Ming-3.0-tts-0.5B vs Simba-3.2: Quando pesos gratuitos custam mais de US$ 6,58

O argumento a favor dos pesos abertos é que eles são gratuitos. A aritmética raramente sobrevive à primeira fatura de GPU. Ming-3.0-tts-0.5B é o checkpoint de fala licenciado sob MIT do Ant Group, baixável em 2,96 GB e executável no seu próprio hardware. Simba-3.2 é a voz hospedada da SpeechifyAI, listada a US$ 6,58 por milhão de caracteres — o modelo mais barato entre os dez primeiros da arena de fala da Artificial Analysis. Na velocidade de geração medida pela arena, de 42,1 caracteres por segundo, produzir um milhão de caracteres com o Ming leva cerca de 6,6 horas em uma GPU. Se essa GPU custar mais de cerca de um dólar por hora, o modelo "gratuito" é o mais caro dos dois. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este são reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.

Essa é a confrontação inteira em uma linha, mas não é a história completa, porque os dois modelos não estão competindo pela mesma tarefa. O restante deste texto trata de onde a aritmética se sustenta, onde ela falha e do único ranking em que suas pontuações são estatisticamente indistinguíveis.

Dois produtos muito diferentes

Ming-3.0-tts-0.5B chegou sem anúncio. O inclusionAI, do Ant Group, publicou os pesos no Hugging Face em setembro de 2026 e o código de inferência no GitHub em 19 de outubro de 2026, sob a licença MIT. É um modelo denso com backbone Qwen2.5-0.5B e uma head diffusion-transformer, um tokenizador de áudio e codificador de locutor incluídos, saída de 44,1 kHz, sete idiomas, sichuanês e cantonês, 14 tags paralinguísticas embutidas, clonagem de voz a partir de um clipe curto e design de voz a partir de uma descrição textual. Não há endpoint hospedado nem preço, porque não há nada a precificar.

O Simba-3.2 é o modelo de síntese hospedado da SpeechifyAI, lançado em 1º de julho de 2026, sem pesos abertos e sem opção local. Ele é o sucessor do Simba 3.0, lançado em 19 de fevereiro de 2026 com a mesma tarifa de $6.58 — uma melhoria de 117 Elo sem aumento de preço, o que vale a pena observar porque mostra como esse fornecedor compete. A SpeechifyAI não publica uma contagem de idiomas para o Simba-3.2 que pudéssemos verificar, então considere a cobertura multilíngue como não confirmada, em vez de presumir que ela corresponde ao modelo acima ou abaixo dele nesta comparação.

A diferença prática de forma: um é um artefato que você opera; o outro, um serviço que você chama. Toda comparação abaixo decorre disso.

As diretorias discordam, e a discordância é a história.

O Artificial Analysis pontua modelos de fala de duas maneiras, e as duas produzem respostas diferentes aqui.

• Voz do provedor, cada modelo usando suas próprias vozes nativas — Simba-3.2 Elo 1.247 (intervalo de 95% 1.234–1.260) na posição 9 de 98; Ming-3.0-tts-0.5B Elo 1.188 (1.173–1.203) na posição 19. Uma diferença de 59 pontos sem sobreposição.

• Voz Controlada, cada modelo clonando as mesmas oito vozes de referência — Simba-3.2 Elo 1.087 (1.074–1.100) na posição 10; Ming-3.0-tts-0.5B Elo 1.069 (1.053–1.085) na posição 14. Uma diferença de 18 pontos cujos intervalos se sobrepõem entre 1.074 e 1.085.

Essa segunda linha é a medição mais útil que alguém já publicou sobre qualquer um dos dois modelos. Com a voz mantida constante, a diferença entre eles não é estatisticamente resolvida. A voz clonada de Ming é, com base nessas evidências, aproximadamente tão boa quanto a de Simba. O que os separa no painel de fornecedores é o elenco de vozes que cada fornecedor oferece: as vozes nativas da SpeechifyAI pontuam bem, e as da Ant — mais de 100 em chinês e cinco em inglês — não pontuam, o que é consistente com a admissão do próprio cartão do modelo de que a similaridade do falante fica atrás da precisão do conteúdo.

A pontuação de voz controlada do Ming também o coloca em primeiro lugar entre os modelos de pesos abertos naquele ranking, à frente de Fish Audio Drama 3 Preview, com 1.059, e de Breeze T​TS 2, com 1.019. Portanto, a descrição precisa não é "Simba soa melhor". É "as vozes padrão do Simba soam melhor; os motores são próximos, e o caminho de clonagem é próximo o suficiente para que os intervalos se toquem".

O ponto de equilíbrio, feito com honestidade

A arena mede o Ming em 42,09 caracteres por segundo de tempo de geração e o Simba-3.2 em 77,80, ambos na mesma estrutura de testes independente, uma solicitação por vez. Isso torna a comparação incomumente tratável.

• Um milhão de caracteres no Simba-3.2 — US$ 6,58, cobrado pela SpeechifyAI, sem infraestrutura.

• Um milhão de caracteres no Ming a 42,09 caracteres por segundo — 23.758 segundos de geração, ou cerca de 6,6 horas.

• Preço de equilíbrio da GPU — US$ 6,58 dividido por 6,6 horas é aproximadamente US$ 1,00 por hora-GPU de geração.

Agora as ressalvas, porque esse número é fácil de distorcer. O lançamento do Ming foi testado em uma H800-80GB e uma H20-96G e exige PyTorch 2.6 com CUDA 12.4; essas não são GPUs que custam dólares por hora, e o hardware de teste da arena não é divulgado. As 6,6 horas excluem o tempo de carregamento do modelo, gerações falhas, espera em fila e as horas de engenharia para fixar o ambiente e fazer a normalização de texto funcionar. Some tudo isso e a taxa efetiva sobe. Se você já tem capacidade ociosa, o custo marginal é próximo de zero e a aritmética muda completamente a favor do Ming; se estiver alugando por hora apenas para esta carga de trabalho, o Simba é mais barato com quase qualquer tarifa atual de GPU na nuvem.

A forma honesta de enquadrar uma conversa sobre finanças é que os $6.58 da Simba são um teto com o qual você pode planejar o orçamento, e o custo da Ming é um piso que cresce com tudo o que dá errado.

O que o dinheiro não compra

No preço, o modelo hospedado vence. Na capacidade, o modelo aberto recua, e as diferenças são específicas.

• Design de voz — O Ming gera uma voz a partir de uma descrição em linguagem natural, sem áudio de referência. O Simba-3.2 não tem equivalente que possamos documentar. Se o seu produto precisa de uma voz que ainda não existe, só isso já basta para decidir.

• Dialetos — Ming lida com sichuanês e cantonês desde que receba um clipe de referência no dialeto. A SpeechifyAI não publica nenhuma lista de dialetos para o Simba-3.2.

• Paralinguística — Ming inclui 14 tags inline para risadas, suspiros, tosses e hesitação em chinês ou inglês. O vocabulário de tags do Simba não está documentado em um formato que pudéssemos verificar.

• Portabilidade — pesos MIT significam nenhuma mudança de preço, nenhum aviso de descontinuação, nenhuma indisponibilidade do fornecedor. Também significam nenhum suporte, nenhum SLA e ninguém para ligar.

• Risco operacional — o Simba é hospedado, o que é uma vantagem até se tornar um incidente; o Ming não é hospedado, o que é uma vantagem até a pessoa que configurou o ambiente sair.

Vale a pena ler a ficha do modelo só pelas limitações, porque elas são incomumente francas: frases paralinguísticas com múltiplos eventos são instáveis, o controle de emoção se degrada quando as palavras não carregam nenhum sinal emocional, a similaridade do francês é a mais fraca entre os idiomas, e o design de voz aberto não corresponde ao sistema mais forte contra o qual foi avaliado. Esses são exatamente os modos de falha que uma demonstração não mostra e que um pipeline de produção encontra na terceira semana.

Onde a camada de roteamento se encaixa, e onde não.

O OrcaRouter não hospeda o Ming-3.0-tts-0.5B nem o Simba-3.2, e este artigo não afirma o contrário — o Ming roda no seu hardware, o Simba pela API da SpeechifyAI. O ponto em que uma única chave realmente ajuda é em torno da voz, não dentro dela: o modelo de texto que escreve o roteiro, expande as abreviações ou marca a emoção é a parte de um pipeline de fala que muda com mais frequência, e nós roteamos mais de 200 desses pelo preço de tabela do provedor, sem acréscimo de margem. Quando um provedor reduz um preço, essa redução fica ativa do nosso lado no mesmo dia, porque repassamos o preço de tabela em vez de reajustá-lo. O failover automático então mantém a metade de geração de roteiro do pipeline funcionando enquanto você decide se a metade da voz deve ser um download ou uma fatura.

Essa é uma afirmação mais restrita do que “uma API para tudo”, e é a única que resiste a um leitor que verifique o catálogo.

O veredito, dividido por carga de trabalho

Escolha o Simba-3.2 se a voz for um componente de um produto, e não o produto em si; se você quiser uma voz nativa que soe pronta sem precisar testar um elenco inteiro; se o seu volume for modesto o bastante para que US$ 6,58 por milhão de caracteres desapareça na economia unitária; ou se você não tiver ninguém disposto a cuidar de um ambiente CUDA. A sobreposição com as vozes controladas é a sua garantia de que você não está pagando um grande prêmio de qualidade pela conveniência.

Escolha o Ming-3.0-tts-0.5B se precisar de uma voz que não existe no catálogo de ninguém, se o seu público for primordialmente chinês e a cobertura de dialetos for importante, se o seu volume for suficientemente alto e as suas GPUs estiverem suficientemente ociosas para que a cobrança por caractere seja a opção cara, ou se os termos de licença e a residência de dados forem inegociáveis. Avance sabendo que está a adotar uma versão de investigação não anunciada, sem compromisso de suporte e com uma lista documentada de pontos fracos, não um produto.

E se estiver genuinamente indeciso, a experiência barata é correr os dois sobre cem frases do seu próprio texto com as mesmas oito vozes de referência e ouvir às cegas. É mais ou menos o protocolo que o painel de vozes controladas utiliza, custa uma tarde, e, face à evidência publicada, o resultado é suficientemente próximo para que seja o seu conteúdo — e não a tabela de classificação — a decidir.