Simba 3.5 vs. Simba 3.2: 110 Elo-Punkte, 48 Sprachen und eine Rechnung, die sich in neun Tagen verdoppelt

Der Upgrade-Pfad innerhalb eines Anbieters ist normalerweise der uninteressanteste Vergleich auf diesem Blog. Dieser hier ist es nicht, denn SpeechifyAI Simba 3.5 und SpeechifyAI Simba 3.2 unterscheiden sich um mehr als eine Versionsnummer, und die Unterschiede weisen in entgegengesetzte Richtungen. Simba 3.5 ist auf der Controlled-Voice-Arena 110 Elo-Punkte besser, spricht 48 Sprachen statt einer und kostet laut Listenpreis 50 % mehr. Simba 3.2 ist bei der einen Latenzzahl, die tatsächlich gemessen wurde, schneller, hat eine Sprach-Allowlist, die nichts mehr einschränkt, und behält seinen alten Preis. Ein Team, das Simba 3.2 in Produktion betreibt, muss vor dem 22. November eine echte Entscheidung treffen, und „auf die neuere Version upgraden“ ist nicht automatisch die richtige Antwort.

Zuerst die Termine, denn sie sind es, die dies dringlich statt akademisch machen. Simba 3.2 wurde am 8. Juli 2026 als englischsprachiges Streaming-Modell veröffentlicht und war bis 18. Oktober empfohlen. Simba 3.5 wurde am 18. Oktober als empfohlen gekennzeichnet, am 21. Oktober öffentlich eingeführt, erhielt am 9. November eine Senkung des Listenpreises und wird am 21. November zum Modell hinter zwei auslaufenden Legacy-IDs. Speechify macht 3.2 nicht obsolet – es bleibt gelistet, bleibt bepreist und bleibt aufrufbar – und genau deshalb muss die Entscheidung nach Sachgründen statt nach einer Frist getroffen werden.

Die Arena-Lücke ist die größte in der Geschichte jedes der beiden Modelle.

Beide Modelle werden auf beiden Artificial-Analysis-Boards bewertet. Beim kontrollierten Board bleibt der Sprecher über acht geklonte Referenzstimmen hinweg konstant; beim Anbieter-Board kann jeder Anbieter seine eigene Besetzung verwenden. Der Abstand zwischen diesen beiden Generationen ist auf dem kontrollierten Board größer, das von den beiden für alle, die eine Stimme klonen, aussagekräftiger ist.

• Kontrollierte Stimme — Simba 3.5 Rang 1, Elo 1.192, plus oder minus 17, Intervall 1.175 bis 1.209, 1.783 Stichproben

• Kontrollierte Stimme — Simba 3.2 Rang 14, Elo 1.082, plus oder minus 12, Intervall 1.070 bis 1.094, 3.630 Stichproben

• Provider Voice — Simba 3.5, Rang 5, Elo 1.294, plus/minus 17, Intervall 1.277 bis 1.311, 1.732 Stichproben

• Provider Voice — Simba 3.2 Rang 12, Elo 1.250, plus/minus 11, Intervall 1.239 bis 1.261, 3.966 Stichproben

• Zwei Generationen zurück — Simba 3.0 Rang 27 bei 1.035 kontrolliert, Rang 41 bei 1.114 Provider

Der Abstand auf dem kontrollierten Board beträgt 110 Punkte, wobei die Intervalle mehr als 80 Punkte Leerraum zwischen sich lassen. Das ist kein marginaler erneuter Durchlauf. Zum Kontext: Die gesamten Top Ten dieses Boards umfassen 62 Punkte; eine Generation von Simba deckt fast die doppelte Spanne ab. Der Abstand auf dem Anbieter-Board ist mit 44 Punkten kleiner, was etwas Nützliches aussagt: Ein Teil dessen, was 3.5 verbessert hat, ist die Synthesequalität bei unbekannten Stimmen, und ein Teil ist einfach ein besserer Standardklang.

Das generationsübergreifende Muster ist auch über drei Releases hinweg konsistent. Von Simba 3.0 zu 3.2 waren es 47 Punkte auf dem kontrollierten Board; von 3.2 zu 3.5 waren es 110. Speechify wird darin schneller besser als zuvor, und das im September empfohlene 3.2-Modell liegt jetzt im Mittelfeld.

Sprachen: sechs, eins, achtundvierzig

Das ist der Unterschied, der eher Architekturen als Qualitätswerte verändert. Simba 3.2 ist ausschließlich Englisch – eine nichtenglische Stimme liefert einen 400 mit dem abgelehnten Locale, das in der Meldung genannt wird. Simba 3.0 deckt sechs Sprachen in sieben Locales ab. Simba 3.5 deckt 48 unter einer einzigen ID ab, wobei Estnisch und Kantonesisch ausdrücklich ausgeschlossen sind und regionale Varianten im Geltungsbereich liegen.

Was die 48 nutzbar macht, ist, dass die Stimme mitreist. Jede Katalogstimme spricht alle 48 auf Simba 3.5 mit derselben voice id, und ebenso eine Stimme, die Sie in einem kostenpflichtigen Tarif geklont haben. Das ist die Funktion, auf die eine Lokalisierungspipeline gewartet hat: eine geklonte Markenstimme, achtundvierzig Sprachen, keine stimmenseitige Ersetzung pro Locale. Der Vorbehalt des Anbieters ist, dass eine Stimme den Akzent ihrer Quellaufnahme behält, und seine Empfehlung lautet, mit einer für jede Sprache muttersprachlichen Staff-Pick-Stimme zu generieren – weshalb staff_pick_rank am 18. Oktober im voices-Endpunkt erschien.

Auf Simba 3.2 gibt es diesen gesamten Workflow nicht. Eine Stimme, eine Sprache. Wenn Ihr Produkt in mehr als einem Markt ausgeliefert wird, ist das kein Bewertungsunterschied; es ist der Unterschied zwischen einer Integration und zwei Anbietern.

Latenz, wo das ältere Modell noch gewinnt

Speechify veröffentlicht gemessene Latenz für Simba 3.2 und nur aggregierte Angaben für 3.5, und die veröffentlichte Messung ist gut. Am 9. Oktober 2026 erreichte Simba 3.2, gemessen von einem Client in US East über warme Verbindungen, erstes hörbares Audio in einem Median von 47 Millisekunden über den WebSocket-Eingabestream und 64 Millisekunden über den HTTP-Stream — der niedrigste Wert der dreizehn Endpunkte, die Speechify an diesem Tag von diesem Standort aus gemessen hat. Serverseitig betrug das erste Byte 56 ms bei p50 und 102 ms bei p90 im am 15. September gemessenen Produktionsverkehr. Das Unternehmen stellt ausdrücklich klar, dass jeder Wert ein gemessenes Perzentil und keine Garantie ist und dass sich das Bild aus Zürich ändert: 142 ms für das Flash-Modell eines anderen Anbieters gegenüber 145 und 153 ms für die eigenen beiden Stream-Pfade.

Für Simba 3.5 sind die dokumentierten Zahlen Herstellerangaben und keine veröffentlichten Perzentile: 72 Millisekunden Time-to-First-Audio für 95 % der Streaming-Anfragen unter Produktionslast und die 1,8-fache Durchsatzleistung von Simba 3.2 pro Serving-Instanz. Diese lassen sich nicht direkt mit einem p50 vergleichen, das über warme Verbindungen gemessen wurde. Ein p95 von 72 ms und ein p50 von 47 ms können durchaus konsistent sein, und niemand außerhalb von Speechify hat den Testlauf durchgeführt, der das belegen würde.

Die praktische Konsequenz ist eng begrenzt, aber real. Wenn die Nutzererfahrung Ihres Produkts ein Sprachassistent ist, bei dem hundert Millisekunden Stille wahrnehmbar sind, haben Sie einen gemessenen Wert für 3.2 und eine Behauptung für 3.5, und das Ehrliche wäre, 3.5 vor der Migration selbst zu messen. Wenn Sie Audio in eine Datei rendern, ist Latenz irrelevant, und dieser Abschnitt betrifft Sie nicht.

Preis: Das Angebot endet am 21. November

Die Preisgestaltung von Speechify für diese beiden Modelle wird sich bald auseinanderentwickeln, und das Änderungsprotokoll legt sie genau dar.

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

• Simba 3.5, bis zum 21. November — 10,00 $, 8,00 $ und 6,00 $, die Preise der älteren Modelle

• Simba 3.5, ursprüngliche Startpreisliste vom 21. Oktober — 20 $, 16 $ und 12 $, abgelöst durch eine Preissenkung vom 9. November

• Simba 3.2 — unverändert bei $10.00, $8.00 und $6.00 pro Million Zeichen in denselben Tarifen

Bis einschließlich 21. November kosten die beiden Modelle also genau gleich viel, und 3.5 ist strikt besser. Ab dem 22. November kostet 3.5 in jeder Stufe 50 % mehr. Im Pro-Tarif sind das 72 $ gegenüber 108 $ für neun Millionen Zeichen; bei Scale 280,80 $ gegenüber 468 $ für 46,8 Millionen. Die Kontingente bleiben unverändert, sodass derselbe Tarif zum Listenpreis ein Drittel weniger Zeichen des neueren Modells bietet.

Das ist eine schlichte Wertentscheidung und kein Trick: 110 Elo-Punkte und 47 zusätzliche Sprachen für einen Aufpreis von 50 % sind für nahezu jede Arbeitslast, die eine der beiden Funktionen nutzt, ein gutes Geschäft – und ein schlechtes für eine rein englischsprachige Pipeline, die mit der Qualität von 3.2 bereits zufrieden war.

Die Migration ist nur eine Zeile, und genau darin liegt die Falle.

Die Dokumentation von Speechify ist ungewöhnlich klar darüber, dass der Wechsel von 3.2 auf 3.5 keine Änderung der API-Version erfordert: Setzen Sie {{1}}model{{/1}} auf {{2}}simba-3.5{{/2}}, behalten Sie dieselben Voice-IDs, dieselben Ausgabeformate, dieselben Speech Marks und dieselbe angewendete SSML-Teilmenge bei. Anfragen, die {{1}}model{{/1}} weglassen, werden weiterhin zu {{2}}simba-3.0{{/2}} aufgelöst, sodass die Standardeinstellung Sie nicht stillschweigend umstellt.

Zwei Details machen die Geschichte in einer Zeile kompliziert. Das erste ist, dass die Sprache jetzt eine Rolle spielt: Wenn der Text vom Locale der Stimme abweicht, müssen Sie sie explizit festlegen, sonst verwendet die API das Locale der Stimme und Sie erhalten einen Akzent, den Sie nicht beabsichtigt haben. Das zweite ist der 21. November selbst. An diesem Datum werden die beiden Simba 1.6-IDs simba-english und simba-multilingual nicht mehr von ihrem alten Training bedient; stattdessen werden sie von Simba 3.5 bedient, abgerechnet zum Tarif von Simba 3.5, und zwar in jeder API-Version, die sie noch benennen kann. Eine Integration, die auf die alten IDs festgelegt ist, ändert am selben Tag die Stimme und den Preis, ohne dass Code geändert werden muss. 3.5 vorher gezielt zu testen ist der einzige Weg, eine Wahl zu treffen.

Es gibt außerdem eine unauffällige Verbesserung, die es wert ist, erwähnt zu werden: Am 20. Oktober wurden Prosodie-Tonhöhe und Prosodie-Lautstärke auf Simba 3.5, 3.2 und 3.0 erstmals angewendet; zuvor waren sie akzeptiert und ignoriert worden. Wenn Sie diese Attribute heute senden und die Änderung nicht wollten, rät Speechify selbst, sie zu entfernen. Hervorhebungs- und Emotion-Tags werden bei allen drei Modellen weiterhin akzeptiert, aber nicht angewendet.

Wo OrcaRouter in ein familieninternes Upgrade passt

Keines der beiden Simba-Modelle ist auf OrcaRouter verfügbar – die Produktlinie wird über die eigene API von Speechify erreicht, und nichts hier sollte als gegenteilige Behauptung verstanden werden. Was wir hingegen routen, ist der Synthese-Katalog, den Sie während Ihrer Entscheidung als Kontrolle nutzen würden: openai/tts-1 zu 15,00 $ pro Million Zeichen und openai/tts-1-hd zu 30,00 $, zum Listenpreis des Anbieters ohne Aufschlag.

Das Nützliche, was ein Router bei einer Migration wie dieser leistet, ist, den alten Pfad überlebensfähig zu machen, während der neue sich bewährt. Betreiben Sie 3.5 eine Woche lang mit echtem Traffic über die API des Anbieters, behalten Sie 3.2 als Fallback und umgehen Sie einen Vorfall, statt ihn in der Produktion zu entdecken — automatisches Failover kostet nichts, wenn nichts ausfällt und kauft das gesamte Launch-Fenster, wenn doch etwas ausfällt. Derselbe einzige Schlüssel bedeutet außerdem, dass die OpenAI-Stimme, die Sie bereits verwendet haben, erreichbar bleibt, während Sie entscheiden, ob eine der beiden Simba-Generationen sie ersetzt.

Welchen ausführen, je nach Workload

Bleiben Sie bei Simba 3.2, wenn Ihre Workloads englisch sind, Ihre Stimmen englischsprachig sind, Ihre Qualitätsmesslatte im Juli bereits erfüllt wurde und die gemessene Kennzahl von 47 ms bis zum ersten hörbaren Audio in Ihrem Produkt tragend ist. Sie zahlen den niedrigeren Tarif bis zum 21. November und danach dauerhaft, und nichts in 3.5 verbessert Ihre Ausgabe. Für 3.2 gibt es kein Abschaltdatum; Speechify hat das ausdrücklich gesagt.

Wechseln Sie zu Simba 3.5, wenn einer der folgenden Punkte zutrifft: Sie benötigen eine zweite Sprache, Sie klonen Stimmen und möchten eine Voice-ID über alle Locales hinweg, Ihr Qualitätsanspruch an Englisch ist gestiegen oder Sie bauen etwas Neues. Der Abstand von 110 Punkten im kontrollierten Board ist der größte Generationssprung, den Speechify je erzielt hat, und die Abdeckung von 48 Sprachen ist innerhalb dieser Familie auf keine andere Weise verfügbar. Tun Sie es vor dem 21. November, wenn Sie es zu den Sätzen der älteren Modelle evaluieren möchten, und legen Sie die Modell-ID explizit fest, damit die Stilllegung nicht für Sie entscheidet.

Egal, wie Sie sich entscheiden, die Entscheidung hat ein Überprüfungsdatum statt einer endgültigen Antwort. Simba 3.5 hat 1.783 kontrollierte Stimm-Samples gegenüber 3.630 bei 3.2, daher wird sich sein Intervall verengen. Sein Listenpreis hat sich innerhalb von drei Wochen bereits einmal geändert. Und Alibabas Qwen-Audio-3.1-TTS-Plus liegt mit 1.176 auf demselben Board 16 Punkte hinter dem aktuellen Simba-Flaggschiff bei einem vergleichbaren Board-Preis — nah genug, dass die nächste Veröffentlichung auf einer der beiden Seiten die Frage erneut aufwirft.