Ming-3.0-tts-0.5B vs. Simba-3.2: Wenn freie Gewichte mehr als 6,58 $ kosten

Das Versprechen offener Gewichte lautet, dass sie kostenlos sind. Die Rechnung übersteht selten die erste GPU-Rechnung. Ming-3.0-tts-0.5B ist Ant Groups MIT-lizenzierter Speech-Checkpoint, mit 2,96 GB herunterladbar und auf eigener Hardware ausführbar. Simba-3.2 ist die gehostete Stimme von SpeechifyAI, gelistet mit 6,58 US-Dollar pro Million Zeichen — das günstigste Modell in den Top Ten der Speech-Arena von Artificial Analysis. Bei der in der Arena gemessenen Generierungsgeschwindigkeit von 42,1 Zeichen pro Sekunde dauert es mit Ming auf einer GPU etwa 6,6 Stunden, eine Million Zeichen zu erzeugen. Wenn diese GPU mehr als etwa einen Dollar pro Stunde kostet, ist das „kostenlose“ Modell das teurere der beiden. Die dokumentierten KI-Fehler und Agent-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, einen Schweregrad, eine Konfidenzstufe und eine Markierung als umstritten enthält.

Das ist das gesamte Duell in einer Zeile, aber das ist nicht die ganze Geschichte, denn die beiden Modelle konkurrieren nicht um dieselbe Aufgabe. Der Rest dieses Beitrags handelt davon, wo die Rechnung aufgeht, wo sie nicht aufgeht und bei welchem einen Board ihre Ergebnisse statistisch nicht unterscheidbar sind.

Zwei sehr unterschiedliche Produkte

Ming-3.0-tts-0.5B erschien ohne Ankündigung. Die inclusionAI von Ant Group veröffentlichte die Gewichte im September 2026 auf Hugging Face und den Inferenzcode am 19. Oktober 2026 auf GitHub unter der MIT-Lizenz. Es ist ein dichtes Modell auf einem Qwen2.5-0.5B-Backbone mit einem Diffusion-Transformer-Kopf, einem mitgelieferten Audio-Tokenizer und Sprecher-Encoder, 44,1-kHz-Ausgabe, sieben Sprachen, darunter Sichuanesisch und Kantonesisch, 14 inline paralinguistischen Tags, Stimmklonen aus einem kurzen Clip und Stimmdesign aus einer Textbeschreibung. Es gibt keinen gehosteten Endpoint und keinen Preis, weil es nichts zu bepreisen gibt.

Simba-3.2 ist SpeechifyAIs gehostetes Synthesemodell, veröffentlicht am 1. Juli 2026, ohne offene Gewichte und ohne lokale Option. Es ist der Nachfolger von Simba 3.0, das am 19. Februar 2026 zum identischen Preis von 6,58 US-Dollar erschien – eine Verbesserung um 117 Elo ohne Preiserhöhung, was erwähnenswert ist, weil es zeigt, wie dieser Anbieter konkurriert. SpeechifyAI veröffentlicht für Simba-3.2 keine Sprachanzahl, die wir verifizieren könnten, daher sollte die mehrsprachige Abdeckung als unbestätigt gelten, statt anzunehmen, dass sie mit dem Modell darüber oder darunter in diesem Vergleich übereinstimmt.

Der praktische Unterschied in der Form: Das eine ist ein Artefakt, das Sie betreiben, das andere ein Dienst, den Sie aufrufen. Jeder der folgenden Vergleiche ist eine Folge davon.

Die Gremien sind sich uneinig, und die Uneinigkeit ist die eigentliche Geschichte.

Artificial Analysis bewertet Sprachmodelle auf zwei Arten, und die beiden liefern hier unterschiedliche Ergebnisse.

• Provider Voice, wobei jedes Modell seine eigenen nativen Stimmen verwendet — Simba-3.2 Elo 1.247 (95%-Intervall 1.234–1.260) auf Rang 9 von 98; Ming-3.0-tts-0.5B Elo 1.188 (1.173–1.203) auf Rang 19. Eine Differenz von 59 Punkten ohne Überschneidung.

• Kontrollierte Stimme, wobei jedes Modell dieselben acht Referenzstimmen klont — Simba-3.2 Elo 1.087 (1.074–1.100) auf Rang 10; Ming-3.0-tts-0.5B Elo 1.069 (1.053–1.085) auf Rang 14. Eine 18-Punkte-Lücke, deren Intervalle sich zwischen 1.074 und 1.085 überschneiden.

Diese zweite Zeile ist der nützlichste Messwert, den jemand zu einem der beiden Modelle veröffentlicht hat. Hält man die Stimme konstant, ist der Unterschied zwischen ihnen statistisch nicht gesichert. Mings geklonte Stimme ist nach diesen Belegen ungefähr so gut wie die von Simba. Was sie auf dem Anbieter-Board trennt, ist die Stimmenbesetzung, die jeder Anbieter mitliefert: SpeechifyAIs native Stimmen schneiden gut ab, die von Ant – über 100 chinesische und fünf englische – nicht, was mit dem eigenen Eingeständnis der Model Card übereinstimmt, dass die Sprecherähnlichkeit hinter der inhaltlichen Genauigkeit zurückbleibt.

Der Controlled-Voice-Score von Ming macht es außerdem zum ersten Open-Weights-Modell auf diesem Board, vor Fish Audio Drama 3 Preview mit 1.059 und Breeze TTS 2 mit 1.019. Die treffende Beschreibung lautet also nicht „Simba klingt besser“, sondern „Simbas Standardstimmen klingen besser; die Engines liegen nah beieinander, und der Klonpfad ist so nah, dass sich die Intervalle berühren.“

Der Break-even, ehrlich gerechnet

Die Arena misst Ming mit 42,09 Zeichen pro Sekunde Generierungszeit und Simba-3.2 mit 77,80, beide auf derselben unabhängigen Testumgebung, jeweils eine Anfrage nach der anderen. Das macht den Vergleich ungewöhnlich gut nachvollziehbar.

• Eine Million Zeichen auf Simba-3.2 — 6,58 $, abgerechnet von SpeechifyAI, keine Infrastruktur.

• Eine Million Zeichen auf Ming bei 42,09 Zeichen pro Sekunde — 23.758 Sekunden Generierung oder etwa 6,6 Stunden.

• Break-even-GPU-Preis — $6,58 geteilt durch 6,6 Stunden ergibt rund $1,00 pro GPU-Stunde Generierung.

Nun die Einschränkungen, denn diese Zahl lässt sich leicht missbrauchen. Mings Release wurde auf einer H800-80GB und einer H20-96G getestet und benötigt PyTorch 2.6 mit CUDA 12.4; das sind keine GPUs für einen Dollar pro Stunde, und die Harness-Hardware der Arena ist nicht veröffentlicht. Die 6,6 Stunden schließen Modellladezeit, fehlgeschlagene Generierungen, Wartezeiten in Warteschlangen und die Ingenieursstunden nicht ein, die nötig sind, um die Umgebung festzuschreiben und die Textnormalisierung zum Laufen zu bringen. Rechnet man diese hinzu, steigt die effektive Rate. Wenn Sie bereits ungenutzte Kapazität besitzen, liegen die Grenzkosten nahe null und die Rechnung kippt vollständig zugunsten von Ming; wenn Sie für diese Workload allein stundenweise mieten, ist Simba bei nahezu jedem aktuellen Cloud-GPU-Tarif günstiger.

Die ehrliche Formulierung für ein Finanzgespräch ist, dass Simbas 6,58 $ eine Obergrenze sind, mit der man planen kann, und Mings Kosten eine Untergrenze sind, die mit allem wächst, was schiefgeht.

Was das Geld nicht kauft

Der Preis ist der Punkt, an dem das gehostete Modell gewinnt. Die Leistungsfähigkeit ist der Punkt, an dem das offene zurückfällt, und die Unterschiede sind konkret.

• Voice-Design — Ming erzeugt eine Stimme aus einer natürlichsprachlichen Beschreibung ohne Referenzaudio. Simba-3.2 hat kein Äquivalent, das wir dokumentieren könnten. Wenn Ihr Produkt eine Stimme benötigt, die es noch nicht gibt, gibt allein dies den Ausschlag.

• Dialekte — Ming verarbeitet Sichuanesisch und Kantonesisch, sofern ein Referenzclip im jeweiligen Dialekt vorliegt. SpeechifyAI veröffentlicht keine Dialektliste für Simba-3.2.

• Paralinguistik — Ming liefert 14 Inline-Tags für Lachen, Seufzen, Husten und Zögern auf Chinesisch oder Englisch. Simbas Tag-Vokabular ist nicht in einer Form dokumentiert, die wir überprüfen könnten.

• Portabilität – MIT-Gewichte bedeuten keine Tarifänderung, keine Abkündigungsmitteilung, keinen Anbieterausfall. Sie bedeuten aber auch keinen Support, kein SLA und niemanden, den man anrufen kann.

• Operatives Risiko — Simba wird gehostet, was ein Vorteil ist, bis daraus ein Vorfall wird; Ming wird nicht gehostet, was ein Vorteil ist, bis die Person, die die Umgebung eingerichtet hat, geht.

Allein wegen der Einschränkungen lohnt es sich, die Modellkarte zu lesen, denn sie sind ungewöhnlich offen: Paralinguistische Sätze mit mehreren Ereignissen sind instabil, die Emotionssteuerung verschlechtert sich, wenn die Wörter kein emotionales Signal tragen, Französisch ist die Sprache mit der schwächsten Ähnlichkeit, und offenes Voice-Design erreicht nicht das stärkste System, gegen das es evaluiert wurde. Genau das sind die Fehlermodi, die eine Demo nicht zeigt und eine Produktionspipeline in der dritten Woche findet.

Wo die Routing-Schicht passt – und wo nicht

OrcaRouter hostet weder Ming-3.0-tts-0.5B noch Simba-3.2, und dieser Beitrag behauptet auch nichts anderes — Ming läuft auf Ihrer Hardware, Simba über die API von SpeechifyAI. Wo ein einzelner Schlüssel wirklich hilft, ist rund um die Stimme und nicht in ihr: Das Textmodell, das das Skript schreibt, die Abkürzungen ausschreibt oder die Emotion kennzeichnet, ist der Teil einer Sprachpipeline, der sich am häufigsten ändert, und wir leiten mehr als 200 davon zum Listenpreis des Anbieters ohne Aufschlag weiter. Wenn ein Anbieter einen Preis senkt, ist diese Senkung am selben Tag auf unserer Seite live, weil wir den Listenpreis durchreichen, statt ihn neu zu bepreisen. Automatisches Failover hält dann die Skriptgenerierungs-Hälfte der Pipeline am Laufen, während Sie entscheiden, ob die Stimm-Hälfte ein Download oder eine Rechnung sein sollte.

Das ist eine engere Aussage als „eine API für alles“, und sie ist die einzige, die einer Überprüfung des Katalogs durch einen Leser standhält.

Das Urteil, aufgeschlüsselt nach Arbeitsbelastung

Wählen Sie Simba-3.2, wenn die Stimme eine Komponente eines Produkts und nicht das Produkt selbst ist, wenn Sie eine muttersprachliche Stimme wünschen, die fertig klingt, ohne eine ganze Sprecherauswahl vorzusprechen, wenn Ihr Volumen so bescheiden ist, dass $6.58 pro Million Zeichen in der Stückkostenrechnung untergeht, oder wenn Sie niemanden haben, der eine CUDA-Umgebung verantworten möchte. Die Überschneidung bei kontrollierten Stimmen ist Ihnen die Sicherheit, dass Sie für den Komfort keinen großen Qualitätsaufschlag zahlen.

Wählen Sie Ming-3.0-tts-0.5B, wenn Sie eine Stimme benötigen, die in keinem Katalog existiert, wenn Ihre Zielgruppe chinesischsprachig an erster Stelle steht und Dialektabdeckung wichtig ist, wenn Ihr Volumen hoch genug und Ihre GPUs ausreichend im Leerlauf sind, dass die Abrechnung pro Zeichen die teure Option ist, oder wenn Lizenzbedingungen und Datenresidenz nicht verhandelbar sind. Gehen Sie mit dem Wissen hinein, dass Sie eine nicht angekündigte Forschungsversion ohne Support-Zusage und mit einer dokumentierten Liste von Schwachstellen übernehmen, kein Produkt.

Und wenn Sie wirklich unsicher sind, besteht der günstige Test darin, beide auf hundert Sätzen Ihres eigenen Textes mit denselben acht Referenzstimmen laufen zu lassen und blind zuzuhören. Das ist ungefähr das Protokoll, das das Gremium für kontrollierte Stimmen verwendet, es kostet einen Nachmittag, und nach der veröffentlichten Evidenz ist das Ergebnis nah genug, dass Ihr Inhalt – nicht die Rangliste – es entscheiden wird.