Simba 3.5 vs Eleven v4: Die beiden Ranglisten widersprechen sich, und nur eine von ihnen betrifft Ihr Produkt

Setzt man SpeechifyAI Simba 3.5 und ElevenLabs Eleven v4 auf dieselbe Tabelle, hängt das Ergebnis vollständig davon ab, welches Artificial-Analysis-Board man liest. Bei Controlled Voice – dieselben acht geklonten Referenzstimmen für jeden Teilnehmer – liegt Simba 3.5 mit 1.192 auf Platz eins und Eleven v4 mit 1.155 auf Platz sieben, eine Lücke von 37 Punkten, deren Intervalle sich nicht berühren. Bei Provider Voice – dem eigenen Stimmensemble jedes Anbieters – liegt Eleven v4 mit 1.340 auf Platz eins und Simba 3.5 mit 1.294 auf Platz fünf, eine Lücke von 46 Punkten in die andere Richtung, ebenfalls sauber getrennt. Keine der beiden Zahlen ist falsch. Sie messen unterschiedliche Produkte, und welche man vertrauen sollte, entscheidet eine Frage zu Ihrem Stack und nicht zu einem der beiden Anbieter.

Die beiden Gremien – und warum sie sich so völlig uneinig sind

Controlled Voice hält den Sprecher konstant. Artificial Analysis klont vier amerikanische und vier britische Stimmen und lässt jedes Modell dieselben Sätze mit genau diesen Stimmen sprechen, sodass eine Person, die zwei Hörproben vergleicht, allein die Synthesequalität hört. Provider Voice lässt jeden Anbieter seine eigenen Stimmen ins Spiel bringen, was bedeutet, dass die Zuhörenden das Modell und die Stimmbesetzung gemeinsam beurteilen – das Timbre, den Akzent, die schauspielerischen Entscheidungen, die der Anbieter kuratiert hat.

ElevenLabs hat jahrelang an dieser Besetzung gearbeitet. Sie ist der Teil des Unternehmens, der überhaupt kein Modell ist, und deshalb stehen Eleven v4 und Eleven v4 Turbo auf der Anbieter-Rangliste auf den beiden Spitzenplätzen – mit 32 Samples klarer Luft zwischen sich und dem Rest. Nimmt man die Besetzung weg, landet Eleven v4 auf dem siebten Platz. Speechifys Position ist das Spiegelbild: Fünfter mit den eigenen Stimmen, Erster ohne sie.

• Kontrollierte Stimme — SpeechifyAI Simba 3.5 Rang 1, Elo 1.192, Intervall 1.175 bis 1.209, 1.783 Samples

• Kontrollierte Stimme — ElevenLabs Eleven v4 Rang 7, Elo 1.155, Intervall 1.143 bis 1.167, 3.221 Stichproben

• Kontrollierte Stimme — ElevenLabs Eleven v4 Turbo Rang 6, Elo 1.156, Intervall 1.144 bis 1.168, 3.327 Stichproben

• Anbieter-Stimme — ElevenLabs Eleven v4, Rang 1, Elo 1.340, Intervall 1.325 bis 1.355, 2.742 Stichproben

• Anbieter-Stimme — ElevenLabs Eleven v4 Turbo, Rang 2, Elo 1,339, Intervall 1,323 bis 1,355

• Anbieter-Stimme — SpeechifyAI Simba 3.5, Rang 5, Elo 1.294, Intervall 1.277 bis 1.311, 1.732 Stichproben

• Anbieterstimme — Alibaba Qwen-Audio-3.1-TTS-Plus Platz 3 mit 1.300, zwischen den beiden in dieser Rangliste

Beide Abstände sind größer als die Intervalle um sie herum, also ist keine der beiden Reihenfolgen ein Münzwurf. Der 37-Punkte-Sieg von Simba 3.5 bei Controlled Voice und der 46-Punkte-Sieg von Eleven v4 bei Provider Voice sind beides echte Messungen unterschiedlicher Dinge. Das ist ungewöhnlich – die meisten Modellpaare schneiden auf beiden Boards gleich ab – und genau das ist der gesamte Inhalt dieses Vergleichs.

Die Frage, die alles entscheidet

Wenn Ihr Produkt die Stimme ausliefert, für die sich der Anbieter entschieden hat – eine Standard-Assistentenstimme, eine vorgefertigte Erzählspur, eine einzige Hausstimme in einer ganzen App –, dann kaufen Sie das, was Provider Voice gemessen hat, und Eleven v4 gewinnt dabei um 46 Punkte. Wenn Ihr Produkt Nutzern erlaubt, eine Stimme auszuwählen, ihre eigene zu klonen oder eine feste Markenstimme in jede Sprache mitzubringen, dann kaufen Sie das, was Controlled Voice gemessen hat, und Simba 3.5 gewinnt dabei um 37 Punkte.

Es gibt einen praktischen Test, der das an einem Nachmittag klärt: Nehmen Sie drei Minuten Ihres eigenen Referenzaudios, klonen Sie es auf beiden Plattformen und hören Sie zu. Ein Modell, das die kontrollierte Rangliste anführt, ist ein Modell, das mit einer unbekannten Stimme gut umgeht. Ein Modell, das die Anbieter-Rangliste anführt, ist ein Modell mit gutem Geschmack bei Stimmen. Das sind unterschiedliche Fähigkeiten, und Ihr Arbeitsaufwand braucht nur eine davon.

Der Preis ist nicht nah dran, und er ist auch nicht die ganze Geschichte.

Eleven v4 ist mit 0,08 US-Dollar pro tausend Zeichen gelistet, also 80 US-Dollar pro Million. Das ist der Preis auf der eigenen API-Preisseite von ElevenLabs und der Wert, den Artificial Analysis für das Modell führt; das Aktionsfenster, das bis Mitte Oktober lief, ist beendet, sodass 80 US-Dollar der reguläre Preis und kein einmaliger Einführungspreis sind. Eleven v4 Turbo kostet die Hälfte davon, nämlich 40 US-Dollar pro Million.

Simba 3.5 kostet 15, 12 und 10 US-Dollar pro Million Zeichen in den Tarifen Starter, Pro und Scale – eine Senkung gegenüber den 20, 16 und 12 US-Dollar, zu denen es am 21. Oktober eingeführt wurde. Bis zum 21. November 2026 wird stattdessen zu den Preisen der älteren Modelle abgerechnet: 10, 8 und 6 US-Dollar. Ab dem 22. November gilt die neue Preisliste, und das Angebot entfällt.

• Eleven v4 — 80,00 US-Dollar pro Million Zeichen, Listenpreis, keine aktive Aktion

• Eleven v4 Turbo — 40,00 $ pro Million Zeichen

• Simba 3.5 — 15,00 $ Starter, 12,00 $ Pro, 10,00 $ Scale pro Million Zeichen, ab dem 22. November

• Simba 3.5 — 10,00 $, 8,00 $ und 6,00 $ pro Million Zeichen bis zum 21. November

• Simba 3.2 und Simba 3.0 — unverändert bei den Preisen von 10 $, 8 $, 6 $ für dieselben Tarife

Bei fünf Millionen Zeichen pro Monat – etwa hundert Stunden fertiger Sprachaufnahmen – kostet Eleven v4 400 $ und Simba 3.5 zwischen 50 $ und 75 $, je nach Tarif und Datum. Das ist ein Faktor von fünf bis acht. Wer für Simba 3.5 die 6,58 $ aus der Rangliste zitiert, zitiert eine tarifeingebettete Rate, die nicht mit Speechifys veröffentlichter Liste übereinstimmt; kalkulieren Sie anhand der Tariftabelle oben.

Sprachen: 48 unter einer ID gegenüber 90-plus

Hier ist der Punkt, an dem der Vergleich kein Gleichstand mehr ist, sondern zu einer Routing-Entscheidung wird. Simba 3.5 spricht 48 Sprachen unter einer einzigen Modell-ID – gegenüber sechs, die Simba 3.0 abdeckte –, und jede Katalogstimme – auch eine geklonte – spricht alle 48 mit derselben Stimm-ID. Estnisch und Kantonesisch sind ausdrücklich nicht in der Liste. Eleven v4 deckt über 90 Sprachen mit einer Obergrenze von 10.000 Zeichen pro Anfrage ab, was ungefähr zehn Minuten Sprache entspricht, bevor man aufteilen muss.

Achtundvierzig Sprachen reichen für die meisten europäischen, lateinamerikanischen und ostasiatischen Produktlinien und nicht für einen wirklich globalen Katalog. Über neunzig reicht für fast alles, und wenn Ihre Anforderung „jedes Gebietsschema, in dem wir verkaufen“ lautet, spielt das Qualitätsargument keine Rolle mehr — einer dieser beiden kann die Aufgabe erledigen und der andere möglicherweise nicht.

Bei den 48 gibt es einen Vorbehalt, den der Anbieter offen ausspricht und den die meisten Berichte auslassen: Eine Stimme behält den Akzent ihrer Quellaufnahme. Eine geklonte amerikanische Stimme, die Japanisch spricht, klingt wie ein Amerikaner, der Japanisch spricht. Speechifys eigene Empfehlung lautet, mit der muttersprachlichen Staff-Pick-Stimme der jeweiligen Sprache zu beginnen – deshalb erscheint staff_pick_rank jetzt im voices-Endpoint. Sprachübergreifende Stimmübertragung ist verfügbar; akzentfrei ist sie nicht.

Latenz, Klonen und die API-Form

Speechify gibt 72 Millisekunden Zeit bis zum ersten Audio am 95. Perzentil der Streaming-Anfragen unter Produktionslast an sowie das 1,8-Fache des Durchsatzes von Simba 3.2 pro Serving-Instanz. Dabei handelt es sich um Herstellerangaben, die nicht reproduziert wurden. ElevenLabs veröffentlicht für Eleven v4 selbst keine vergleichbare Zahl. Die einzige gemessene Latenzzahl in der Simba-Dokumentation ist älter und enger gefasst: Simba 3.2 mit 56 Millisekunden Median und 102 Millisekunden am 90. Perzentil für das serverseitige erste Byte, gemessen in US East am 15. September 2026 — eine andere Metrik als die Zeit bis zum ersten Audio und nicht übertragbar.

Voice-Cloning ist bei beiden Zero-Shot und Self-Serve, allerdings mit einem Reibungsunterschied, der im Team-Maßstab relevant wird. Simba 3.5 Cloning ist auf bezahlten Plänen ohne Genehmigung verfügbar. ElevenLabs bietet Instant-Clones aus zehn Sekunden Audio neben seiner professionellen Clone-Stufe, und seine Einwilligungsprüfung ist die weiterentwickelte der beiden — ein Pluspunkt für alle, die von Nutzern bereitgestellte Stimmen ausliefern.

Die Anfrageformen sind nicht austauschbar, was man wissen sollte, bevor man eine Abstraktionsschicht schreibt. Speechify authentifiziert mit einem Bearer-Token, sendet den Text als input, das Modell als model und hat überhaupt kein voice_settings-Objekt. ElevenLabs verwendet seinen eigenen Header und seine eigenen Feldnamen. Beide unterstützen Streaming; Speechifys SSML-Unterstützung ist eine Teilmenge, wobei break, prosody rate, prosody pitch, prosody volume und sub alias angewendet und emphasis- und emotion-Tags akzeptiert, aber ignoriert werden.

Wo ein Router hier tatsächlich hilft

Keines der beiden Modelle ist auf OrcaRouter, und dieser Beitrag behauptet auch nichts anderes: Die Simba-Reihe wird über die eigene API von Speechify erreicht und die ElevenLabs-Reihe über die von ElevenLabs. Was wir tatsächlich routen, ist der kleinere Synthese-Katalog, der eine faire Kontrollgruppe bildet — openai/tts-1 für 15,00 $ pro Million Zeichen und openai/tts-1-hd für 30,00 $, beide zum Listenpreis des Anbieters, ohne Aufschlag.

Das Routing-Argument in diesem konkreten Vergleich dreht sich nicht um Qualität, denn die Antwort auf die Qualitätsfrage ist bereits gespalten. Es ist, dass die beiden Boards sich uneinig sind, die Preise um den Faktor fünf bis acht auseinanderliegen und beide Fakten nur bis zur Veröffentlichung des nächsten Modells Bestand haben. Ein Stack, der dasselbe Skript an zwei Anbieter senden und anhand des eigenen Audios vergleichen kann, hat eine Antwort, die den nächsten Leaderboard-Durchlauf übersteht; ein Stack, der fest auf einen der beiden verdrahtet ist, muss die Entscheidung jedes Quartal neu ausfechten. Automatisches Failover deckt auch den Fall ab, den niemand benchmarkt — einen Vorfall auf Anbieterseite während einer Launch-Woche.

Ein ehrliches Urteil, mit Krawatte

Eleven v4 ist das bessere Modell, wenn Sie breite Sprachabdeckung, eine kuratierte Stimmenauswahl, die Sie nicht selbst erstellen müssen, die ausgereiftesten Tools für Einwilligung und Klonen oder einen Spitzenplatz in einem Anbieter-Ranking benötigen, der sich an der Spitze eines Feldes von hundert Modellen gehalten hat. Es kostet fünf- bis achtmal so viel, und der Preis ist nicht werblich.

Simba 3.5 ist das bessere Modell, wenn Ihre Stimmen Ihre eigenen sind – geklont, markeneigen oder je Locale ausgewählt – und wenn 48 Sprachen die Märkte abdecken, in denen Sie tatsächlich verkaufen. Es führt die Bestenliste an, in der der Sprecher konstant gehalten wird, und genau diese Bestenliste sagt die Leistung bei einer Stimme voraus, die der Anbieter noch nie gehört hat. Außerdem läuft es seit drei Wochen unter einem Preisplan, der bereits einmal geändert wurde, und am 21. November steht eine Migration der Modell-ID an, sodass der Preis, zu dem Sie sich anmelden, nicht unbedingt der Preis ist, den Sie im Dezember zahlen.

Was dir keine der beiden Ranglisten verrät, ist, welche der beiden deine Hörer bei deinen Inhalten bevorzugen. Siebenunddreißig Elo-Punkte sind ein bedeutender Abstand, und das ist kein Ersatz für einen Hörtest mit drei Minuten deines eigenen Skripts in deiner eigenen Stimme. Mach diesen Test, bevor du dich bei einer der beiden auf ein Volumen festlegst.