Ming-3.0-tts-0.5B против Simba-3.2: когда бесплатные веса стоят дороже $6.58

Аргумент в пользу открытых весов — их бесплатность. Но эта арифметика редко переживает первый счёт за GPU. Ming-3.0-tts-0.5B — это MIT-лицензированный речевой чекпоинт Ant Group, который можно скачать (2,96 ГБ) и запустить на собственном оборудовании. Simba-3.2 — это размещённый голос SpeechifyAI, указанный по цене $6,58 за миллион символов — самая дешёвая модель в топ-10 речевой арены Artificial Analysis. При измеренной на арене скорости генерации 42,1 символа в секунду производство миллиона символов с помощью Ming занимает примерно 6,6 часа на одном GPU. Если этот GPU стоит больше примерно доллара в час, «бесплатная» модель — более дорогая из двух. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и отметку о наличии споров.

Это всё противостояние в одной строке, но это не вся история, потому что две модели не соревнуются за одну и ту же задачу. Остальная часть этого материала — о том, где арифметика сходится, где она ломается, и о той единственной таблице, в которой их результаты статистически неразличимы.

Два совершенно разных продукта

Ming-3.0-tts-0.5B появилась без анонса. inclusionAI компании Ant Group опубликовала веса на Hugging Face в сентябре 2026 года, а код инференса — на GitHub 19 октября 2026 года под лицензией MIT. Это плотная модель на базе Qwen2.5-0.5B с головой diffusion transformer, встроенными аудиотокенизатором и энкодером диктора, выводом 44,1 кГц, семью языками, включая сычуаньский и кантонский, 14 встроенными в текст паралингвистическими тегами, клонированием голоса по короткому фрагменту и созданием голоса по текстовому описанию. Хостингового эндпоинта нет, как и цены, потому что оценивать нечего.

Simba-3.2 — это облачная модель синтеза речи от SpeechifyAI, выпущенная 1 июля 2026 года, без открытых весов и без локального варианта. Это преемник Simba 3.0, вышедшей 19 февраля 2026 года по той же цене $6.58: улучшение на 117-Elo без повышения цены, и это стоит отметить, поскольку показывает, как конкурирует этот поставщик. SpeechifyAI не публикует количество языков для Simba-3.2, которое мы могли бы проверить, поэтому считайте многоязычное покрытие неподтверждённым, а не предполагайте, что оно соответствует модели выше или ниже в этом сравнении.

Практическая разница в форме: одно — это артефакт, который вы эксплуатируете, другое — сервис, который вы вызываете. Все приведённые ниже сравнения проистекают из этого.

Советы расходятся во мнениях, и именно в этом расхождении — суть.

Artificial Analysis оценивает речевые модели двумя способами, и здесь эти два способа дают разные результаты.

• Голос провайдера: каждая модель использует собственные нативные голоса — Simba-3.2 Elo 1 247 (95%-й интервал 1 234–1 260) на 9-м месте из 98; Ming-3.0-tts-0.5B Elo 1 188 (1 173–1 203) на 19-м месте. Разрыв в 59 пунктов без пересечения.

• Controlled Voice, где каждая модель клонирует одни и те же восемь эталонных голосов — Simba-3.2 Elo 1,087 (1,074–1,100) на 10-м месте; Ming-3.0-tts-0.5B Elo 1,069 (1,053–1,085) на 14-м месте. Разрыв в 18 пунктов, при этом интервалы пересекаются между 1,074 и 1,085.

Эта вторая строка — самое полезное измерение, которое кто-либо публиковал о любой из этих моделей. Если зафиксировать голос, разница между ними статистически не разрешается. Судя по этим данным, клонированный голос Ming примерно так же хорош, как у Simba. На рейтинге провайдеров их разделяет набор голосов, который поставляет каждый вендор: собственные голоса SpeechifyAI показывают хорошие результаты, а у Ant — более 100 китайских и пять английских — нет, что согласуется с собственным признанием в карточке модели, что сходство с диктором уступает точности передачи содержания.

Балл Ming за контролируемый голос также делает её первой среди моделей с открытыми весами в этом рейтинге, опережая Fish Audio Drama 3 Preview с 1 059 и Breeze TTS 2 с 1 019. Поэтому точная формулировка — не «Simba звучит лучше». А «голоса Simba по умолчанию звучат лучше; движки близки, а путь клонирования достаточно близок, так что интервалы соприкасаются».

Честный расчёт точки безубыточности

Арена измеряет Ming на уровне 42,09 символа в секунду генерации, а Simba-3.2 — на уровне 77,80; оба — на одном и том же независимом стенде, по одному запросу за раз. Это делает сравнение на удивление простым.

• Миллион символов на Simba-3.2 — $6.58, счёт выставляет SpeechifyAI, без инфраструктуры.

• Миллион символов на Ming при скорости 42,09 символа в секунду — 23 758 секунд генерации, или около 6,6 часов.

• Безубыточная цена GPU — примерно $1.00 за GPU-час генерации: $6.58, разделённые на 6.6 часа.

Теперь оговорки, потому что с этим числом легко злоупотребить. Релиз Ming протестирован на H800-80GB и H20-96G и требует PyTorch 2.6 с CUDA 12.4; это не GPU за доллар в час, а аппаратное обеспечение тестового стенда арены не опубликовано. Эти 6,6 часа не учитывают время загрузки модели, неудачные генерации, ожидание в очереди и инженерные часы на фиксацию окружения и налаживание нормализации текста. Добавьте их — и эффективная стоимость возрастает. Если у вас уже есть простаивающие мощности, предельные затраты близки к нулю, и вся арифметика полностью меняется в пользу Ming; если вы арендуете почасово только под эту нагрузку, Simba обходится дешевле почти при любой текущей ставке за облачные GPU.

Честная формулировка для разговора с финансистами: $6.58 у Simba — это потолок, который можно заложить в бюджет, а затраты Ming — это нижняя граница, которая растёт со всем, что идёт не так.

То, что деньги не покупают

По цене выигрывает хостинговая модель. По возможностям открытая уступает, и различия вполне конкретны.

• Дизайн голоса — Ming создаёт голос по описанию на естественном языке, без референсного аудио. У Simba-3.2 нет эквивалентной функции, которую мы могли бы задокументировать. Если вашему продукту нужен голос, которого ещё не существует, уже одного этого достаточно для решения.

• Диалекты — Ming обрабатывает сычуаньский и кантонский диалекты при наличии эталонного аудиофрагмента на этом диалекте. SpeechifyAI не публикует список диалектов для Simba-3.2.

• Паралингвистика — Ming поставляет 14 встроенных тегов для смеха, вздохов, кашля и заминок на китайском или английском. Набор тегов Simba не задокументирован в форме, которую мы могли бы проверить.

• Переносимость — веса под лицензией MIT означают отсутствие изменения тарифов, уведомлений об устаревании и сбоев у поставщика. Но они же означают отсутствие поддержки, SLA и кого-либо, кому можно позвонить.

• Операционный риск — Simba размещён на хостинге, и это преимущество, пока не случится инцидент; Ming не размещён на хостинге, и это преимущество, пока не уйдёт человек, настроивший окружение.

Карточку модели стоит прочитать хотя бы ради раздела об ограничениях, потому что они на удивление откровенны: многособытийные паралингвистические предложения нестабильны, управление эмоциями ухудшается, когда слова не несут эмоционального сигнала, показатель сходства для французского — самый слабый среди языков, а открытый дизайн голоса не соответствует сильнейшей системе, с которой его сравнивали при оценке. Именно такие режимы отказа демонстрация не показывает, а производственный конвейер обнаруживает на третьей неделе.

Где слой маршрутизации уместен, а где нет

OrcaRouter не хостит Ming-3.0-tts-0.5B или Simba-3.2, и этот материал не утверждает обратного — Ming работает на вашем оборудовании, Simba — через API SpeechifyAI. Единственное место, где один ключ действительно помогает, — это вокруг голоса, а не в нём: текстовая модель, которая пишет сценарий, раскрывает сокращения или размечает эмоцию, — это та часть речевого конвейера, которая меняется чаще всего, и мы маршрутизируем более 200 из них по прайс-листу провайдера без добавления наценки. Когда провайдер снижает цену, это снижение действует на нашей стороне в тот же день, потому что мы передаём цену из прайс-листа напрямую, а не назначаем её заново. Автоматическое переключение при сбое затем поддерживает работу половины конвейера, отвечающей за генерацию сценария, пока вы решаете, должна ли голосовая половина быть загрузкой или счётом.

Это более узкое утверждение, чем «один API для всего», и только оно выдерживает проверку читателя, который сверяется с каталогом.

Вердикт с разбивкой по рабочей нагрузке

Выбирайте Simba-3.2, если голос — это компонент продукта, а не сам продукт; если вам нужен нативный голос, который звучит завершённым без прослушивания актёров; если ваш объём достаточно скромен, чтобы $6.58 за миллион символов растворялись в юнит-экономике; или если у вас нет никого, кто хотел бы заниматься средой CUDA. Пересечение с контролируемым голосом — ваша гарантия, что вы не платите большую надбавку за качество ради удобства.

Выбирайте Ming-3.0-tts-0.5B, если вам нужен голос, которого нет ни в чьём каталоге; если ваша аудитория прежде всего говорит на китайском и важна поддержка диалектов; если ваш объём достаточно велик, а ваши GPU достаточно часто простаивают, так что оплата за символ оказывается дорогим вариантом; или если условия лицензии и местонахождение данных не подлежат обсуждению. Идите на это с пониманием, что вы принимаете неанонсированный исследовательский релиз без обязательств по поддержке и с документированным списком слабых мест, а не продукт.

И если вы действительно не уверены, дешёвый эксперимент — прогнать оба варианта на сотне предложений вашего собственного текста с одними и теми же восемью эталонными голосами и послушать вслепую. Это примерно тот протокол, который использует совет по контролируемым голосам, на это уйдёт полдня, и, судя по опубликованным данным, результат достаточно близок, так что решать будет ваш контент — а не таблица лидеров.