Simba 3.5 vs. Qwen-Audio-3.0-TTS: dos formas de resolver el problema del idioma, solo una de las cuales está documentada

Tanto SpeechifyAI Simba 3.5 como Alibaba Qwen-Audio-3.0-TTS leerán tu guion en idiomas distintos del inglés. Llegan ahí por rutas opuestas. Simba 3.5 publica una lista: 48 idiomas, un único id de modelo, todas las voces del catálogo hablan todos ellos, y el estonio y el cantonés se nombran como las excepciones. Qwen-Audio-3.0-TTS publica un campo de instrucciones, y la forma documentada de hacer que hable neerlandés es enviarle la frase «Habla en neerlandés, despacio y con claridad». Una de esas opciones es una especificación con la que puedes construir una matriz de configuración regional. La otra es un prompt, y la diferencia entre ambas es lo más útil de esta comparación.

La antigüedad también cuenta aquí, de un modo en que normalmente no lo hace. Qwen-Audio-3.0-TTS se lanzó el 20 de julio de 2026 y desde entonces ha sido reemplazado en la cima de la gama de Alibaba por Qwen-Audio-3.1-TTS-Plus, que es el que actualmente ocupa el tercer puesto en la tabla Controlled Voice. El nivel 3.0 Plus sigue listado y sigue siendo el que tiene la posición medida más fuerte en Provider Voice. Simba 3.5 llegó el 21 de octubre de 2026 y lleva tres semanas dentro de un calendario de precios que ya ha revisado una vez.

Los números, uno al lado del otro donde los haya.

Artificial Analysis puntúa ambos modelos en ambos rankings, lo que convierte este en uno de los pocos enfrentamientos en el ámbito del habla donde se puede comparar lo comparable en lugar de extrapolar a partir de un predecesor.

• Voz controlada — SpeechifyAI Simba 3.5, puesto 1, Elo 1.192, más o menos 17, 1.783 muestras

• Voz controlada — Alibaba Qwen-Audio-3.0-TTS-Plus, puesto 10, Elo 1.130, más o menos 12, 3.596 muestras

• Voz del proveedor — SpeechifyAI Simba 3.5, puesto 5, Elo 1.294, más o menos 17, 1.732 muestras

Voz del proveedor — Alibaba Qwen-Audio-3.0-TTS-Plus puesto 10, Elo 1.264, más o menos 13, 3.056 muestras

• Voz controlada — Alibaba Qwen-Audio-3.1-TTS-Plus, puesto 3, Elo 1.176, más o menos 12 — el modelo más reciente de Alibaba y el que hay que seguir

• Precio del panel — Qwen-Audio-3.0-TTS-Plus $19.31 por millón de caracteres en ambos paneles; Simba 3.5 aparece a $6.58, una tarifa integrada en el plan que no coincide con la lista publicada de Speechify

Simba 3.5 lidera por 62 puntos en la tabla controlada y por 30 en la tabla de proveedores, y los intervalos se separan con claridad en ambos casos. Es un resultado de calidad claro a favor de Simba, y vale la pena señalar lo que no lo explica: el número de muestras. Qwen-Audio-3.0-TTS-Plus tiene el doble de votos de voz controlada respaldando su estimación, así que se trata de un 1.130 bien medido en lugar de uno ruidoso.

El matiz interesante es la propia línea de Alibaba. Qwen-Audio-3.1-TTS-Plus se sitúa 46 puntos por encima de Qwen-Audio-3.0-TTS-Plus en el panel controlado, lo que significa que el modelo actual de Alibaba está mucho más cerca de Simba 3.5 de lo que lo está el 3.0. Cualquiera que compare con el nivel 3.0 está midiendo un modelo que ya se ha mejorado una vez.

Cuarenta y ocho idiomas enumerados frente a un campo de instrucciones

La documentación de Speechify es inusualmente concreta para una API de voz. Los 48 idiomas de Simba 3.5 son enumerables, cada voz del catálogo —y cada voz clonada del plan de pago— habla todos ellos, y el modelo acepta una etiqueta de idioma estándar al estilo BCP-47, como ja-JP, y cualquier variante regional de un idioma de la lista queda dentro del alcance. El par que se excluye, el estonio y el cantonés, se nombra explícitamente. Speechify también señala qué voces son selecciones del equipo en cada configuración regional y las clasifica con un campo staff_pick_rank, porque una voz conserva el acento de su grabación de origen y su propia recomendación es generar con una voz nativa del idioma.

El enfoque de Alibaba es flexible en otra dirección. Qwen-Audio-3.0-TTS acepta una instrucción en lenguaje natural que describe la locución —ritmo, emoción, personalidad— y la técnica documentada para un idioma de destino consiste en indicarlo en la instrucción, y la instrucción debe coincidir con el idioma del texto. También admite control explícito de la pronunciación mediante language_hints y hot_fix, entrada SSML y LaTeX, y etiquetas en línea de emoción y no verbales como [excited], [sad], [laughing] y [sighing]. Las solicitudes sin streaming devuelven una URL de audio válida durante 24 horas; las de streaming devuelven fragmentos en base64. El modelo se sirve desde Singapur y Pekín.

Ese vocabulario de etiquetas es una ventaja real y Simba 3.5 no está a su altura. Speechify aplica break, prosody rate, prosody pitch, prosody volume y sub alias; las etiquetas de énfasis y emoción se aceptan y no se aplican. Si tu producto necesita una risa en mitad de una línea, o un suspiro al final de una, Qwen-Audio-3.0-TTS lo hace hoy y Simba 3.5 no.

La disyuntiva es sencilla una vez planteada: Qwen te da control expresivo y deja el soporte de idiomas a la prosa; Speechify te da una lista contable de idiomas y una superficie expresiva más limitada. Para una canalización de localización, la lista contable vale más, porque una matriz de locales es algo que puedes probar, citar en una declaración de trabajo y usar para hacer fallar una compilación. «Habla en neerlandés, despacio y con claridad» es algo que tienes que escuchar.

Precios, convertidos en un número que puedes comparar

Alibaba factura la síntesis por carácter de entrada en yuanes, con tarifas regionales que difieren entre los despliegues de Pekín y Singapur. Qwen-Audio-3.0-TTS-Plus tiene un precio de ¥1,4 por cada 10.000 caracteres en Pekín; el nivel Flash es de ¥1,0. Artificial Analysis normaliza el nivel Plus a 19,31 USD por millón de caracteres, que es la cifra que debe utilizarse si se compara con un proveedor que factura en dólares en lugar de elaborar un presupuesto regional. Cada modelo Qwen-Audio listado incluye una asignación gratuita de un millón de tokens en la región de Pekín durante 90 días desde la activación o el lanzamiento, lo que ocurra más tarde.

Speechify publica en dólares por millón de caracteres y ya ha cambiado de opinión una vez:

• Simba 3.5, tarifa desde el 22 de noviembre — $15.00 por millón en Starter, $12.00 en Pro, $10.00 en Scale

• Simba 3.5, hasta el 21 de noviembre — $10.00, $8.00 y $6.00, las tarifas de Simba 3.2 y 3.0

• Simba 3.5, lista de lanzamiento original del 21 de octubre — $20, $16 y $12, reemplazada por el recorte del 9 de noviembre

• Simba 3.2 y Simba 3.0 — $10, $8 y $6 por millón de caracteres, sin cambios

A tarifa de lista, Simba 3.5 se sitúa entre aproximadamente la mitad y tres cuartos de la tarifa publicada de Qwen-Audio-3.0-TTS-Plus según el plan, y durante la ventana de oferta es entre un tercio y la mitad. Ninguno es caro en términos absolutos —cinco millones de caracteres al mes cuestan menos de $100 en cualquiera de los dos—, así que es poco probable que el precio sea el factor decisivo, a menos que tengas un catálogo muy grande. La cobertura de idiomas y el control expresivo probablemente sí lo sean.

Qué efecto tiene la fecha del 21 de noviembre en esta decisión

Los ID de Simba 1.6 de Speechify —simba-english y simba-multilingual— se retiraron de la selección en la versión de API 2026-09-21. El 21 de noviembre de 2026, Simba 3.5 proporciona ambos en todos los idiomas y se facturan como simba-3.5, en cualquier versión de API que todavía pueda nombrarlos. Una integración que haya estado ejecutando simba-multilingual desde el verano cambiará de voz y de precio en esa fecha sin necesidad de cambiar el código.

Alibaba no tiene un evento programado equivalente en esta comparación. Qwen-Audio-3.0-TTS sigue apareciendo junto a las SKU de 3.1, y la línea 3.1 se factura en una unidad diferente —tokens en lugar de caracteres—, por lo que las dos generaciones no pueden compararse dividiendo una celda de la tarifa de una entre otra. Si hoy usa la 3.0, la migración a la 3.1 es un proyecto real y no un simple cambio de id de modelo en una línea, y la diferencia de 46 puntos en la placa controlada entre los dos niveles es la razón para programarla.

Donde cada uno es la decisión correcta

Elige Simba 3.5 si tu problema es la amplitud bajo un único id de voz: un producto que despliega una sola voz de marca en decenas de locales, un catálogo anterior que hay que volver a renderizar en idiomas que nadie del equipo habla, o una lectura de accesibilidad en la que la misma voz clonada tiene que acompañar al usuario del inglés al español sin sonar como una persona distinta. La lista contada de idiomas, la clasificación de selección del equipo y el clonado zero-shot sin aprobación son las funciones que hacen que eso funcione, y la ventaja de 62 puntos en la evaluación de un panel controlado significa que la calidad se mantiene cuando la voz no es una que haya elegido el proveedor.

Elige Qwen-Audio-3.0-TTS si tu problema es el rendimiento y no la cobertura: trabajos de audiolibros y pódcasts en los que una etiqueta [excited] se gana su lugar, contenido con el mandarín como prioridad, donde el catálogo de voces y los controles de pronunciación de Alibaba son más completos, o un despliegue que tenga que ubicarse en una región de Singapur o Pekín. El campo de instrucciones es genuinamente más expresivo que lo que expone Speechify, y las rutas de URL sin transmisión y de fragmentos SSE cubren tanto la renderización por lotes como la renderización en vivo.

OrcaRouter no ofrece ninguna de las dos opciones —se accede a Simba a través de la propia API de Speechify y a Qwen mediante Alibaba Cloud Model Studio— y nada de lo aquí expuesto debe interpretarse como una afirmación en sentido contrario. Lo que sí enrutamos es un catálogo de síntesis más reducido que funciona como control neutral cuando haces pruebas: openai/tts-1 a 15,00 USD por millón de caracteres y openai/tts-1-hd a 30,00 USD, ambos al precio de lista del proveedor sin margen añadido, junto con google/gemini-3.1-flash-tts-preview. Procesar el mismo guion de tres minutos con estos y con ambos candidatos es la forma más económica de resolver una cuestión que dos clasificaciones solo pueden acotar.

La parte que ambos proveedores te dejan para que la resuelvas

Ninguno de los modelos te dirá si su salida en idiomas distintos del inglés es lo bastante buena para tu público, y la arena tampoco lo hará: el panel Controlled Voice es una evaluación en inglés sobre ocho voces de referencia en inglés, cuatro estadounidenses y cuatro británicas. Una ventaja de 62 puntos medida en inglés no dice nada directo sobre japonés, polaco o portugués brasileño. La respuesta de Speechify es señalar las selecciones del personal para cada localidad; la de Alibaba es remitir a instrucciones y a una lista de voces. Ambos te piden que escuches.

Esa es la conclusión honesta sobre este par. Uno es más nuevo, más barato a precio de lista, mejor medido en inglés y documentado hasta el número de idiomas. El otro es más expresivo, más consolidado en el trabajo en chino, a mitad de una transición generacional y controlado por un campo de instrucción en lugar de una especificación. Prueba ambos en los dos locales que realmente sostienen tus ingresos, y el resto de esta comparación se convierte en un desempate en lugar de la decisión.