Ming-3.0-tts-0.5B vs Simba-3.2: När gratisvikter kostar mer än $6.58

Argumentet för öppna vikter är att de är gratis. Aritmetiken överlever sällan den första GPU-fakturan. Ming-3.0-tts-0.5B är Ant Groups MIT-licensierade talcheckpoint, nedladdningsbar på 2,96 GB och körbar på din egen hårdvara. Simba-3.2 är SpeechifyAI:s hostade röst, listad till 6,58 dollar per miljon tecken – den billigaste modellen bland de tio främsta i Artificial Analysis talarena. Med arenans uppmätta genereringshastighet på 42,1 tecken per sekund tar det ungefär 6,6 timmar på en GPU att producera en miljon tecken med Ming. Om den GPU:n kostar mer än ungefär en dollar i timmen är den "gratis" modellen den dyrare av de två. De dokumenterade AI-misslyckandena och agentincidenterna bakom lanseringar som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad.

Det är hela jämförelsen i en rad, men det är inte hela historien, eftersom de två modellerna inte konkurrerar om samma uppgift. Resten av den här artikeln handlar om var aritmetiken håller, var den brister, och den enda resultattavlan där deras poäng är statistiskt omöjliga att skilja åt.

Två väldigt olika produkter

Ming-3.0-tts-0.5B dök upp utan tillkännagivande. Ant Groups inclusionAI publicerade vikterna på Hugging Face i september 2026 och inferenskoden på GitHub den 19 oktober 2026, under MIT-licensen. Det är en dense-modell med Qwen2.5-0.5B som bas och ett diffusion-transformer-huvud, en medföljande ljudtokeniserare och talarkodare, 44,1 kHz-utdata, sju språk, sichuanesiska och kantonesiska, 14 inline-paralingvistiska taggar, röstkloning från ett kort klipp och röstdesign från en textbeskrivning. Det finns ingen hostad endpoint och inget pris, eftersom det inte finns något att prissätta.

Simba-3.2 är SpeechifyAIs hostade syntesmodell, lanserad 1 juli 2026, utan öppna vikter och utan lokalt alternativ. Den är efterträdaren till Simba 3.0, som lanserades 19 februari 2026 till samma pris på 6,58 dollar – en förbättring på 117 Elo utan prisökning, vilket är värt att notera eftersom det säger något om hur den här leverantören konkurrerar. SpeechifyAI publicerar inte något antal språk för Simba-3.2 som vi kunde verifiera, så behandla den flerspråkiga täckningen som obekräftad i stället för att anta att den matchar antingen modellen ovanför eller nedanför i den här jämförelsen.

Den praktiska skillnaden i form: den ena är en artefakt du hanterar, den andra är en tjänst du anropar. Varje jämförelse nedan följer av det.

Styrelserna är oeniga, och oenigheten är själva storyn.

Artificial Analysis betygsätter talmodeller på två sätt, och de två ger olika svar här.

• Leverantörsröst, varje modell använder sina egna inbyggda röster — Simba-3.2 Elo 1 247 (95 % intervall 1 234–1 260) på plats 9 av 98; Ming-3.0-tts-0.5B Elo 1 188 (1 173–1 203) på plats 19. En lucka på 59 poäng utan överlapp.

• Controlled Voice, där varje modell klonar samma åtta referensröster — Simba-3.2 Elo 1 087 (1 074–1 100) på plats 10; Ming-3.0-tts-0.5B Elo 1 069 (1 053–1 085) på plats 14. En skillnad på 18 poäng vars intervall överlappar mellan 1 074 och 1 085.

Den andra raden är den mest användbara mätning som någon har publicerat om någon av modellerna. Håll rösten konstant, och skillnaden mellan dem är inte statistiskt säkerställd. Mings klonade röst är, enligt dessa belägg, ungefär lika bra som Simbas. Det som skiljer dem åt i leverantörstabellen är den röstuppsättning som varje leverantör erbjuder: SpeechifyAI:s inbyggda röster får höga poäng, medan Ants – över 100 kinesiska och fem engelska – inte gör det, vilket stämmer med modellkortets eget erkännande att talarlikhet ligger efter innehållsnoggrannhet.

Mings poäng för kontrollerad röst gör också att den blir etta bland modeller med öppna vikter på den resultattavlan, före Fish Audio Drama 3 Preview på 1 059 och Breeze TTS 2 på 1 019. Så den korrekta beskrivningen är inte "Simba låter bättre." Det är "Simbas standardröster låter bättre; motorerna ligger nära varandra, och kloningsvägen är tillräckligt nära för att intervallen ska nudda varandra."

Break-even, gjord på ett ärligt sätt

Arenan mäter Ming till 42,09 tecken per sekund i genereringstid och Simba-3.2 till 77,80, båda på samma oberoende testrigg, en förfrågan i taget. Det gör jämförelsen ovanligt lätthanterlig.

• En miljon tecken på Simba-3.2 — 6,58 USD, faktureras av SpeechifyAI, ingen infrastruktur.

En miljon tecken på Ming vid 42,09 tecken per sekund – 23 758 sekunder av generering, eller cirka 6,6 timmar.

• Break-even-pris för GPU — $6,58 dividerat med 6,6 timmar är ungefär $1,00 per GPU-timme generering.

Nu till förbehållen, för den här siffran är lätt att missbruka. Mings release har testats på ett H800-80GB och ett H20-96G och kräver PyTorch 2.6 med CUDA 12.4; det är inte GPU:er som kostar några dollar i timmen, och hårdvaran i arenans testrigg är inte publicerad. De 6,6 timmarna utesluter modellens laddningstid, misslyckade genereringar, kötid och de ingenjörstimmar som krävs för att låsa miljön och få textnormaliseringen att fungera. Lägger man till dem stiger den effektiva kostnaden. Om du redan äger ledig kapacitet är marginalkostnaden nära noll och kalkylen tippar helt till Mings fördel; om du hyr per timme enbart för den här arbetsbelastningen är Simba billigare till nästan vilket aktuellt pris för moln-GPU som helst.

Den ärliga inramningen för ett ekonomisamtal är att Simbas $6.58 är ett tak du kan budgetera mot, och att Mings kostnad är ett golv som växer med allt som går fel.

Vad pengarna inte köper

Priset är där den värdbaserade modellen vinner. Förmågan är där den öppna drar sig tillbaka, och skillnaderna är specifika.

• Röstdesign – Ming genererar en röst utifrån en beskrivning i naturligt språk, utan referensljud. Simba-3.2 har ingen motsvarighet som vi kan dokumentera. Om din produkt behöver en röst som ännu inte finns avgör detta ensamt saken.

• Dialekter – Ming hanterar sichuanesiska och kantonesiska om den får ett referensklipp på dialekten. SpeechifyAI publicerar ingen dialektlista för Simba-3.2.

• Paralingvistik — Ming levererar 14 inline-taggar för skratt, suckar, hostningar och tvekan på kinesiska eller engelska. Simbas taggvokabulär är inte dokumenterad i en form som vi kunde verifiera.

• Portabilitet — MIT-vikter innebär ingen prisförändring, inget meddelande om utfasning, inget leverantörsavbrott. De innebär också ingen support, inget SLA och ingen att kontakta.

• Operativ risk — Simba är hostad, vilket är en fördel tills det blir en incident; Ming är inte hostad, vilket är en fördel tills personen som satte upp miljön slutar.

Modellkortet är värt att läsa enbart för begränsningarnas skull, eftersom de är ovanligt uppriktiga: paralingvistiska meningar med flera händelser är instabila, emotionsstyrningen försämras när orden inte bär någon emotionell signal, fransk likhet är den svagaste språkliga aspekten och öppen röstdesign matchar inte det starkaste systemet som den utvärderades mot. Det är precis de felmoder som en demo inte visar och en produktionspipeline hittar under tredje veckan.

Var routinglagret passar in, och var det inte gör det

OrcaRouter har inte Ming-3.0-tts-0.5B eller Simba-3.2, och den här artikeln påstår inte motsatsen – Ming körs på din hårdvara, Simba via SpeechifyAIs API. Där en enda nyckel verkligen hjälper är runt rösten snarare än i den: textmodellen som skriver manuset, expanderar förkortningarna eller taggar känslan är den del av en talpipeline som ändras oftast, och vi routar fler än 200 av dessa till leverantörens listpris utan påslag. När en leverantör sänker ett pris är sänkningen live hos oss samma dag, eftersom vi för vidare listpriset i stället för att prissätta om det. Automatisk failover håller sedan den manusgenererande halvan av pipelinen igång medan du bestämmer om rösthalvan ska vara en nedladdning eller en faktura.

Det är ett snävare påstående än "ett API för allt", och det är det enda som överlever att en läsare granskar katalogen.

Domen, uppdelad efter arbetsbelastning

Välj Simba-3.2 om rösten är en komponent i en produkt snarare än produkten själv, om du vill ha en röst från en modersmålstalare som låter färdig utan att provlyssna en rollbesättning, om din volym är tillräckligt blygsam för att $6.58 per miljon tecken ska försvinna i enhetsekonomin, eller om du inte har någon som vill äga en CUDA-miljö. Överlappningen när det gäller kontrollerad röst ger dig tryggheten att du inte betalar en stor kvalitetspremie för bekvämligheten.

Välj Ming-3.0-tts-0.5B om du behöver en röst som inte finns i någon annans katalog, om din publik i första hand är kinesisktalande och dialekttäckning spelar roll, om din volym är tillräckligt hög och dina GPU:er tillräckligt lediga för att per-tecken-mätaren ska vara det dyra alternativet, eller om licensvillkor och datalagringens placering är icke-förhandlingsbara. Gå in i det med vetskapen att du antar en oannonserad forskningsutgåva utan supportåtagande och med en dokumenterad lista över svagheter, inte en produkt.

Och om du verkligen är osäker är det billiga experimentet att köra båda på hundra meningar av din egen text med samma åtta referensröster och lyssna blint. Det är ungefär det protokoll som controlled-voice-boarden använder, det tar en eftermiddag, och enligt den publicerade evidensen är resultatet tillräckligt jämnt för att ditt innehåll — inte leaderboarden — ska avgöra det.