Ming-3.0-tts-0.5B vs Simba-3.2 : quand des poids gratuits coûtent plus de 6,58 $

L’argument en faveur des poids ouverts, c’est qu’ils sont gratuits. L’arithmétique survit rarement à la première facture de GPU. Ming-3.0-tts-0.5B est le checkpoint vocal sous licence MIT d’Ant Group, téléchargeable à 2,96 Go et exécutable sur votre propre matériel. Simba-3.2 est la voix hébergée de SpeechifyAI, facturée à 6,58 $ par million de caractères — le modèle le moins cher du top dix de l’arène vocale Artificial Analysis. À la vitesse de génération mesurée par l’arène de 42,1 caractères par seconde, produire un million de caractères avec Ming prend environ 6,6 heures sur un seul GPU. Si ce GPU coûte plus d’environ un dollar de l’heure, le modèle « gratuit » est le plus cher des deux. Les défaillances d’IA et incidents d’agents documentés associés à des versions comme celle-ci sont recueillis dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

C’est tout le duel en une ligne, mais ce n’est pas toute l’histoire, car les deux modèles ne concourent pas pour le même poste. Le reste de cet article porte sur les cas où l’arithmétique tient, où elle échoue, et sur le seul tableau où leurs scores sont statistiquement indiscernables.

Deux produits très différents

Ming-3.0-tts-0.5B est arrivé sans annonce. inclusionAI d'Ant Group a publié les poids sur Hugging Face en septembre 2026 et le code d'inférence sur GitHub le 19 octobre 2026, sous licence MIT. Il s'agit d'un modèle dense reposant sur un socle Qwen2.5-0.5B avec une tête diffusion-transformer, un tokenizer audio et un encodeur de locuteur intégrés, une sortie à 44,1 kHz, sept langues, dont le sichuanais et le cantonais, 14 balises paralinguistiques intégrées au texte, le clonage vocal à partir d'un court extrait et la conception de voix à partir d'une description textuelle. Il n'existe ni point de terminaison hébergé ni tarif, car il n'y a rien à tarifer.

Simba-3.2 est le modèle de synthèse hébergé de SpeechifyAI, publié le 1er juillet 2026, sans poids ouverts ni option locale. Il succède à Simba 3.0, lancé le 19 février 2026 au tarif identique de 6,58 $ — une amélioration de 117 points Elo sans augmentation de prix, ce qui mérite d'être souligné car cela en dit long sur la façon dont ce fournisseur se positionne face à la concurrence. SpeechifyAI ne publie pas de nombre de langues pour Simba-3.2 que nous ayons pu vérifier ; considérez donc la couverture multilingue comme non confirmée plutôt que de supposer qu'elle correspond au modèle supérieur ou inférieur dans cette comparaison.

La différence pratique tient à leur forme : l’un est un artefact que vous exploitez, l’autre est un service que vous appelez. Toutes les comparaisons ci-dessous en découlent.

Les conseils d’administration ne sont pas d’accord, et c’est là toute l’histoire.

Artificial Analysis évalue les modèles vocaux de deux manières, et les deux donnent des résultats différents ici.

• Voix du fournisseur, chaque modèle utilisant ses propres voix natives — Simba-3.2 Elo 1 247 (intervalle à 95 % : 1 234–1 260), au rang 9 sur 98 ; Ming-3.0-tts-0.5B Elo 1 188 (1 173–1 203), au rang 19. Un écart de 59 points, sans chevauchement.

{{1}}• Voix contrôlée, chaque modèle clonant les mêmes huit voix de référence — Simba-3.2 Elo 1 087 (1 074–1 100) au rang 10 ; Ming-3.0-tts-0.5B Elo 1 069 (1 053–1 085) au rang 14. Un écart de 18 points dont les intervalles se chevauchent entre 1 074 et 1 085.{{/1}}

Cette deuxième ligne est la mesure la plus utile jamais publiée sur l’un ou l’autre modèle. À voix constante, la différence entre les deux n’est pas statistiquement établie. D’après ces éléments, la voix clonée de Ming est à peu près aussi bonne que celle de Simba. Ce qui les sépare au classement des fournisseurs, c’est le catalogue de voix que chaque fournisseur propose : les voix natives de SpeechifyAI obtiennent de bons scores, tandis que celles d’Ant — plus de 100 en chinois et cinq en anglais — n’en obtiennent pas, ce qui concorde avec l’aveu de la fiche modèle selon lequel la similarité du locuteur est inférieure à la précision du contenu.

Le score de Ming en voix contrôlée le place aussi en tête des modèles à poids ouverts sur ce classement, devant Fish Audio Drama 3 Preview à 1 059 et Breeze TTS 2 à 1 019. La description exacte n’est donc pas « Simba sonne mieux ». C’est « les voix par défaut de Simba sonnent mieux ; les moteurs sont proches, et la voie de clonage est suffisamment proche pour que les intervalles se touchent ».

Le seuil de rentabilité, calculé en toute honnêteté

L’arène mesure Ming à 42,09 caractères par seconde de temps de génération et Simba-3.2 à 77,80, tous deux sur le même banc d’essai indépendant, une requête à la fois. Cela rend la comparaison particulièrement aisée.

• Un million de caractères sur Simba-3.2 — 6,58 $, facturés par SpeechifyAI, sans infrastructure.

• Un million de caractères sur Ming à 42,09 caractères par seconde — 23 758 secondes de génération, soit environ 6,6 heures.

• Prix de rentabilité du GPU — 6,58 $ divisé par 6,6 heures représente environ 1,00 $ par heure-GPU de génération.

Passons aux mises en garde, car ce chiffre est facile à manipuler. La version de Ming a été testée sur un H800-80GB et un H20-96G et nécessite PyTorch 2.6 avec CUDA 12.4 ; ce ne sont pas des GPU à un dollar de l'heure, et le matériel de banc d'essai de l'arène n'est pas publié. Les 6,6 heures excluent le temps de chargement du modèle, les générations échouées, la mise en file d'attente et les heures d'ingénierie nécessaires pour figer l'environnement et faire fonctionner la normalisation du texte. Ajoutez cela et le tarif effectif augmente. Si vous disposez déjà de capacité inactive, le coût marginal est proche de zéro et le calcul bascule entièrement en faveur de Ming ; si vous louez à l'heure pour cette seule charge de travail, Simba est moins cher à presque tous les tarifs actuels de GPU cloud.

Le cadrage honnête d’une conversation financière, c’est que les $6.58 de Simba constituent un plafond sur lequel vous pouvez établir un budget, tandis que le coût de Ming est un plancher qui augmente avec tout ce qui va mal.

Ce que l’argent n’achète pas

Le prix est là où le modèle hébergé l’emporte. La capacité est là où le modèle ouvert recule, et les différences sont précises.

• Conception vocale — Ming génère une voix à partir d'une description en langage naturel, sans audio de référence. Simba-3.2 n'a pas d'équivalent que nous puissions documenter. Si votre produit a besoin d'une voix qui n'existe pas encore, ce seul point suffit à trancher.

• Dialectes — Ming prend en charge le sichuanais et le cantonais, à condition de disposer d’un extrait de référence dans le dialecte concerné. SpeechifyAI ne publie aucune liste de dialectes pour Simba-3.2.

• Paralinguistique — Ming fournit 14 balises en ligne pour le rire, les soupirs, la toux et l'hésitation, en chinois comme en anglais. Le vocabulaire de balises de Simba n'est pas documenté sous une forme que nous puissions vérifier.

• Portabilité — des poids sous licence MIT signifient aucun changement de tarif, aucun avis de dépréciation, aucune panne de fournisseur. Ils signifient aussi l’absence de support, de SLA et de personne à contacter.

• Risque opérationnel — Simba est hébergé, ce qui est un atout jusqu’à ce que cela devienne un incident ; Ming n’est pas hébergé, ce qui est un atout jusqu’à ce que la personne qui a mis en place l’environnement s’en aille.

La fiche modèle vaut la peine d’être lue ne serait-ce que pour ses limites, tant elles sont d’une franchise inhabituelle : les phrases paralinguistiques multi-événements sont instables, le contrôle des émotions se dégrade lorsque les mots ne portent aucun signal émotionnel, la similarité du français est la plus faible parmi les langues, et la conception vocale ouverte ne rivalise pas avec le système le plus performant auquel elle a été comparée. Ce sont exactement les modes de défaillance qu’une démo ne montre pas et qu’un pipeline de production découvre en troisième semaine.

Où la couche de routage s’intègre, et où elle ne s’intègre pas

OrcaRouter n'héberge pas Ming-3.0-tts-0.5B ni Simba-3.2, et cet article ne prétend pas le contraire — Ming s'exécute sur votre matériel, Simba via l'API de SpeechifyAI. Là où une clé unique aide vraiment, c'est autour de la voix plutôt qu'en son sein : le modèle de texte qui écrit le script, explicite les abréviations ou étiquette l'émotion est la partie d'un pipeline vocal qui change le plus souvent, et nous acheminons plus de 200 d'entre eux au prix catalogue du fournisseur, sans marge ajoutée. Lorsqu'un fournisseur baisse un prix, cette baisse est effective de notre côté le jour même, car nous répercutons le prix catalogue plutôt que de le réajuster. Le basculement automatique maintient ensuite la moitié du pipeline dédiée à la génération de script opérationnelle pendant que vous décidez si la partie vocale doit être un téléchargement ou une facture.

C’est une affirmation plus étroite que « une seule API pour tout », et c’est la seule qui tienne devant un lecteur vérifiant le catalogue.

Le verdict, réparti par charge de travail

Choisissez Simba-3.2 si la voix est un composant d'un produit plutôt que le produit lui-même, si vous voulez une voix native qui sonne aboutie sans avoir à auditionner toute une distribution, si votre volume est assez modeste pour que 6,58 $ par million de caractères se fonde dans l'économie unitaire, ou si vous n'avez personne qui souhaite s'occuper d'un environnement CUDA. Le recoupement des voix contrôlées est là pour vous rassurer : vous ne payez pas une grosse prime de qualité pour la commodité.

Choisissez Ming-3.0-tts-0.5B si vous avez besoin d'une voix qui n'existe dans le catalogue de personne, si votre public est avant tout chinois et que la couverture des dialectes compte, si votre volume est suffisamment élevé et vos GPU suffisamment inactifs pour que la facturation au caractère soit l'option coûteuse, ou si les conditions de licence et la résidence des données ne sont pas négociables. Sachez, en vous lançant, que vous adoptez une version de recherche non annoncée, sans engagement de support et avec une liste documentée de points faibles, et non un produit.

Et si vous avez un véritable doute, l’expérience peu coûteuse consiste à tester les deux sur une centaine de phrases de votre propre texte avec les mêmes huit voix de référence et à écouter à l’aveugle. C’est à peu près le protocole qu’utilise le comité des voix contrôlées, cela prend un après-midi, et d’après les données publiées, le résultat est suffisamment proche pour que ce soit votre contenu — et non le classement — qui tranche.