Ming-3.0-tts-0.5B vs Simba-3.2：当免费权重比6.58美元更贵时

开放权重的卖点是免费。但这点算术很少能撑过第一张 GPU 账单。Ming-3.0-tts-0.5B是蚂蚁集团以 MIT 许可证发布的语音检查点，下载大小为 2.96 GB，可在你自己的硬件上运行。Simba-3.2是 SpeechifyAI 的托管语音，标价为每百万字符 6.58 美元——是 Artificial Analysis 语音竞技场前十名中最便宜的模型。按照该竞技场测得的每秒 42.1 个字符的生成速度，用 Ming 生成一百万字符在一块 GPU 上大约需要 6.6 小时。如果那块 GPU 每小时成本超过约一美元，那么“免费”模型反而是两者中更贵的。此类发布背后有记录的 AI 故障和智能体事件，都收录在OrcaRouter AI Incident Archive中，其中每条记录都带有自己的来源、严重程度、置信度等级和争议标记。

这一句话概括了整场对决，但并不是全部真相，因为这两个模型并不是在竞争同一项任务。本文余下部分将讨论这种算术在哪些地方成立、在哪些地方失效，以及在哪一个榜单上它们的分数在统计上无法区分。

两款截然不同的产品

Ming-3.0-tts-0.5B 悄然问世，没有任何公告。蚂蚁集团的 inclusionAI 于 2026 年 9 月将权重发布到 Hugging Face，并于 2026 年 10 月 19 日以 MIT 许可证将推理代码发布到 GitHub。它是一个基于 Qwen2.5-0.5B 骨干的稠密模型，配有扩散变换器头、内置音频分词器和说话人编码器，输出为 44.1 kHz，支持七种语言，包括四川话和粤语，具备 14 个内联副语言标签，可从短音频片段克隆声音，并能根据文本描述设计声音。它没有托管端点，也没有价格，因为根本没有什么可定价的。

Simba-3.2 是 SpeechifyAI 的托管式合成模型，于 2026 年 7 月 1 日发布，不提供开放权重，也没有本地部署选项。它是 Simba 3.0 的继任者；Simba 3.0 于 2026 年 2 月 19 日发布，价格同为 6.58 美元——Elo 提升了 117 点，价格却没有上涨，这一点值得注意，因为它说明了这家厂商的竞争方式。SpeechifyAI 并未公布我们能核实的 Simba-3.2 支持语言数量，因此应将多语言覆盖情况视为未经确认，而不要假定它与此对比中排在它上方或下方的模型相符。

形态上的实际区别：一个是你操作的制品，另一个是你调用的服务。下面的每一项比较都由此派生。

各董事会意见相左，而分歧本身就是新闻所在。

Artificial Analysis 以两种方式为语音模型评分，而这两种方式在这里得出的结果不同。

• 提供商语音：每个模型使用其自身的原生音色——Simba-3.2 的 Elo 为 1,247（95% 区间 1,234–1,260），在 98 个中排名第 9；Ming-3.0-tts-0.5B 的 Elo 为 1,188（1,173–1,203），排名第 19。两者相差 59 分，且区间无重叠。

受控语音，每个模型都克隆相同的八个参考语音——Simba-3.2 Elo 1,087（1,074–1,100）排名第10；Ming-3.0-tts-0.5B Elo 1,069（1,053–1,085）排名第14。18分的差距，其区间在1,074到1,085之间重叠。

第二行是任何人就这两个模型发布过的最有用的测量结果。在保持声音不变的情况下，两者之间的差异在统计上并未得到分辨。根据这一证据，Ming 的克隆声音大致与 Simba 的一样好。在提供商排行榜上，区分二者的是每家厂商所提供的音色阵容：SpeechifyAI 的原生音色得分很高，而 Ant 的——100 多种中文音色和五种英文音色——则不然，这与模型卡本身承认的“说话人相似度落后于内容准确度”相一致。

Ming 的受控语音得分也使其在该榜单的开放权重模型中位列第一，领先于得分 1,059 的 Fish Audio Drama 3 Preview 和得分 1,019 的 Breeze TTS 2。因此，准确的描述不是“Simba 听起来更好”，而是“Simba 的默认音色听起来更好；引擎表现接近，克隆路径也足够接近，以至于区间相互接触。”

盈亏平衡，如实计算

该竞技场测得 Ming 按生成时间计为每秒 42.09 个字符，Simba-3.2 为每秒 77.80 个字符，两者都在同一个独立测试框架上、一次一个请求地进行测量。这使得比较异常容易进行。

• 在 Simba-3.2 上处理一百万字符——6.58 美元，由 SpeechifyAI 计费，无需基础设施。

• 在 Ming 上以每秒 42.09 个字符生成一百万个字符——生成耗时 23,758 秒，约 6.6 小时。

• GPU 盈亏平衡价格——6.58 美元除以 6.6 小时，约合每 GPU 小时生成成本 1.00 美元。

现在说注意事项，因为这个数字很容易被滥用。Ming 的发布版本已在 H800-80GB 和 H20-96G 上测试过，并且需要 PyTorch 2.6 搭配 CUDA 12.4；这些都不是按小时美元计费的 GPU，而且 arena 的测试框架硬件并未公开。6.6 小时不包含模型加载时间、失败的生成、排队时间，以及固定环境并让文本归一化正常工作所投入的工程时间。把这些算进去，实际费率就会上升。如果你已经拥有闲置算力，边际成本接近于零，账算下来就会完全对 Ming 有利；如果你只是为了这个工作负载按小时租用，那么按当前几乎任何云 GPU 费率，Simba 都更便宜。

在财务讨论中，最坦诚的表述是：Simba 的 6.58 美元是一个你可以据此制定预算的上限，而 Ming 的成本则是一个会随着每一处出错而增长的下限。

金钱买不到的东西

价格是托管模型占优的地方。能力则是开源模型退让之处，而且这些差异很具体。

• 音色设计 —— Ming 可根据自然语言描述生成音色，无需参考音频。Simba-3.2 没有可供我们记录的对应功能。如果你的产品需要一个尚不存在的音色，仅凭这一点就能决定选择。

• 方言 — 在提供该方言的参考片段时，Ming 可处理四川话和粤语。SpeechifyAI 未公布 Simba-3.2 的方言列表。

• 副语言学 — Ming 附带 14 个内联标签，用于表达笑声、叹息、咳嗽和犹豫，支持中文或英文。Simba 的标签词汇表未以我们可验证的形式记录。

• 可移植性——MIT 权重意味着没有费率变动、没有弃用通知、没有供应商宕机。它们也意味着没有支持、没有 SLA，也没有人可供联系。

• 运营风险——Simba 采用托管部署，这在它变成一起事故之前都算是个优点；Ming 没有采用托管部署，这在搭建该环境的人离开之前也算是个优点。

仅凭局限性这一点，模型卡就值得一读，因为这些局限异常坦率：多事件副语言句子不稳定；当文字本身不携带情感信号时，情绪控制会退化；法语在相似度上表现最弱；开放式音色设计也无法与评估中最强的系统匹敌。这些恰恰是演示不会暴露、而生产流水线会在第三周发现的故障模式。

路由层适用于何处，又不适用于何处

OrcaRouter 不托管 Ming-3.0-tts-0.5B 或 Simba-3.2，本文也未作相反声称——Ming 运行在你的硬件上，Simba 则通过 SpeechifyAI 的 API 运行。单个密钥真正能帮上忙的地方，是在语音的周边而非语音本身：负责编写脚本、展开缩写或标注情感的文本模型，是语音流水线中变化最频繁的部分，而我们会路由 其中 200 多款，按供应商标价且不额外加价。当供应商降价时，这一降价当天就会在我们这边生效，因为我们直接传递标价，而不是重新定价。随后，自动故障转移会让流水线中负责脚本生成的那一半保持运行，而你可以决定语音那一半应该是下载还是发票。

这比“用一个 API 包办一切”的说法更窄，而且也是读者核对目录后唯一站得住脚的说法。

结论，按工作负载细分

如果语音是产品的组件而非产品本身，如果希望获得听起来已经成品化的原生语音而无需逐一试听候选音色，如果用量规模较小、每百万字符 6.58 美元的成本能消融在单位经济模型中，或者如果没有人愿意负责维护 CUDA 环境，就选择 Simba-3.2。受控语音的重叠部分能让你放心：你并没有为这种便利支付高昂的质量溢价。

如果需要一个在任何厂商目录里都不存在的音色，如果你的受众以中文为优先且方言覆盖很重要，如果你的调用量足够大、GPU 足够空闲，以至于按字符计费反而是更昂贵的选择，或者如果许可条款与数据驻留不容妥协，那就选择 Ming-3.0-tts-0.5B。但你要清楚：你采用的是一款未事先公布的研究版本，没有支持承诺，还有一份白纸黑字的短板清单——它不是一个产品。

如果你确实拿不准，低成本的做法是：用同样的八个参考声线，让两者分别跑一百句你自己的文本，然后做盲听。这大致就是受控语音榜单所采用的流程，花一个下午就能完成；而从已公布的证据看，结果会足够接近，最终决定它的将是你的内容——而不是排行榜。