Ming-3.0-tts-0.5B kontra Simba-3.2: Kiedy darmowe wagi kosztują więcej niż 6,58 USD

Argument za otwartymi wagami jest taki, że są darmowe. Ta kalkulacja rzadko przetrwa pierwszy rachunek za GPU. Ming-3.0-tts-0.5B to checkpoint mowy Ant Group na licencji MIT, do pobrania w rozmiarze 2,96 GB i uruchomienia na własnym sprzęcie. Simba-3.2 to hostowany głos SpeechifyAI, wyceniany na 6,58 USD za milion znaków — najtańszy model w pierwszej dziesiątce areny mowy Artificial Analysis. Przy zmierzonej przez arenę prędkości generowania wynoszącej 42,1 znaku na sekundę wygenerowanie miliona znaków za pomocą Ming zajmuje około 6,6 godziny na jednym GPU. Jeśli ten GPU kosztuje więcej niż około dolara za godzinę, „darmowy” model jest droższy z tych dwóch. Udokumentowane awarie AI i incydenty z agentami, stojące za takimi wydaniami jak to, są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i oznaczenie sporu.

To całe starcie w jednej linijce, ale to nie cała historia, ponieważ te dwa modele nie konkurują o to samo zadanie. Reszta tego tekstu dotyczy tego, gdzie arytmetyka się zgadza, gdzie się załamuje oraz tej jednej planszy, na której ich wyniki są statystycznie nieodróżnialne.

Dwa bardzo różne produkty

Ming-3.0-tts-0.5B pojawił się bez zapowiedzi. Należące do Ant Group inclusionAI opublikowało wagi na Hugging Face we wrześniu 2026 r., a kod wnioskowania na GitHubie 19 października 2026 r. na licencji MIT. To gęsty model oparty na szkielecie Qwen2.5-0.5B z głowicą transformera dyfuzyjnego, dołączonym tokenizatorem audio i enkoderem mówcy, wyjściem 44,1 kHz, siedmioma językami, syczuańskim i kantońskim, 14 śródwierszowymi znacznikami paralingwistycznymi, klonowaniem głosu z krótkiego klipu oraz projektowaniem głosu na podstawie opisu tekstowego. Nie ma hostowanego endpointu ani ceny, bo nie ma czego wyceniać.

Simba-3.2 to hostowany model syntezy firmy SpeechifyAI, wydany 1 lipca 2026 r., bez otwartych wag i bez opcji lokalnej. Jest następcą Simba 3.0, który trafił na rynek 19 lutego 2026 r. w identycznej stawce 6,58 USD — poprawa o 117 punktów Elo bez wzrostu ceny, co warto odnotować, ponieważ pokazuje, w jaki sposób ten dostawca konkuruje. SpeechifyAI nie publikuje liczby języków dla Simba-3.2, którą moglibyśmy zweryfikować, więc pokrycie wielojęzyczne należy traktować jako niepotwierdzone, zamiast zakładać, że odpowiada ono modelowi powyżej lub poniżej w tym porównaniu.

Praktyczna różnica w formie: jedno jest artefaktem, którym się posługujesz, a drugie usługą, którą wywołujesz. Każde poniższe porównanie jest tego konsekwencją.

Zarządy się nie zgadzają, a ta niezgodność jest sednem sprawy.

Artificial Analysis ocenia modele mowy na dwa sposoby, a te dwa dają tutaj różne odpowiedzi.

• Głos dostawcy, przy czym każdy model używa własnych natywnych głosów — Simba-3.2 Elo 1 247 (przedział 95%: 1 234–1 260) na 9. miejscu spośród 98; Ming-3.0-tts-0.5B Elo 1 188 (1 173–1 203) na 19. miejscu. Różnica 59 punktów bez nakładania się przedziałów.

• Kontrolowany głos, każdy model klonujący te same osiem głosów referencyjnych — Simba-3.2 Elo 1,087 (1,074–1,100) na miejscu 10; Ming-3.0-tts-0.5B Elo 1,069 (1,053–1,085) na miejscu 14. Różnica 18 punktów, której przedziały pokrywają się między 1,074 a 1,085.

Ten drugi wiersz to najużyteczniejszy pomiar, jaki ktokolwiek opublikował na temat któregokolwiek z tych modeli. Przy niezmiennym głosie różnica między nimi nie jest statystycznie rozstrzygnięta. Sklonowany głos Ming jest — na podstawie tych dowodów — w przybliżeniu tak samo dobry jak głos Simby. To, co je rozdziela na tablicy dostawców, to obsada głosów dostarczana przez każdego z dostawców: natywne głosy SpeechifyAI wypadają dobrze, a głosy Ant — ponad 100 chińskich i pięć angielskich — nie, co jest spójne z przyznaniem samej karty modelu, że podobieństwo mówcy ustępuje dokładności treści.

Wynik Minga w kategorii kontrolowanego głosu sprawia też, że jest on pierwszy wśród modeli z otwartymi wagami na tej liście rankingowej, przed Fish Audio Drama 3 Preview z wynikiem 1059 i Breeze TTS 2 z wynikiem 1019. Trafny opis nie brzmi więc: „Simba brzmi lepiej”. Brzmi: „Domyślne głosy Simby brzmią lepiej; silniki są blisko siebie, a ścieżka klonowania jest wystarczająco bliska, że przedziały się stykają”.

Próg rentowności — uczciwie

Arena mierzy Ming na 42,09 znaku na sekundę czasu generowania, a Simba-3.2 na 77,80 — oba w tym samym niezależnym środowisku testowym, po jednym żądaniu naraz. To sprawia, że porównanie jest wyjątkowo łatwe do przeprowadzenia.

• Milion znaków na Simba-3.2 — 6,58 USD, rozliczane przez SpeechifyAI, bez infrastruktury.

• Milion znaków na Ming z szybkością 42,09 znaku na sekundę — 23 758 sekund generowania, czyli około 6,6 godziny.

• Cena GPU na progu rentowności — 6,58 USD podzielone przez 6,6 godziny daje około 1,00 USD za godzinę generowania na GPU.

A teraz zastrzeżenia, bo tę liczbę łatwo nadużyć. Wydanie Minga zostało przetestowane na H800-80GB i H20-96G i wymaga PyTorch 2.6 z CUDA 12.4; to nie są GPU za dolara za godzinę, a sprzęt testowy areny nie został opublikowany. Te 6,6 godziny nie obejmuje czasu ładowania modelu, nieudanych generacji, oczekiwania w kolejce ani godzin inżynierskich na przypięcie środowiska i uruchomienie normalizacji tekstu. Dodaj to, a efektywna stawka wzrośnie. Jeśli już dysponujesz wolnymi mocami obliczeniowymi, koszt krańcowy jest bliski zeru, a rachunek całkowicie przechyla się na korzyść Minga; jeśli wynajmujesz na godziny wyłącznie pod to obciążenie, Simba wypada taniej przy niemal każdej obecnej stawce za GPU w chmurze.

Uczciwe ujęcie w rozmowie o finansach jest takie, że $6.58 w przypadku Simby to pułap, na który można budżetować, a koszt Minga to dolna granica, która rośnie wraz ze wszystkim, co pójdzie nie tak.

Czego nie można kupić za pieniądze

Cena to obszar, w którym wygrywa model hostowany. Możliwości to obszar, w którym otwarty model ustępuje, a różnice są konkretne.

• Projektowanie głosu — Ming generuje głos na podstawie opisu w języku naturalnym, bez żadnego audio referencyjnego. Simba-3.2 nie ma odpowiednika, który moglibyśmy udokumentować. Jeśli Twój produkt potrzebuje głosu, który jeszcze nie istnieje, ten jeden czynnik rozstrzyga sprawę.

• Dialekty — Ming obsługuje syczuański i kantoński po dostarczeniu klipu referencyjnego w danym dialekcie. SpeechifyAI nie publikuje listy dialektów dla Simba-3.2.

• Paralingwistyka — Ming dostarcza 14 wbudowanych znaczników dla śmiechu, westchnień, kaszlu i wahania po chińsku lub angielsku. Słownictwo znaczników Simby nie jest udokumentowane w formie, którą moglibyśmy zweryfikować.

• Przenośność — wagi na licencji MIT oznaczają brak zmian stawek, brak powiadomień o wycofaniu i brak awarii dostawcy. Oznaczają również brak wsparcia, brak SLA i brak osoby, do której można zadzwonić.

• Ryzyko operacyjne — Simba jest hostowany, co jest zaletą, dopóki nie stanie się incydentem; Ming nie jest hostowany, co jest zaletą, dopóki osoba, która skonfigurowała środowisko, nie odejdzie.

Kartę modelu warto przeczytać choćby ze względu na same ograniczenia, ponieważ są one wyjątkowo szczere: zdania paralingwistyczne z wieloma zdarzeniami są niestabilne, kontrola emocji pogarsza się, gdy słowa nie niosą sygnału emocjonalnego, podobieństwo francuskiego jest najsłabsze spośród języków, a otwarte projektowanie głosu nie dorównuje najsilniejszemu systemowi, z którym je porównywano. To dokładnie te tryby awarii, których demo nie pokazuje, a potok produkcyjny znajduje w trzecim tygodniu.

Gdzie warstwa routingu pasuje, a gdzie nie

OrcaRouter nie hostuje Ming-3.0-tts-0.5B ani Simba-3.2 i niniejszy tekst nie twierdzi inaczej — Ming działa na Twoim sprzęcie, a Simba przez API SpeechifyAI. Miejsce, w którym jeden klucz naprawdę pomaga, to otoczenie głosu, a nie sam głos: model tekstowy, który pisze scenariusz, rozwija skróty lub oznacza emocje, jest tą częścią pipeline'u mowy, która zmienia się najczęściej, a my kierujemy ponad 200 z nich w cenie katalogowej dostawcy, bez doliczania marży. Gdy dostawca obniża cenę, obniżka obowiązuje u nas tego samego dnia, ponieważ przekazujemy cenę katalogową bez zmian, zamiast ustalać ją na nowo. Automatyczne przełączanie awaryjne utrzymuje wtedy działanie połowy pipeline'u odpowiedzialnej za generowanie scenariusza, podczas gdy Ty decydujesz, czy połowa głosowa powinna być plikiem do pobrania, czy fakturą.

To węższe twierdzenie niż „jeden interfejs API do wszystkiego” i jedyne, które przetrwa, gdy czytelnik sprawdzi katalog.

Werdykt z podziałem według obciążenia

Wybierz Simba-3.2, jeśli głos jest składnikiem produktu, a nie samym produktem, jeśli chcesz natywny głos, który brzmi dopracowanie bez przesłuchiwania całej obsady, jeśli Twoje wolumeny są na tyle skromne, że 6,58 USD za milion znaków rozpływa się w ekonomice jednostkowej, albo jeśli nie masz nikogo, kto chciałby zajmować się środowiskiem CUDA. Pokrywanie się kontrolowanego głosu jest dla Ciebie zapewnieniem, że nie płacisz dużej premii jakościowej za wygodę.

Wybierz Ming-3.0-tts-0.5B, jeśli potrzebujesz głosu, którego nie ma w katalogu żadnego dostawcy, jeśli Twoja publiczność jest nastawiona przede wszystkim na chiński i liczy się pokrycie dialektów, jeśli Twój wolumen jest wystarczająco duży, a Twoje GPU wystarczająco bezczynne, że rozliczanie za znak staje się kosztowną opcją, albo jeśli warunki licencji i lokalizacja danych nie podlegają negocjacjom. Przystępuj do tego ze świadomością, że przyjmujesz nieogłoszone wydanie badawcze bez zobowiązań wsparcia i z udokumentowaną listą słabych punktów, a nie produkt.

A jeśli naprawdę nie masz pewności, tanim eksperymentem jest przepuszczenie obu przez sto zdań własnego tekstu z tymi samymi ośmioma głosami referencyjnymi i odsłuchanie ich w ciemno. To mniej więcej protokół stosowany przez komisję ds. głosów kontrolowanych; zajmuje popołudnie, a według opublikowanych dowodów wynik jest wystarczająco bliski, że to twoja treść — a nie ranking — rozstrzygnie sprawę.