Simba 3.5 vs. Qwen-Audio-3.0-TTS: Zwei Wege zur Lösung des Sprachproblems – doch nur einer ist dokumentiert

Sowohl SpeechifyAI Simba 3.5 als auch Alibaba Qwen-Audio-3.0-TTS werden Ihr Skript in anderen Sprachen als Englisch vorlesen. Sie erreichen das auf entgegengesetzten Wegen. Simba 3.5 veröffentlicht eine Liste: 48 Sprachen, eine Modell-ID, jede Katalogstimme spricht alle davon, und Estnisch und Kantonesisch werden als Ausnahmen genannt. Qwen-Audio-3.0-TTS veröffentlicht ein Anweisungsfeld, und der dokumentierte Weg, es Niederländisch sprechen zu lassen, besteht darin, ihm den Satz „Speak in Dutch, slowly and clearly.“ zu senden. Eines davon ist eine Spezifikation, aus der man eine Locale-Matrix bauen kann. Das andere ist ein Prompt, und der Unterschied zwischen beiden ist das Nützlichste an diesem Vergleich.

Auch hier spielt das Alter eine Rolle, und zwar auf eine Weise, wie es sonst meist nicht der Fall ist. {{1}}Qwen-Audio-3.0-TTS{{/1}} wurde am 20. Juli 2026 veröffentlicht und seither an der Spitze von Alibabas Produktpalette durch {{2}}Qwen-Audio-3.1-TTS-Plus{{/2}} abgelöst, das derzeit den dritten Platz auf dem Controlled-Voice-Board belegt. Die 3.0-Plus-Stufe ist weiterhin gelistet und nach wie vor diejenige mit der stärkeren gemessenen Position bei Provider Voice. {{3}}Simba 3.5{{/3}} kam am 21. Oktober 2026 auf den Markt und befindet sich seit drei Wochen in einem Preisplan, den es bereits einmal überarbeitet hat.

Die Zahlen, nebeneinander, wo sie vorhanden sind

Artificial Analysis bewertet beide Modelle auf beiden Boards, was dieses zu einem der wenigen direkten Aufeinandertreffen im Sprachbereich macht, bei denen man Gleiches mit Gleichem vergleichen kann, statt von einem Vorgängermodell extrapolieren zu müssen.

• Kontrollierte Stimme — SpeechifyAI Simba 3.5 Rang 1, Elo 1.192, plus oder minus 17, 1.783 Stichproben

• Kontrollierte Stimme — Alibaba Qwen-Audio-3.0-TTS-Plus Rang 10, Elo 1.130, plus oder minus 12, 3.596 Stichproben

• Anbieterstimme — SpeechifyAI Simba 3.5, Rang 5, Elo 1.294, plus/minus 17, 1.732 Stichproben

• Anbieterstimme — Alibaba Qwen-Audio-3.0-TTS-Plus Rang 10, Elo 1.264, plus oder minus 13, 3.056 Stichproben

• Kontrollierte Stimme — Alibaba Qwen-Audio-3.1-TTS-Plus auf Rang 3, Elo 1.176, plus oder minus 12 — das neuere Alibaba-Modell und das, auf das man achten sollte

• Board-Preis — Qwen-Audio-3.0-TTS-Plus: 19,31 $ pro Million Zeichen auf beiden Boards; Simba 3.5 mit 6,58 $ gelistet, ein planintegrierter Tarif, der nicht mit Speechifys veröffentlichter Liste übereinstimmt

Simba 3.5 liegt mit 62 Punkten auf dem kontrollierten Board und mit 30 auf dem Provider-Board vorn, und die Intervalle trennen sich in beiden Fällen sauber. Das ist ein eindeutiges Qualitätsergebnis zugunsten von Simba, und es lohnt sich festzuhalten, was es nicht erklärt: die Stichprobenanzahl. Qwen-Audio-3.0-TTS-Plus hat doppelt so viele Votes für kontrollierte Stimmen hinter seiner Schätzung, es handelt sich also um eine gut gemessene 1.130 statt um eine verrauschte.

Die interessante Feinheit ist Alibabas eigene Produktlinie. Qwen-Audio-3.1-TTS-Plus liegt auf dem kontrollierten Board 46 Punkte über Qwen-Audio-3.0-TTS-Plus, was bedeutet, dass das aktuelle Alibaba-Modell viel näher an Simba 3.5 liegt als das 3.0. Wer sich mit der 3.0-Stufe vergleicht, misst ein Modell, das bereits einmal verbessert wurde.

Achtundvierzig aufgeführte Sprachen gegenüber einem Anweisungsfeld

Die Dokumentation von Speechify ist für eine Sprach-API ungewöhnlich konkret. Die 48 Sprachen von Simba 3.5 sind aufzählbar, jede Katalogstimme – und jede geklonte Stimme im Bezahlplan – spricht alle diese Sprachen, und das Modell akzeptiert ein standardmäßiges Sprach-Tag im BCP-47-Stil wie ja-JP, wobei jede regionale Variante einer aufgeführten Sprache eingeschlossen ist. Das ausgeschlossene Paar – Estnisch und Kantonesisch – wird genannt. Speechify kennzeichnet außerdem, welche Stimmen in jedem Gebietsschema zu den Staff Picks gehören, und ordnet sie mit einem Feld staff_pick_rank ein, da eine Stimme den Akzent ihrer Quellaufnahme behält und die eigene Empfehlung lautet, mit einer für die Sprache muttersprachlichen Stimme zu generieren.

Alibabas Ansatz ist in eine andere Richtung flexibel. Qwen-Audio-3.0-TTS akzeptiert eine natürlichsprachliche Anweisung, die die Vortragsweise beschreibt – Tempo, Emotion, Persona –, und die dokumentierte Technik für eine Zielsprache besteht darin, dies in der Anweisung anzugeben, wobei die Anweisung mit der Sprache des Textes übereinstimmen muss. Es unterstützt außerdem explizite Aussprachekontrolle über language_hints und hot_fix, SSML- und LaTeX-Eingabe sowie Inline-Tags für Emotionen und Nonverbales wie [excited], [sad], [laughing] und [sighing]. Nicht-Streaming-Anfragen liefern eine Audio-URL, die 24 Stunden gültig ist; Streaming liefert Base64-Chunks. Das Modell wird von Singapur und Peking aus bereitgestellt.

Dieses Tag-Vokabular ist ein echter Vorteil, und Simba 3.5 kann damit nicht mithalten. Speechify wendet break, prosody rate, prosody pitch, prosody volume und sub alias an; emphasis- und emotion-Tags werden akzeptiert, aber nicht angewendet. Wenn Ihr Produkt ein Lachen mitten in einer Zeile oder ein Seufzen am Ende einer Zeile braucht, kann Qwen-Audio-3.0-TTS das heute, Simba 3.5 nicht.

Die Abwägung ist klar, sobald man sie benennt: Qwen bietet dir ausdrucksstarke Kontrolle und überlässt die Sprachunterstützung der Prosa; Speechify bietet dir eine zählbare Sprachliste und eine engere Ausdrucksfläche. Für eine Lokalisierungs-Pipeline ist die zählbare Liste mehr wert, denn eine Locale-Matrix ist etwas, das man testen, in einer Leistungsbeschreibung zitieren und an dem man einen Build scheitern lassen kann. „Sprich langsam und deutlich Niederländisch“ ist etwas, dem man zuhören muss.

Preise, umgerechnet in eine Zahl, die Sie vergleichen können

Alibaba rechnet die Synthese nach Eingabezeichen in Yuan ab, wobei sich die regionalen Tarife zwischen den Bereitstellungen in Peking und Singapur unterscheiden. Qwen-Audio-3.0-TTS-Plus ist in Peking mit ¥1,4 pro 10.000 Zeichen gelistet; der Flash-Tarif liegt bei ¥1,0. Artificial Analysis normalisiert den Plus-Tarif auf $19,31 pro Million Zeichen; das ist der Wert, den Sie verwenden sollten, wenn Sie einen Vergleich mit einem in Dollar abrechnenden Anbieter anstellen und nicht ein regionales Budget erstellen. Jedes gelistete Qwen-Audio-Modell umfasst in der Region Peking ein Freikontingent von einer Million Tokens für 90 Tage ab Aktivierung oder Veröffentlichung, je nachdem, was später liegt.

Speechify veröffentlicht in Dollar pro Million Zeichen und hat seine Meinung bereits einmal geändert:

Simba 3.5, Listenpreis ab 22. November — 15,00 $ pro Million bei Starter, 12,00 $ bei Pro, 10,00 $ bei Scale

• Simba 3.5, bis 21. November — 10,00 $, 8,00 $ und 6,00 $, die Tarife für Simba 3.2 und 3.0

• Simba 3.5, ursprüngliche Preisliste zur Markteinführung am 21. Oktober — $20, $16 und $12, abgelöst durch die Preissenkung vom 9. November

• Simba 3.2 und Simba 3.0 — 10 $, 8 $ und 6 $ pro Million Zeichen, unverändert

Zum Listenpreis liegt Simba 3.5 je nach Tarif zwischen etwa der Hälfte und drei Vierteln des Listenpreises von Qwen-Audio-3.0-TTS-Plus, und während des Angebotszeitraums sind es ein Drittel bis die Hälfte. Keines von beiden ist absolut gesehen teuer – fünf Millionen Zeichen pro Monat kosten bei beiden unter 100 US-Dollar –, daher ist der Preis wahrscheinlich nicht der entscheidende Faktor, es sei denn, Sie betreiben einen sehr großen Katalog. Wahrscheinlich sind es Sprachabdeckung und die Kontrolle über den Ausdruck.

Was das Datum des 21. November mit dieser Entscheidung macht

Die IDs von Speechify Simba 1.6 – simba-english und simba-multilingual – wurden in API-Version 2026-09-21 aus der Auswahl zurückgezogen. Am 21. November 2026 werden beide in jeder Sprache von Simba 3.5 bereitgestellt und als simba-3.5 abgerechnet – in jeder API-Version, in der sie noch benannt werden können. Eine Integration, die simba-multilingual seit dem Sommer nutzt, wird an diesem Datum ohne Codeänderung die Stimme und den Preis ändern.

Alibaba hat in diesem Vergleich kein entsprechendes geplantes Ereignis. Qwen-Audio-3.0-TTS bleibt neben den 3.1-SKUs aufgeführt, und die 3.1-Linie wird nach einer anderen Einheit abgerechnet – Tokens statt Zeichen –, sodass die beiden Generationen nicht verglichen werden können, indem man eine Zelle der Preistabelle durch eine andere teilt. Wenn Sie heute 3.0 einsetzen, ist die Migration auf 3.1 ein echtes Projekt und nicht nur eine einzeilige Änderung der Modell-ID, und der 46-Punkte-Abstand auf dem kontrollierten Board zwischen den beiden Stufen ist der Grund, sie einzuplanen.

Wo jede einzelne die richtige Entscheidung ist

Wählen Sie Simba 3.5, wenn Ihr Problem Breite unter einer einzigen Voice-ID ist: ein Produkt, das eine Markenstimme über Dutzende Locales hinweg ausliefert, ein Backkatalog, der in Sprachen neu gerendert werden muss, die niemand im Team spricht, oder eine barrierefreie Vorlesefunktion, bei der dieselbe geklonte Stimme dem Nutzer vom Englischen ins Spanische folgen muss, ohne wie eine andere Person zu klingen. Die gezählte Sprachenliste, das Staff-Pick-Ranking und das Zero-Shot-Cloning ohne Genehmigung sind die Funktionen, die das möglich machen, und der 62-Punkte-Vorsprung im kontrollierten Board bedeutet, dass die Qualität standhält, wenn die Stimme nicht eine vom Anbieter ausgewählte ist.

Wähle Qwen-Audio-3.0-TTS, wenn dein Problem die Leistung und nicht die Abdeckung ist: Hörbuch- und Podcast-Arbeiten, bei denen ein [excited]-Tag seinen Platz verdient, mandarinsprachige Inhalte, bei denen Alibabas Stimmkatalog und Aussprachesteuerung am tiefsten gehen, oder eine Bereitstellung, die in einer Region Singapur oder Peking liegen muss. Das Instruktionsfeld ist wirklich ausdrucksstärker als das, was Speechify bietet, und die Nicht-Streaming-URL- und SSE-Chunk-Pfade decken sowohl Batch- als auch Live-Rendering ab.

OrcaRouter führt keine der beiden Produktlinien — Simba wird über die eigene API von Speechify erreicht, Qwen über Alibaba Cloud Model Studio — und nichts hier sollte als gegenteilige Behauptung gelesen werden. Was wir weiterleiten, ist ein kleinerer Synthese-Katalog, der beim Testen als neutrale Kontrolle dient: openai/tts-1 zu $15.00 pro Million Zeichen und openai/tts-1-hd zu $30.00, beide zum Listenpreis des Anbieters ohne Aufschlag, daneben google/gemini-3.1-flash-tts-preview. Dasselbe dreiminütige Skript durch diese und durch beide Kandidaten zu rendern, ist der günstigste Weg, eine Frage zu klären, die zwei Bestenlisten nur eingrenzen können.

Der Teil, den beide Anbieter Ihnen selbst zu klären überlassen

Keines der beiden Modelle wird Ihnen sagen, ob seine nicht englischsprachige Ausgabe für Ihr Publikum gut genug ist, und die Arena wird es auch nicht tun: Das Controlled Voice Board ist eine englischsprachige Bewertung anhand von acht englischen Referenzstimmen, vier amerikanischen und vier britischen. Ein in Englisch gemessener Vorsprung von 62 Punkten sagt nichts Direktes über Japanisch, Polnisch oder brasilianisches Portugiesisch aus. Speechifys Antwort besteht darin, auf Mitarbeiterempfehlungen je Locale zu verweisen; Alibabas Antwort besteht darin, auf Anleitungen und eine Stimmenliste zu verweisen. Beide bitten Sie zuzuhören.

Das ist das ehrliche Fazit zu diesem Paar. Das eine ist neuer, laut Liste günstiger, in Englisch besser gemessen und bis hinunter zur Sprachanzahl dokumentiert. Das andere ist ausdrucksstärker, in chinesischsprachiger Arbeit etablierter, mitten in einem Generationswechsel und wird eher über ein Instruktionsfeld als über eine Spezifikation gesteuert. Testen Sie beide in den zwei Locales, die tatsächlich Ihren Umsatz tragen, und der Rest dieses Vergleichs wird zum Entscheidungskriterium für den Gleichstand statt zur Entscheidung selbst.