Ming-3.0-tts-0.5B vs Simba-3.2：無料の重みが6.58ドルより高くつくとき

オープンウェイトの売り文句は「無料」だという点にあります。しかしその算術は、最初のGPU請求書を前にしてほとんど通用しません。Ming-3.0-tts-0.5BはAnt GroupのMITライセンスの音声チェックポイントで、2.96 GBでダウンロードでき、自前のハードウェアで実行できます。Simba-3.2はSpeechifyAIのホスト型音声で、100万文字あたり6.58ドルとされており、Artificial Analysis音声アリーナのトップ10の中で最も安価なモデルです。アリーナで計測された生成速度42.1文字/秒では、Mingで100万文字を生成するのに1台のGPUでおよそ6.6時間かかります。そのGPUのコストが1時間あたり約1ドルを超えるなら、「無料」のモデルの方が2つのうち高くつくのです。 このようなリリースの背景にある、記録されたAIの障害やエージェントのインシデントは、the OrcaRouter AI Incident Archiveにまとめられており、各エントリーには独自の情報源、重大度、信頼度グレード、係争フラグが付されています。

それは一行で対決の全体像を表しているが、話はそれだけではない。なぜなら、この2つのモデルは同じ仕事を争っているわけではないからだ。本稿の残りでは、その算術がどこで成り立ち、どこで崩れるのか、そして両者のスコアが統計的に区別できない唯一のボードについて述べる。

まったく異なる2つの製品

Ming-3.0-tts-0.5Bは予告なしに登場した。Ant GroupのinclusionAIが2026年9月に重みをHugging Faceへ、2026年10月19日に推論コードをGitHubへ、MITライセンスの下で公開した。Qwen2.5-0.5Bをバックボーンとするデンスモデルで、拡散トランスフォーマーヘッド、同梱の音声トークナイザーと話者エンコーダー、44.1 kHz出力、7言語、四川語と広東語、14個のインライン・パラ言語タグ、短いクリップからの音声クローン、テキスト記述からの音声設計を備える。ホスト型エンドポイントも価格もない。価格を付けるものが何もないからだ。

Simba-3.2はSpeechifyAIのホスト型合成モデルで、2026年7月1日にリリースされ、オープンウェイトもローカル実行オプションもありません。これは、2026年2月19日に同一の$6.58の料金で提供開始されたSimba 3.0の後継です。価格を上げずに117 Elo改善しており、これはこのベンダーがどのように競争しているかを示すため、注目に値します。SpeechifyAIは、当社が検証できるSimba-3.2の言語数を公表していないため、多言語対応は未確認として扱い、この比較で上下にあるどちらのモデルと一致すると仮定しないでください。

形態における実用的な違いは、一方が自分で操作するアーティファクトであり、もう一方が呼び出すサービスであるという点にあります。以下の比較はすべて、そこから派生したものです。

取締役会の意見は割れており、その不一致こそが本題だ

Artificial Analysisは音声モデルを2つの方法で評価しており、ここではその2つが異なる結果を生み出します。

• Provider Voice、各モデルがそれぞれ固有のネイティブ音声を使用 — Simba-3.2はElo 1,247（95%区間 1,234–1,260）で98件中9位、Ming-3.0-tts-0.5BはElo 1,188（1,173–1,203）で19位。重なりのない59ポイント差。

• Controlled Voice、すべてのモデルが同じ8つの参照音声をクローンしている — Simba-3.2 Elo 1,087（1,074–1,100）で10位、Ming-3.0-tts-0.5B Elo 1,069（1,053–1,085）で14位。18ポイントの差があり、その区間は1,074と1,085の間で重なっている。

その2行目は、どちらのモデルについてもこれまで公表された中で最も有用な測定値だ。声を固定すれば、両者の差は統計的に決着していない。この証拠を見る限り、Mingのクローン音声はSimbaの音声とほぼ同程度に良い。プロバイダー別ボードで両者を分けているのは、各ベンダーが提供する音声の顔ぶれだ。SpeechifyAIのネイティブ音声は高スコアだが、Antの音声（中国語100以上、英語5つ）はそうではない。これは、話者類似度が内容精度に劣るとモデルカード自体が認めていることと整合する。

Mingの制御音声スコアにより、同ボードでオープンウェイトモデルの中で首位となり、1,059の{{1}}Fish Audio Drama 3 Preview{{/1}}と1,019の{{2}}Breeze T​TS 2{{/2}}を上回っています。したがって正確な説明は「Simbaの方が音が良い」ではなく、「Simbaのデフォルト音声の方が音が良く、エンジンは近接しており、クローニング経路も区間が接するほど近い」です。

正直に算出した損益分岐点

アリーナは、Mingを生成時間1秒あたり42.09文字、Simba-3.2を77.80文字と計測しており、どちらも同じ独立したハーネス上で、1回に1リクエストずつ測定されています。そのため、この比較は異例なほど扱いやすくなっています。

• Simba-3.2で100万文字 — 6.58ドル、SpeechifyAIによる請求、インフラ不要。

• Ming で毎秒 42.09 文字、100 万文字 — 生成に 23,758 秒、つまり約 6.6 時間。

• 損益分岐点のGPU価格 — $6.58を6.6時間で割ると、生成のGPU時間あたり約$1.00になります。

では注意点です。この数字は悪用されやすいからです。MingのリリースはH800-80GBとH20-96Gでテストされており、PyTorch 2.6とCUDA 12.4が必要です。これらは1時間1ドルで済むようなGPUではなく、アリーナのハーネスに使われたハードウェアは公開されていません。6.6時間には、モデルの読み込み時間、生成失敗、キュー待ち、環境を固定してテキスト正規化を動作させるまでのエンジニアリング工数は含まれていません。これらを加えると実効コストは上がります。すでに遊休キャパシティを所有しているなら限界費用はほぼゼロで、計算は完全にMingに有利になります。このワークロード専用に時間単位で借りるなら、現在のクラウドGPU料金のほぼどの水準でもSimbaの方が安いです。

財務に関する会話で正直に言うなら、Simbaの6.58ドルは予算を立てる際に基準にできる上限であり、Mingのコストは何か問題が起きるたびに膨らんでいく下限だということです。

お金では買えないもの

価格ではホスト型モデルが優位に立つ。能力ではオープンなモデルが後れを取るが、その違いは具体的だ。

• 音声デザイン — Ming は、参照音声なしで自然言語の説明から音声を生成します。Simba-3.2 には、文書化できる同等の機能はありません。まだ存在しない声が製品に必要な場合、この一点だけで判断が決まります。

• 方言 — Mingは、その方言の参照クリップがあれば四川語と広東語を扱います。SpeechifyAIはSimba-3.2の方言リストを公開していません。

• パラ言語学 — Ming は、笑い、ため息、咳、言いよどみに対応する14個のインライインタグを中国語または英語で提供しています。Simba のタグ語彙は、当社が検証できる形では文書化されていません。

• ポータビリティ — MIT ライセンスのウェイトは、料金改定も非推奨のお知らせもベンダーの障害もないことを意味します。同時に、サポートも SLA も、問い合わせる相手もいないということも意味します。

• 運用リスク — Simbaはホスティングされており、それはインシデントになるまでは利点です。Mingはホスティングされておらず、それは環境を構築した人が去るまでは利点です。

モデルカードは、その限界の記述だけでも読む価値がある。というのも、異例なほど率直で、複数の事象を含むパラ言語的な文は不安定であり、言葉自体に感情的な信号が伴わないと感情制御は劣化し、フランス語の類似性は最も弱く、オープンエンドな音声設計は評価対象となった最強のシステムには及ばない、と述べているからだ。これらはまさに、デモでは見えず、本番パイプラインでは3週目に発見される失敗モードである。

ルーティング層が当てはまる場所と、当てはまらない場所

OrcaRouterはMing-3.0-tts-0.5BやSimba-3.2をホストしておらず、本記事もそう主張していません — Mingはお客様のハードウェア上で、SimbaはSpeechifyAIのAPIを通じて動作します。単一のキーが本当に役立つのは、音声そのものの中ではなく、その周辺です。台本を書き、略語を展開し、感情をタグ付けするテキストモデルは音声パイプラインの中で最も頻繁に変わる部分であり、当社はそうしたモデルの200以上を、プロバイダーの定価で、上乗せなしにルーティングしています。プロバイダーが価格を引き下げると、当社側ではその引き下げが当日に反映されます。当社は定価を再設定するのではなく、そのまま通しているからです。その後、自動フェイルオーバーにより、音声側をダウンロードにするか請求にするかを判断している間も、パイプラインの台本生成側は稼働し続けます。

それは「あらゆるものに対応する単一のAPI」よりも限定された主張であり、読者がカタログを確認しても耐えうる唯一の主張だ。

ワークロード別に見た評決

声が製品そのものではなく製品の構成要素である場合、声優陣のオーディションをせずに完成度の高いネイティブ音声が欲しい場合、利用量が控えめで100万文字あたり6.58ドルがユニットエコノミクスに埋没してしまう場合、またはCUDA環境を自分で管理したい人が誰もいない場合は、Simba-3.2を選んでください。制御された音声の重なりは、利便性のために品質面で大きな割増を払っていないという安心材料になります。

Ming-3.0-tts-0.5B は、他社のカタログに存在しない声が必要な場合、オーディエンスが中国語中心で方言対応が重要の場合、利用量が十分に多く GPU の空闲時間が十分にあるため文字単位の課金が高くつく選択肢となる場合、またはライセンス条件とデータの所在が譲れない場合に選んでください。ただし、これは製品ではなく、告知もサポート保証もなく、弱点の一覧が文書化された研究リリースを採用するのだと理解したうえで進めてください。

本当に確信が持てないなら、安上がりな実験は、同じ8つの参照音声を使って自分のテキスト100文で両方を実行し、ブラインドで聴くことです。それはほぼ、controlled-voice board が用いるプロトコルであり、午後1回分のコストで済み、公表されている証拠を見る限り結果は十分に接近しているため、それを決めるのはリーダーボードではなく、あなたのコンテンツです。