Ming-3.0-tts-0.5B مقابل Simba-3.2: عندما تكلف الأوزان المجانية أكثر من 6.58 دولارًا
- OrcaجديدOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 9 tok/s
- deepseekجديدDeepSeek: DeepSeek V4.1 Flash 10172026-10-17$0.15 / $0.60 لكل مليون رمز · 222 tok/s
- DeepSeekجديدDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- OrcaجديدOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 95 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856الذكاء
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 788 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238الذكاء
- OpenAIOpenAI: GPT-6 Sol2026-09-2248الذكاء
- AnthropicAnthropic: Claude Opus 5.52026-09-2258الذكاء
- xAIGrok 4.72026-09-2146الذكاء
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 لكل مليون رمز · 39 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 لكل مليون رمز · 832 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453الذكاء77البرمجة
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241الذكاء76البرمجة
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245الذكاء76البرمجة
- AnthropicAnthropic: Claude Fable 5.12026-09-0153الذكاء82البرمجة
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 لكل مليون رمز · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 لكل مليون رمز · 119 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642الذكاء72البرمجة
الحجة الترويجية للأوزان المفتوحة هي أنها مجانية. ونادرًا ما تصمد الحسابات أمام أول فاتورة GPU. Ming-3.0-tts-0.5B هو نقطة تحقق صوتية مرخّصة بموجب MIT من Ant Group، يمكن تنزيله بحجم 2.96 GB وتشغيله على عتادك الخاص. Simba-3.2 هو صوت مستضاف من SpeechifyAI، مُسعّر عند 6.58 دولارًا لكل مليون حرف — أرخص نموذج ضمن المراكز العشرة الأولى في ساحة الكلام الخاصة بـ Artificial Analysis. وبسرعة التوليد المقاسة في الساحة البالغة 42.1 حرفًا في الثانية، يستغرق إنتاج مليون حرف باستخدام Ming نحو 6.6 ساعات على GPU واحدة. إذا كانت تكلفة تلك GPU تزيد على نحو دولار واحد في الساعة، فإن النموذج «المجاني» هو الأكثر تكلفة بين الاثنين. تُجمَع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة التي تقف وراء إصدارات مثل هذا الإصدار في the OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته وتقييم ثقته وعلامة كونه متنازعًا عليه.
تلك هي المواجهة كاملةً في سطر واحد، لكنها ليست القصة كلها، لأن النموذجين لا يتنافسان على الوظيفة نفسها. ويتناول بقية هذا المقال أين تصمد الحسابات، وأين تختل، واللوحة الوحيدة التي تصبح فيها درجاتهما غير قابلة للتمييز إحصائياً.
منتجان مختلفان تمامًا
وصل Ming-3.0-tts-0.5B دون إعلان. نشرت inclusionAI التابعة لـ Ant Group أوزان النموذج على Hugging Face في سبتمبر 2026، وشيفرة الاستدلال على GitHub في 19 أكتوبر 2026، بموجب رخصة MIT. وهو نموذج كثيف على هيكل Qwen2.5-0.5B الأساسي مع رأس محوّل انتشار، ومُرمّز صوتي ومُرمّز متحدث مضمّنين، وخرج بمعدل 44.1 كيلوهرتز، وسبع لغات، والسيتشوانية والكانتونية، و14 وسمًا شبه لغوي مضمّنًا، واستنساخ الصوت من مقطع قصير، وتصميم الصوت من وصف نصي. لا توجد نقطة نهاية مستضافة ولا سعر، لأنه لا يوجد ما يمكن تسعيره.
Simba-3.2 هو نموذج تركيب صوتي مستضاف من SpeechifyAI، صدر في 1 يوليو 2026، ولا تتوفر له أوزان مفتوحة ولا خيار محلي. وهو خلف Simba 3.0، الذي صدر في 19 فبراير 2026 بالسعر نفسه البالغ 6.58 دولارات — أي تحسّن بمقدار 117 نقطة إيلو دون أي زيادة في السعر، وهو أمر جدير بالملاحظة لأنه يكشف كيف تنافس هذه الشركة. لا تنشر SpeechifyAI عددًا للغات في Simba-3.2 أمكننا التحقق منه، لذا اعتبر التغطية متعددة اللغات غير مؤكدة بدلًا من افتراض أنها تطابق النموذج الأعلى أو الأدنى منها في هذه المقارنة.
الفرق العملي في الشكل: أحدهما أداة تقوم بتشغيلها، والآخر خدمة تستدعيها. وكل مقارنة أدناه نابعة من ذلك.
تختلف المجالس فيما بينها، والاختلاف هو القصة
تقيّم Artificial Analysis نماذج الكلام بطريقتين، وتُنتج الطريقتان إجابتين مختلفتين هنا.
• Provider Voice، مع استخدام كل نموذج لأصواته الأصلية الخاصة — Simba-3.2 Elo 1,247 (فاصل 95%: 1,234–1,260) في المرتبة 9 من 98؛ Ming-3.0-tts-0.5B Elo 1,188 (1,173–1,203) في المرتبة 19. فجوة مقدارها 59 نقطة دون تداخل.
• Controlled Voice، حيث يحاكي كل نموذج نفس الأصوات المرجعية الثمانية — Simba-3.2 Elo 1,087 (1,074–1,100) في المرتبة 10؛ Ming-3.0-tts-0.5B Elo 1,069 (1,053–1,085) في المرتبة 14. فجوة قدرها 18 نقطة تتداخل فواصلها الزمنية بين 1,074 و1,085.
السطر الثاني هو أنفع قياس نشره أيٌّ كان عن أيٍّ من النموذجين. وإذا أبقينا الصوت ثابتًا، فإن الفرق بينهما غير محسوم إحصائيًا. ووفقًا لهذه الأدلة، فإن صوت Ming المستنسخ جيد تقريبًا بقدر صوت Simba. وما يفصل بينهما في لوحة المزوّدين هو مجموعة الأصوات التي يوفّرها كل بائع: فأصوات SpeechifyAI الأصلية تحصل على درجات جيدة، وأما أصوات Ant — أكثر من 100 صوت صيني وخمسة إنجليزية — فلا تحصل على ذلك، وهو ما يتسق مع إقرار بطاقة النموذج نفسها بأن تشابه المتحدث يقل عن دقة المحتوى.
كما تجعل نتيجة Ming في الصوت الخاضع للتحكم الأولى بين نماذج الأوزان المفتوحة على لوحة الصدارة تلك، متقدمة على Fish Audio Drama 3 Preview عند 1,059 وBreeze TTS 2 عند 1,019. لذا فالوصف الدقيق ليس «Simba يبدو أفضل»، بل «أصوات Simba الافتراضية تبدو أفضل؛ فالمحرّكان متقاربان، ومسار الاستنساخ قريب بما يكفي لدرجة أن الفترات تتلامس».
نقطة التعادل، بصدق
تقيس الساحة Ming عند 42.09 حرفًا في الثانية من زمن التوليد، وSimba-3.2 عند 77.80، وكلاهما على أداة الاختبار المستقلة نفسها، طلب واحد في كل مرة. وهذا يجعل المقارنة سهلة بشكل غير معتاد.
• مليون حرف على Simba-3.2 — مقابل 6.58 دولار، تُفوتر من SpeechifyAI، دون أي بنية تحتية.
• مليون حرف على Ming بمعدل 42.09 حرفًا في الثانية — 23,758 ثانية من التوليد، أو نحو 6.6 ساعات.
• سعر التعادل لوحدة GPU — 6.58 دولار مقسومة على 6.6 ساعات تساوي تقريبًا 1.00 دولار لكل ساعة GPU من التوليد.
الآن التحذيرات، لأن هذا الرقم سهل إساءة استخدامه. تم اختبار إصدار Ming على H800-80GB وH20-96G ويحتاج إلى PyTorch 2.6 مع CUDA 12.4؛ وهذه ليست وحدات GPU بسعر دولار في الساعة، كما أن عتاد الاختبار الخاص بالساحة غير منشور. لا تشمل مدة الـ6.6 ساعات وقت تحميل النموذج، ولا التوليدات الفاشلة، ولا الانتظار في الطوابير، ولا ساعات العمل الهندسي لتثبيت البيئة وتشغيل تطبيع النص. أضف هذه العناصر فيرتفع المعدل الفعلي. إذا كنت تملك بالفعل قدرة خاملة، فالتكلفة الحدية قريبة من الصفر وتنقلب الحسابات لصالح Ming تمامًا؛ أما إذا كنت تستأجر بالساعة لهذا الحمل وحده، فإن Simba أرخص عند أي سعر حالي تقريبًا لوحدات GPU السحابية.
الإطار الصادق لأي محادثة مالية هو أن مبلغ 6.58 دولارات لدى Simba سقفٌ يمكنك بناء ميزانيتك في حدوده، بينما تكلفة Ming حدٌّ أدنى ينمو مع كل ما يخطئ.
ما الذي لا يشتريه المال
السعر هو حيث يتفوق النموذج المستضاف. أما القدرة فهي حيث يتراجع النموذج المفتوح، والاختلافات محددة.
• تصميم الصوت — يُنشئ Ming صوتًا من وصف باللغة الطبيعية دون صوت مرجعي. لا يملك Simba-3.2 ميزة مكافئة نستطيع توثيقها. إذا كان منتجك يحتاج إلى صوت غير موجود بعد، فهذا وحده يحسم الأمر.
• اللهجات — يتعامل Ming مع اللهجة السيتشوانية والكانتونية عند توفير مقطع مرجعي باللهجة. لا تنشر SpeechifyAI أي قائمة لهجات لـ Simba-3.2.
• العناصر شبه اللغوية — توفّر Ming 14 وسمًا مضمّنًا للضحك والتنهدات والسعال والتردد بالصينية أو الإنجليزية. مفردات وسوم Simba غير موثّقة بصيغة يمكننا التحقق منها.
• قابلية النقل — تعني أوزان MIT عدم تغيّر الرسوم، وعدم وجود إشعار بإيقاف الخدمة، وعدم انقطاع المورّد. كما تعني أيضًا عدم وجود دعم، ولا اتفاقية مستوى خدمة (SLA)، ولا أحد يمكن الاتصال به.
• المخاطر التشغيلية — Simba مستضاف، وهذه ميزة إلى أن تتحول إلى حادث؛ Ming غير مستضاف، وهذه ميزة إلى أن يغادر الشخص الذي أعدّ البيئة.
تستحق بطاقة النموذج القراءة من أجل القيود وحدها، لأنها صريحة على نحو غير معتاد: فالجمل شبه اللغوية متعددة الأحداث غير مستقرة، ويتدهور التحكم في المشاعر عندما لا تحمل الكلمات أي إشارة عاطفية، والتشابه في اللغة الفرنسية هو الأضعف بين اللغات، ولا يرقى تصميم الصوت المفتوح إلى مستوى أقوى نظام جرى تقييمه مقارنةً به. هذه بالضبط أنماط الفشل التي لا يعرضها العرض التجريبي وتكتشفها خطوط الإنتاج في الأسبوع الثالث.
أين تندرج طبقة التوجيه، وأين لا تندرج
لا تستضيف OrcaRouter نموذج Ming-3.0-tts-0.5B ولا Simba-3.2، وهذا المقال لا يدّعي غير ذلك — فـ Ming يعمل على عتادك، وSimba عبر واجهة برمجة تطبيقات SpeechifyAI. الموضع الذي يساعد فيه مفتاح واحد حقًا هو ما يحيط بالصوت لا الصوت نفسه: نموذج النص الذي يكتب السيناريو، أو يوسّع الاختصارات، أو يوسم العاطفة هو الجزء من خط أنابيب الكلام الذي يتغير أكثر من غيره، ونحن نوجّه أكثر من 200 منها بسعر قائمة المزوّد دون إضافة أي هامش. وعندما يخفض مزوّد السعر، يصبح هذا التخفيض ساريًا لدينا في اليوم نفسه، لأننا نمرّر سعر القائمة كما هو بدلًا من إعادة تسعيره. ثم تُبقي التبديل التلقائي عند الفشل نصف خط الأنابيب الخاص بتوليد السيناريو قائمًا بينما تقرر ما إذا كان نصف الصوت يجب أن يكون تنزيلًا أو فاتورة.
هذا ادعاء أضيق من «واجهة برمجة تطبيقات واحدة لكل شيء»، وهو الادعاء الوحيد الذي يصمد أمام قارئ يفحص الكتالوج.
الحكم، مقسّمًا حسب عبء العمل
اختر Simba-3.2 إذا كان الصوت مكوّنًا داخل منتج ما بدلًا من أن يكون المنتج نفسه، أو إذا أردت صوتًا أصليًا يبدو مكتملًا دون تجربة مجموعة من الأصوات، أو إذا كان حجم استخدامك متواضعًا بما يكفي ليتبخّر 6.58 دولار لكل مليون حرف داخل اقتصاديات الوحدة، أو إذا لم يكن لديك أحد يرغب في تولّي مسؤولية بيئة CUDA. أما التداخل في الأصوات المضبوطة فهو طمأنتك إلى أنك لا تدفع علاوة جودة كبيرة مقابل هذه الراحة.
اختر Ming-3.0-tts-0.5B إذا كنت بحاجة إلى صوت غير موجود في كتالوج أي جهة، أو إذا كان جمهورك يفضّل الصينية أولًا وكانت تغطية اللهجات مهمة، أو إذا كان حجم استخدامك مرتفعًا بما يكفي وكانت وحدات معالجة الرسومات لديك خاملة بما يكفي بحيث يصبح التسعير لكل حرف الخيار المكلف، أو إذا كانت شروط الترخيص وإقامة البيانات غير قابلة للتفاوض. ادخل إلى ذلك وأنت تعلم أنك تتبنى إصدارًا بحثيًا غير معلن دون أي التزام بالدعم ومع قائمة موثقة بنقاط الضعف، وليس منتجًا.
وإن كنت غير متأكد حقًا، فإن التجربة منخفضة التكلفة هي تشغيل كليهما على مئة جملة من نصك الخاص مع الأصوات المرجعية الثمانية نفسها والاستماع دون معرفة الهوية. هذا تقريبًا هو البروتوكول الذي تعتمده لوحة الأصوات المضبوطة، ولا يستغرق أكثر من ظهيرة، وبناءً على الأدلة المنشورة تكون النتيجة قريبة بما يكفي بحيث يحسمها محتواك — لا لوحة الصدارة.
