個有用的巧合：Ming 通往生產部署的路徑，正是 Voxtral 已經記錄過的那條路徑，只是再往下一層。

路由適合的位置，以及它不涉及的部分

OrcaRouter 不提供 Ming-3.0-tts-0.5B；那是你要自行執行的檢查點。Voxtral 4B TTS 可透過 Mistral 自家的 API 使用，而本文並不主張我們會將其納入路由。無論在哪種架構中，路由器真正觸及的都是語音周邊的文字——腳本、類似 SSML 的標籤決策、在合成前把一份主腳本轉成九種語言的翻譯步驟，以及把段落縮短以符合時段的摘要器。這些呼叫每分鐘音訊會發生數百次，而管線的成本與故障模式正是集中在那裡。

這就是我們營運的層面：超過 200 個文字模型，透過同一組金鑰即可使用，採供應商牌價、加價 0%，因此供應商一降價，當天就會反映到你身上，不必等到下一次重新定價；跨供應商自動容錯移轉，讓單一供應商某個下午出狀況時，也不會中斷為語音提供腳本的生成；還有路由 DSL，能在翻譯步驟與風格改寫需要不同模型時，把多個模型組合成一次呼叫。鏈末端的語音模型由你選擇，而本文談的就是如何選擇它。

兩張卡都沒告訴你的事

三個問題決定了大多數實際部署，而兩家廠商都答不出其中任何一個。

• 在並發情況下，品質如何維持？Mistral 在 32 個串流下測量延遲與吞吐量，但未公布批次與串流之間的品質差異。Ming 的版本發布完全沒有並發方面的說明——只有單一請求測試工具、參考 GPU，沒有 vLLM 吞吐量曲線，僅有一則支援註記。

• 生成失敗聽起來是什麼樣子？兩張卡片都沒有說明截斷行為、重複迴圈，或當 14 標籤腳本碰上模型無法解析的句子時會發生什麼事。Ant 的卡片對其弱點異常坦率——不穩定的多事件副語言特徵、當文字本身不帶情緒時會退化的情緒控制、法語相似度是其最差語言，以及開放式語音設計未能匹敵其評估時對照的最強系統——但限制章節並不是失敗分類學。

• 一年後由誰維護？Mistral 是一家擁有商業 TTS 服務的公司，顯然有動機讓它保持最新；三月的檢查點已經穩定七個月了。Ming-3.0-tts-0.5B 只有一個讚、六次下載，以及一個在撰寫本文當天建立的儲存庫。螞蟻集團很可能會支持它——Ming 系列包含 ASR、音訊和微型變體，這表明這是一項計畫，而非一次性的產品——但發布內容中沒有任何承諾。

最後那一點，正是要拿來和 MIT 授權權衡的地方。寬鬆授權保障你永久使用這些權重的權利；但它不保證有人會修復推論程式碼裡的錯誤，而這個差別要到第七個月才會顯現出來。

決策，按其實際到來的順序

先從部署限制談起，因為它會直接排除一個選項。如果模型必須在你掌控的基礎設施上運行，且輸出必須可供商業使用，答案就是 Ming-3.0-tts-0.5B；剩下的問題都是工程問題：鎖定環境、安裝好 pynini，或接受未正規化的文字，預算約每百萬字元 6.6 GPU 小時，並接受其語音對參考音訊片段的忠實度會比最佳開源替代方案稍低一些。如果模型必須說阿拉伯語、印地語、義大利語、葡萄牙語或荷蘭語，答案就是透過 API 使用 Voxtral 4B TTS；剩下的問題都是商業問題：每千字元 $0.016、二十種語音、可能需要重新取樣的 24 kHz 輸出，以及一家已公布你將據以估算容量的服務曲線的供應商。

如果這兩項限制都不構成約束，決勝點就在於你的產品是什麼。需要大量聲音、方言涵蓋範圍與內嵌情緒的配音或廣播流程，會想要 Ming 的配音陣容及其 44.1 kHz 輸出，並願意在營運上為此付出代價。需要可預測延遲、串流，以及有人隨時候命的語音代理或 IVR，會想要 Voxtral 的 API，並願意按字元付費，同時承受無法將配音陣容擴展到超過二十種的聲音陣容損失。

無論選哪一個，之前都值得先做一件事：寫下未來十二個月你實際會推出哪些語言，以及其中哪些是你的法務團隊會允許離開你的基礎架構的語言。這兩份清單能比任何 Elo 分數更快地把這件事從模型比較縮小到單一候選，而且有別於排行榜，它們是最新的。