Ming-3.0-tts-0.5B vs Simba-3.2: Cuando los pesos gratuitos cuestan más de $6.58

La propuesta de los pesos abiertos es que son gratuitos. La aritmética rara vez sobrevive a la primera factura de GPU. Ming-3.0-tts-0.5B es el checkpoint de voz de Ant Group con licencia MIT, descargable a 2,96 GB y ejecutable en tu propio hardware. Simba-3.2 es la voz alojada de SpeechifyAI, con un precio de 6,58 USD por millón de caracteres —el modelo más barato entre los diez primeros de la arena de voz de Artificial Analysis. A la velocidad de generación medida por la arena de 42,1 caracteres por segundo, producir un millón de caracteres con Ming lleva aproximadamente 6,6 horas en una GPU. Si esa GPU cuesta más de alrededor de un dólar por hora, el modelo "gratuito" es el más caro de los dos. Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

Ese es el enfrentamiento completo en una sola línea, pero no es toda la historia, porque los dos modelos no compiten por el mismo trabajo. El resto de este artículo trata sobre dónde se sostiene la aritmética, dónde falla y el único tablero en el que sus puntuaciones son estadísticamente indistinguibles.

Dos productos muy diferentes

Ming-3.0-tts-0.5B llegó sin anuncio. inclusionAI de Ant Group publicó los pesos en Hugging Face en septiembre de 2026 y el código de inferencia en GitHub el 19 de octubre de 2026, bajo la licencia MIT. Es un modelo denso sobre una base Qwen2.5-0.5B con una cabeza de transformador de difusión, un tokenizador de audio y un codificador de hablante incluidos, salida a 44,1 kHz, siete idiomas, sichuanés y cantonés, 14 etiquetas paralingüísticas en línea, clonación de voz a partir de un clip corto y diseño de voz a partir de una descripción textual. No hay endpoint alojado ni precio, porque no hay nada a lo que ponerle precio.

Simba-3.2 es el modelo de síntesis alojado de SpeechifyAI, lanzado el 1 de julio de 2026, sin pesos abiertos y sin opción local. Es el sucesor de Simba 3.0, que se lanzó el 19 de febrero de 2026 con la misma tarifa de 6,58 USD: una mejora de 117 puntos Elo sin aumento de precio, lo cual vale la pena señalar porque revela cómo compite este proveedor. SpeechifyAI no publica un recuento de idiomas para Simba-3.2 que podamos verificar, así que considera la cobertura multilingüe como no confirmada en lugar de suponer que coincide con el modelo de arriba o de abajo en esta comparación.

La diferencia práctica en la forma: uno es un artefacto que operas, el otro es un servicio al que llamas. Todas las comparaciones a continuación son consecuencia de eso.

Las juntas discrepan, y esa discrepancia es la historia.

Artificial Analysis evalúa los modelos de voz de dos maneras, y ambas producen respuestas diferentes aquí.

• Voz del proveedor, cada modelo utiliza sus propias voces nativas — Simba-3.2 Elo 1,247 (intervalo del 95 %: 1,234–1,260) en el puesto 9 de 98; Ming-3.0-tts-0.5B Elo 1,188 (1,173–1,203) en el puesto 19. Una diferencia de 59 puntos sin solapamiento.

• Voz controlada: todos los modelos clonando las mismas ocho voces de referencia — Simba-3.2 Elo 1.087 (1.074–1.100) en el puesto 10; Ming-3.0-tts-0.5B Elo 1.069 (1.053–1.085) en el puesto 14. Una brecha de 18 puntos cuyos intervalos se superponen entre 1.074 y 1.085.

Esa segunda línea es la medición más útil que alguien haya publicado sobre cualquiera de los dos modelos. Si se mantiene constante la voz, la diferencia entre ambos no queda resuelta estadísticamente. Según esta evidencia, la voz clonada de Ming es aproximadamente tan buena como la de Simba. Lo que los separa en el ranking de proveedores es el elenco de voces que incluye cada proveedor: las voces nativas de SpeechifyAI obtienen buenas puntuaciones, y las de Ant —más de 100 en chino y cinco en inglés— no, lo cual concuerda con lo que la propia ficha del modelo admite: que la similitud del hablante queda por detrás de la precisión del contenido.

La puntuación de voz controlada de Ming también lo sitúa primero entre los modelos de pesos abiertos de esa clasificación, por delante de Fish Audio Drama 3 Preview, con 1.059, y de Breeze T​TS 2, con 1.019. Así que la descripción precisa no es «Simba suena mejor». Es «las voces predeterminadas de Simba suenan mejor; los motores son similares, y la ruta de clonación es lo bastante similar como para que los intervalos se toquen».

El punto de equilibrio, hecho con honestidad

La arena mide a Ming en 42,09 caracteres por segundo de tiempo de generación y a Simba-3.2 en 77,80, ambos en el mismo banco de pruebas independiente, una solicitud a la vez. Eso hace que la comparación sea inusualmente tratable.

• Un millón de caracteres en Simba-3.2 — $6.58, facturado por SpeechifyAI, sin infraestructura.

• Un millón de caracteres en Ming a 42,09 caracteres por segundo — 23.758 segundos de generación, o aproximadamente 6,6 horas.

• Precio de equilibrio de la GPU: $6.58 dividido por 6.6 horas es aproximadamente $1.00 por hora-GPU de generación.

Ahora las salvedades, porque este número es fácil de manipular. La versión de Ming se ha probado en una H800-80GB y una H20-96G y necesita PyTorch 2.6 con CUDA 12.4; no son GPU que se alquilen por unos dólares la hora, y el hardware del banco de pruebas de la arena no se ha publicado. Las 6,6 horas excluyen el tiempo de carga del modelo, las generaciones fallidas, las colas y las horas de ingeniería para fijar el entorno y conseguir que funcione la normalización de texto. Súmalos y el coste efectivo aumenta. Si ya tienes capacidad inactiva, el coste marginal es casi cero y la aritmética se inclina por completo a favor de Ming; si alquilas por horas solo para esta carga de trabajo, Simba es más barato con casi cualquier tarifa actual de GPU en la nube.

El planteamiento honesto para una conversación financiera es que los 6,58 $ de Simba son un techo con el que puedes presupuestar, y el coste de Ming es un suelo que crece con todo lo que sale mal.

Lo que el dinero no compra

El precio es donde gana el modelo alojado. La capacidad es donde el abierto se queda atrás, y las diferencias son concretas.

• Diseño de voz — Ming genera una voz a partir de una descripción en lenguaje natural sin audio de referencia. Simba-3.2 no tiene un equivalente que podamos documentar. Si tu producto necesita una voz que aún no existe, solo esto lo decide.

• Dialectos — Ming maneja el sichuanés y el cantonés si se le proporciona un clip de referencia en el dialecto. SpeechifyAI no publica ninguna lista de dialectos para Simba-3.2.

• Paralingüística — Ming incluye 14 etiquetas en línea para risas, suspiros, toses y titubeos, en chino o en inglés. El vocabulario de etiquetas de Simba no está documentado de una forma que podamos verificar.

• Portabilidad — los pesos MIT implican que no hay cambios de tarifas, ni avisos de obsolescencia, ni caídas del proveedor. También implican que no hay soporte, ni SLA y nadie a quien llamar.

• Riesgo operativo — Simba está alojado, lo que es una ventaja hasta que se convierte en un incidente; Ming no está alojado, lo que es una ventaja hasta que se marche la persona que configuró el entorno.

Vale la pena leer la ficha del modelo solo por las limitaciones, porque son inusualmente sinceras: las frases paralingüísticas con múltiples eventos son inestables, el control de emociones se degrada cuando las palabras no conllevan ninguna señal emocional, la similitud en francés es la más débil entre los idiomas, y el diseño de voz abierto no iguala al sistema más potente contra el que se evaluó. Esos son exactamente los modos de fallo que una demo no muestra y que una pipeline de producción encuentra en la tercera semana.

Dónde encaja la capa de enrutamiento y dónde no

OrcaRouter no aloja Ming-3.0-tts-0.5B ni Simba-3.2, y este artículo no afirma lo contrario — Ming se ejecuta en tu hardware, Simba a través de la API de SpeechifyAI. El punto donde una sola clave realmente ayuda es alrededor de la voz, no dentro de ella: el modelo de texto que escribe el guion, expande las abreviaturas o etiqueta la emoción es la parte de una canalización de voz que cambia con más frecuencia, y enrutamos más de 200 de ellos al precio de lista del proveedor sin margen añadido. Cuando un proveedor recorta un precio, esa rebaja está vigente en nuestro lado el mismo día, porque trasladamos el precio de lista sin cambios en lugar de fijar un precio distinto. La conmutación por error automática mantiene así la mitad de generación de guiones de la canalización en funcionamiento mientras decides si la mitad de voz debería ser una descarga o una factura.

Esa es una afirmación más limitada que «una API para todo», y es la única que sobrevive a que un lector revise el catálogo.

El veredicto, desglosado por carga de trabajo

Elige Simba-3.2 si la voz es un componente de un producto en lugar del producto en sí, si quieres una voz nativa que suene terminada sin tener que hacer audiciones a un elenco, si tu volumen es lo bastante modesto como para que los $6.58 por millón de caracteres se diluyan en la economía unitaria, o si no tienes a nadie que quiera encargarse de un entorno CUDA. La coincidencia con las voces controladas es tu tranquilidad de que no estás pagando una gran prima de calidad por la comodidad.

Elija Ming-3.0-tts-0.5B si necesita una voz que no existe en el catálogo de nadie, si su público tiene el chino como idioma principal y la cobertura de dialectos es importante, si su volumen es lo bastante alto y sus GPU están lo bastante inactivas como para que la tarifa por carácter sea la opción cara, o si los términos de licencia y la residencia de datos no son negociables. Tenga en cuenta que está adoptando una versión de investigación no anunciada, sin compromiso de soporte y con una lista documentada de puntos débiles, no un producto.

Y si tienes dudas de verdad, el experimento barato consiste en probar ambos con cien frases de tu propio texto usando las mismas ocho voces de referencia y escuchar a ciegas. Ese es, aproximadamente, el protocolo que utiliza el panel de voces controladas; cuesta una tarde y, según la evidencia publicada, el resultado es lo bastante parecido como para que sea tu contenido —y no la tabla de clasificación— lo que lo decida.