Ming-3.0-tts-0.5B vs Simba-3.2: quando i pesi gratuiti costano più di $6,58

La proposta dei pesi aperti è che sono gratuiti. L'aritmetica raramente sopravvive alla prima fattura della GPU. Ming-3.0-tts-0.5B è il checkpoint vocale di Ant Group con licenza MIT, scaricabile a 2,96 GB ed eseguibile sul proprio hardware. Simba-3.2 è la voce ospitata di SpeechifyAI, listata a 6,58 $ per milione di caratteri — il modello più economico nella top ten dell'arena vocale di Artificial Analysis. Alla velocità di generazione misurata dall'arena di 42,1 caratteri al secondo, produrre un milione di caratteri con Ming richiede circa 6,6 ore su una GPU. Se quella GPU costa più di circa un dollaro all'ora, il modello "gratuito" è il più costoso dei due. I fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di confidenza e l'indicatore di contestazione.

Questa è l'intera sfida in una riga, ma non è tutta la storia, perché i due modelli non competono per lo stesso compito. Il resto di questo articolo riguarda dove l'aritmetica regge, dove si rompe e l'unica classifica su cui i loro punteggi sono statisticamente indistinguibili.

Due prodotti molto diversi

Ming-3.0-tts-0.5B è arrivato senza alcun annuncio. inclusionAI di Ant Group ha pubblicato i pesi su Hugging Face a settembre 2026 e il codice di inferenza su GitHub il 19 ottobre 2026, con licenza MIT. È un modello denso su una backbone Qwen2.5-0.5B con una testa diffusion-transformer, tokenizer audio e encoder del parlante inclusi, output a 44,1 kHz, sette lingue, sichuanese e cantonese, 14 tag paralinguistici inline, clonazione vocale da una breve clip e progettazione vocale da una descrizione testuale. Non esiste alcun endpoint ospitato né un prezzo, perché non c'è nulla da tariffare.

Simba-3.2 è il modello di sintesi ospitato di SpeechifyAI, rilasciato il 1° luglio 2026, senza pesi aperti e senza opzione locale. È il successore di Simba 3.0, distribuito il 19 febbraio 2026 allo stesso prezzo di $6.58: un miglioramento di 117 punti Elo senza aumento di prezzo, cosa che vale la pena notare perché ti dice come compete questo fornitore. SpeechifyAI non pubblica un numero di lingue per Simba-3.2 che possiamo verificare, quindi considera la copertura multilingue come non confermata anziché presumere che corrisponda al modello che lo precede o lo segue in questo confronto.

La differenza pratica nella forma: uno è un artefatto che si gestisce, l’altro è un servizio che si invoca. Ogni confronto che segue discende da ciò.

I consigli sono in disaccordo, e il disaccordo è la storia.

Artificial Analysis valuta i modelli vocali in due modi, e i due qui danno risultati diversi.

• Voce del provider, con ciascun modello che utilizza le proprie voci native — Simba-3.2 Elo 1.247 (intervallo 95% 1.234–1.260) al rango 9 su 98; Ming-3.0-tts-0.5B Elo 1.188 (1.173–1.203) al rango 19. Un divario di 59 punti senza sovrapposizioni.

Voce controllata, ogni modello clona le stesse otto voci di riferimento — Simba-3.2 Elo 1.087 (1.074–1.100) al rango 10; Ming-3.0-tts-0.5B Elo 1.069 (1.053–1.085) al rango 14. Un divario di 18 punti i cui intervalli si sovrappongono tra 1.074 e 1.085.

Quella seconda riga è la misurazione più utile che chiunque abbia pubblicato su entrambi i modelli. Tenendo costante la voce, la differenza tra i due non è statisticamente risolta. Su queste evidenze, la voce clonata di Ming è all'incirca buona quanto quella di Simba. Ciò che li separa nella classifica dei provider è il cast vocale che ciascun fornitore offre: le voci native di SpeechifyAI ottengono buoni punteggi, mentre quelle di Ant — oltre 100 in cinese e cinque in inglese — no, il che è coerente con quanto ammesso dalla stessa scheda del modello, ovvero che la somiglianza tra speaker è inferiore all'accuratezza dei contenuti.

Il punteggio di Ming sulle voci controllate lo rende anche il primo tra i modelli open-weights in quella classifica, davanti a Fish Audio Drama 3 Preview a 1.059 e Breeze TTS 2 a 1.019. Quindi la descrizione accurata non è «Simba suona meglio». È «le voci predefinite di Simba suonano meglio; i motori sono vicini, e il percorso di clonazione è abbastanza vicino che gli intervalli si toccano».

Il break-even, fatto onestamente

L'arena misura Ming a 42,09 caratteri al secondo di tempo di generazione e Simba-3.2 a 77,80, entrambi sullo stesso harness indipendente, una richiesta alla volta. Questo rende il confronto insolitamente agevole.

• Un milione di caratteri su Simba-3.2 — 6,58 $, fatturati da SpeechifyAI, senza infrastruttura.

• Un milione di caratteri su Ming a 42,09 caratteri al secondo — 23.758 secondi di generazione, ovvero circa 6,6 ore.

Prezzo GPU di pareggio — $6,58 diviso 6,6 ore equivale a circa $1,00 per ora-GPU di generazione.

Ora le avvertenze, perché questo numero è facile da abusare. Il rilascio di Ming è stato testato su una H800-80GB e una H20-96G e richiede PyTorch 2.6 con CUDA 12.4; non sono GPU da un dollaro all'ora, e l'hardware del banco di prova dell'arena non è pubblicato. Le 6,6 ore escludono il tempo di caricamento del modello, le generazioni fallite, l'accodamento e le ore di ingegneria per fissare l'ambiente e far funzionare la normalizzazione del testo. Aggiungi queste voci e la tariffa effettiva sale. Se possiedi già capacità inattiva, il costo marginale è vicino a zero e l'aritmetica si ribalta completamente a favore di Ming; se noleggi a ore solo per questo carico di lavoro, Simba è più economico a quasi qualsiasi tariffa attuale delle GPU cloud.

In una conversazione finanziaria, la lettura onesta è questa: i 6,58 $ di Simba sono un tetto massimo su cui puoi impostare il budget, mentre il costo di Ming è un limite minimo che cresce con ogni cosa che va storta.

Ciò che il denaro non può comprare

Sul prezzo vince il modello ospitato. Sulla capacità è quello aperto a fare un passo indietro, e le differenze sono specifiche.

• Progettazione della voce — Ming genera una voce a partire da una descrizione in linguaggio naturale, senza audio di riferimento. Simba-3.2 non ha un equivalente che possiamo documentare. Se il tuo prodotto ha bisogno di una voce che non esiste ancora, questo fattore da solo è decisivo.

• Dialetti — Ming gestisce il sichuanese e il cantonese se riceve una clip di riferimento nel dialetto. SpeechifyAI non pubblica alcun elenco dei dialetti per Simba-3.2.

• Paralinguistica — Ming include 14 tag inline per risate, sospiri, tosse ed esitazione in cinese o in inglese. Il vocabolario di tag di Simba non è documentato in una forma che possiamo verificare.

Portabilità: pesi MIT significano nessun cambio di tariffa, nessun avviso di deprecazione, nessuna interruzione del fornitore. Significano anche nessun supporto, nessun SLA e nessuno da chiamare.

• Rischio operativo — Simba è ospitato, il che è un vantaggio finché non diventa un incidente; Ming non è ospitato, il che è un vantaggio finché non se ne va la persona che ha configurato l’ambiente.

La model card vale la pena di essere letta solo per le limitazioni, perché sono insolitamente schiette: le frasi paralinguistiche multi-evento sono instabili, il controllo delle emozioni si degrada quando le parole non portano alcun segnale emotivo, la similarità in francese è la più debole tra le lingue e il design vocale aperto non è all'altezza del sistema più forte con cui è stato valutato. Questi sono esattamente i modi di fallire che una demo non mostra e che una pipeline di produzione scopre alla terza settimana.

Dove si colloca il livello di routing e dove no

OrcaRouter non ospita Ming-3.0-tts-0.5B né Simba-3.2, e questo articolo non sostiene il contrario — Ming viene eseguito sul tuo hardware, Simba tramite l'API di SpeechifyAI. Il punto in cui una singola chiave aiuta davvero è attorno alla voce, non al suo interno: il modello testuale che scrive il copione, espande le abbreviazioni o assegna l'emozione è la parte di una pipeline vocale che cambia più spesso, e noi instradiamo più di 200 di questi al prezzo di listino del provider senza alcun ricarico aggiunto. Quando un provider riduce un prezzo, quella riduzione è attiva dalla nostra parte lo stesso giorno, perché passiamo il prezzo di listino così com'è invece di ricalcolarlo. Il failover automatico mantiene quindi attiva la metà della pipeline dedicata alla generazione del copione mentre decidi se la metà vocale debba essere un download o una fattura.

Questa è un'affermazione più ristretta di «un'unica API per tutto», ed è l'unica che sopravvive a un lettore che controlla il catalogo.

Il verdetto, suddiviso per carico di lavoro

Scegli Simba-3.2 se la voce è un componente di un prodotto anziché il prodotto stesso, se desideri una voce nativa che suoni rifinita senza dover fare audizioni per un cast, se il tuo volume è abbastanza modesto che $6.58 per milione di caratteri si dissolve nell'economia unitaria, oppure se non hai nessuno che voglia gestire un ambiente CUDA. La sovrapposizione con la voce controllata è la tua rassicurazione che non stai pagando un grosso premio di qualità per la comodità.

Scegli Ming-3.0-tts-0.5B se ti serve una voce che non esiste nel catalogo di nessun altro, se il tuo pubblico è principalmente cinese e la copertura dei dialetti è importante, se il tuo volume è sufficientemente alto e le tue GPU sono sufficientemente inattive da rendere la tariffazione per carattere l'opzione costosa, oppure se i termini di licenza e la residenza dei dati non sono negoziabili. Procedi sapendo che stai adottando una release di ricerca non annunciata, senza impegno di supporto e con un elenco documentato di punti deboli, non un prodotto.

E se sei davvero nel dubbio, l'esperimento a basso costo è far girare entrambi su un centinaio di frasi del tuo testo con le stesse otto voci di riferimento e ascoltare alla cieca. È più o meno il protocollo usato dalla commissione per le voci controllate, costa un pomeriggio, e stando alle prove pubblicate il risultato è così vicino che sarà il tuo contenuto — non la classifica — a deciderlo.