Ming-3.0-tts-0.5B 對決 Simba-3.2：當免費權重的代價超過 6.58 美元

開放權重的賣點是免費。這筆算術很少能撐過第一張 GPU 帳單。 Ming-3.0-tts-0.5B 是 Ant Group 以 MIT 授權的語音檢查點，可下載、大小為 2.96 GB，並可在你自己的硬體上執行。 Simba-3.2 是 SpeechifyAI 的託管語音，定價為每百萬字元 6.58 美元——是 Artificial Analysis 語音競技場前十名中最便宜的模型。以該競技場測得的每秒 42.1 字元生成速度計算，用 Ming 產生一百萬字元，在單一 GPU 上約需 6.6 小時。如果該 GPU 每小時成本超過約 1 美元，這個「免費」模型反而是兩者中較貴的。像這類發布背後的已記錄 AI 失敗與代理事件，都收錄在 OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

那句話一語道盡整場對決，但並非全貌，因為這兩個模型並不是在爭奪同一份工作。本文其餘部分要談的是：這套算術在哪裡成立、在哪裡失靈，以及在那一個排行榜上，它們的分數在統計上難分軒輊。

兩個截然不同的產品

Ming-3.0-tts-0.5B 無預告地問世。Ant Group 的 inclusionAI 於 2026 年 9 月將權重發布到 Hugging Face，並於 2026 年 10 月 19 日將推論程式碼以 MIT 授權條款發布到 GitHub。它是一個以 Qwen2.5-0.5B 為骨幹的稠密模型，搭載擴散 Transformer 頭、內附音訊分詞器與說話者編碼器、44.1 kHz 輸出、七種語言、四川話與粵語、14 個內嵌副語言標籤、可從短音檔複製聲音，以及可依文字描述設計聲音。沒有託管端點，也沒有價格，因為沒有東西可定價。

Simba-3.2 是 SpeechifyAI 的託管合成模型，於 2026 年 7 月 1 日發布，不開放權重，也沒有本地部署選項。它是 Simba 3.0 的後繼者；Simba 3.0 於 2026 年 2 月 19 日推出，價格同樣是 $6.58，等於在價格不變的情況下提升了 117 Elo，這點值得注意，因為它說明了這家廠商的競爭方式。SpeechifyAI 並未公布我們可驗證的 Simba-3.2 語言數量，因此請將多語言支援視為未經確認，而不要假設它與本比較中排名在其上方或下方的模型相符。

型態上的實際差異在於：一個是你親自操作的製品，另一個是你呼叫的服務。以下每一項比較都由此衍生。

各董事會意見相左，而這種分歧正是關鍵所在。

Artificial Analysis 以兩種方式為語音模型評分，而這兩種方式在此得出不同結果。

• 供應商語音：每個模型使用各自的原生語音——Simba-3.2 Elo 1,247（95% 區間 1,234–1,260），在 98 個中排名第 9；Ming-3.0-tts-0.5B Elo 1,188（1,173–1,203），排名第 19。兩者相差 59 分，且區間無重疊。

• 受控語音，每個模型都克隆相同的八個參考語音——Simba-3.2 以 Elo 1,087（1,074–1,100）位居第 10 名；Ming-3.0-tts-0.5B 以 Elo 1,069（1,053–1,085）位居第 14 名。18 分的差距，其區間在 1,074 與 1,085 之間重疊。

那第二行是任何人針對這兩個模型所發表過最有用的量測結果。在固定語音的情況下，兩者之間的差異在統計上尚未能明確判定。依這項證據來看，Ming 的複製語音大致和 Simba 的一樣好。在供應商排行榜上，區分兩者的是各家廠商所提供的語音陣容：SpeechifyAI 的原生語音得分很好，而 Ant 的——100 多種中文與五種英文——則不然；這與模型卡本身承認說話者相似度落後於內容準確度一事相符。

Ming 的受控語音分數也讓它在該排行榜的開源權重模型中排名第一，領先於得分 1,059 的 Fish Audio Drama 3 Preview 和得分 1,019 的 Breeze T​TS 2。因此，準確的描述不是「Simba 聽起來更好」，而是「Simba 的預設語音聽起來更好；引擎表現接近，而克隆路徑也接近到區間彼此相接。」

誠實以對的損益兩平

該競技場在相同的獨立測試框架上、一次只處理一個請求的情況下，測得 Ming 為每秒生成 42.09 個字元，Simba-3.2 則為 77.80。這使得兩者的比較格外容易進行。

• 在 Simba-3.2 上處理一百萬個字元——6.58 美元，由 SpeechifyAI 計費，無需基礎設施。

• 在 Ming 上處理一百萬個字元，以每秒 42.09 個字元計算——生成時間為 23,758 秒，約 6.6 小時。

• 損益兩平 GPU 價格 —— $6.58 除以 6.6 小時，約為每 GPU 小時生成成本 $1.00。

現在來說注意事項，因為這個數字很容易被濫用。Ming 的發布版本已在 H800-80GB 與 H20-96G 上測試過，且需要搭配 CUDA 12.4 的 PyTorch 2.6；這些不是按小時計費的 GPU，而競技場的測試框架硬體並未公開。6.6 小時不包括模型載入時間、失敗的生成、排隊，以及鎖定環境與讓文字正規化運作所需的工程時數。把這些加進去，實際費率就會上升。如果你已經擁有閒置算力，邊際成本接近零，整體盤算就會完全倒向 Ming；如果你只是為了這個工作負載按小時租用，幾乎以目前任何雲端 GPU 費率來看，Simba 都更便宜。

在財務討論中，誠實的說法是：Simba 的 $6.58 是你可以據以編列預算的上限，而 Ming 的成本則是個下限，會隨著每一件出錯的事而增加。

金錢買不到的東西

價格是託管模型勝出之處。能力則是開源模型相形見絀的地方，而這些差異很具體。

• 語音設計 — Ming 可根據自然語言描述生成語音，無需參考音訊。Simba-3.2 沒有可供我們記錄的對等功能。如果你的產品需要一個尚不存在的語音，單憑這一點就能決定。

• 方言 — 在提供該方言的參考音檔時，Ming 能處理四川話與粵語。SpeechifyAI 並未公布 Simba-3.2 的方言清單。

• 副語言特徵 — Ming 隨附 14 個內嵌標籤，可用於中文或英文的笑聲、嘆息、咳嗽與猶豫。Simba 的標籤詞彙並未以我們能驗證的形式記錄。

• 可攜性 — MIT 授權的權重意味著不會調價、不會收到棄用通知、不會因供應商故障而中斷。它們也意味著沒有支援、沒有 SLA，也沒有任何人可以聯絡。

• 營運風險——Simba 是託管式的，這在出事之前算是優點；Ming 不是託管式的，這在架設環境的人離開之前算是優點。

光是限制部分就值得一讀這份模型卡，因為它們異常坦白：多事件副語言句子不穩定，當詞語本身不帶情感訊號時情緒控制會退化，法語相似度是最弱的語言，而開放式語音設計比不上它所評估過的最強系統。這些正是示範不會展現、而生產管線會在第三週發現的失效模式。

路由層適合放在哪裡，以及不適合放在哪裡

OrcaRouter 不託管 Ming-3.0-tts-0.5B 或 Simba-3.2，本文也並未如此宣稱——Ming 在你的硬體上執行，Simba 則透過 SpeechifyAI 的 API 執行。單一金鑰真正有幫助的地方，是在語音周邊而非語音本身：負責撰寫腳本、展開縮寫或標註情緒的文字模型，是語音流程中最常變動的一環，而我們會路由其中超過 200 個，以供應商定價且不額外加價。當供應商降價時，這項降價當天就會在我們這邊生效，因為我們直接傳遞定價，而非重新定價。自動容錯移轉接著會維持流程中負責產生腳本的那一半運作，同時你可決定語音那一半應該是下載還是帳單。

那是比「一套 API 搞定所有事」更狹窄的主張，而這也是唯一經得起讀者逐一核對產品目錄的主張。

結論，依工作負載拆分

選擇 Simba-3.2，如果語音只是產品的組成元件、而非產品本身；如果你想要一個聽起來完成度十足、無須試鏡一整組人選的道地語音；如果你的用量不大，每百萬字元 6.58 美元的費用能輕易消融在單位經濟效益裡；或者如果你根本沒人願意接手管理 CUDA 環境。與受控語音的重量疊，正是你的定心丸——讓你放心，自己並沒有為了這份便利而付出高昂的品質溢價。

若你需要一種不存在於任何廠商型錄中的聲音，就選 Ming-3.0-tts-0.5B；若你的受眾以中文為優先，且重視方言覆蓋率；若你的用量夠高、GPU 閒置夠多，以致按字計費反而成為昂貴選項；或者若授權條款與資料駐留不容妥協。投入前請認清：你採用的是未經公告的研究版本，沒有支援承諾，且有一份已記錄的弱點清單，而不是一款產品。

而如果你真的不確定，便宜的做法就是拿你自己的一百個句子，用同樣那八個參考聲音把兩者各跑一遍，然後盲聽。這大致就是{{1}}對照語音評測板{{/1}}所採用的流程，只需花上一個下午，而且根據已發表的證據，結果已經接近到足以讓{{2}}你的內容{{/2}}——而非排行榜——來決定一切。