Simba 3.5 frente a Simba 3.2: 110 puntos Elo, 48 idiomas y una factura que se duplica en nueve días

La ruta de actualización dentro de un mismo proveedor suele ser la comparación menos interesante de este blog. Esta no lo es, porque SpeechifyAI Simba 3.5 y SpeechifyAI Simba 3.2 difieren en más que un número de versión, y las diferencias apuntan en direcciones opuestas. Simba 3.5 es 110 puntos Elo mejor en la arena Controlled Voice, habla 48 idiomas en lugar de uno y cuesta un 50 % más a precio de lista. Simba 3.2 es más rápido en el único dato de latencia que alguien ha medido realmente, tiene una lista de voces permitidas que ya no restringe nada y mantiene su precio anterior. Un equipo que ejecute Simba 3.2 en producción tiene una decisión real que tomar antes del 22 de noviembre, y «actualizar a la versión más nueva» no es automáticamente la respuesta correcta.

Primero, las fechas, porque son lo que hace que esto sea urgente y no meramente académico. Simba 3.2 se lanzó el 8 de julio de 2026 como un modelo de streaming solo en inglés y se recomendó hasta el 18 de octubre. Simba 3.5 se marcó como recomendado el 18 de octubre, se lanzó públicamente el 21 de octubre, su precio de lista se redujo el 9 de noviembre y el 21 de noviembre pasa a ser el modelo detrás de dos IDs heredados que se retiran. Speechify no está marcando como obsoleto 3.2 —sigue listado, mantiene su precio y se puede seguir invocando— y precisamente por eso la elección debe hacerse por méritos y no por una fecha límite.

La brecha de la arena es la mayor en la historia de cualquiera de los dos modelos.

Ambos modelos se puntúan en ambos paneles de Artificial Analysis. El panel controlado mantiene constante al hablante en ocho voces de referencia clonadas; el panel del proveedor permite que cada proveedor use su propio elenco. La brecha entre estas dos generaciones es mayor en el panel controlado, que es el más informativo de los dos para cualquiera que clone una voz.

• Voz controlada — Simba 3.5, puesto 1, Elo 1,192, más o menos 17, intervalo de 1,175 a 1,209, 1,783 muestras

• Voz controlada — Simba 3.2, puesto 14, Elo 1.082, más o menos 12, intervalo de 1.070 a 1.094, 3.630 muestras

• Voz del proveedor — Simba 3.5, puesto 5, Elo 1.294, más o menos 17, intervalo de 1.277 a 1.311, 1.732 muestras

• Voz del proveedor — Simba 3.2, puesto 12, Elo 1.250, más o menos 11, intervalo de 1.239 a 1.261, 3.966 muestras

• Dos generaciones atrás — Simba 3.0 puesto 27 con 1,035 controlados, puesto 41 con 1,114 proveedor

La brecha del tablero controlado es de 110 puntos, con intervalos que se separan entre sí por más de 80 puntos de espacio vacío. No se trata de una repetición marginal. Como contexto, los diez primeros de ese tablero abarcan 62 puntos; una generación de Simba cubre casi el doble de ese rango. La brecha del tablero de proveedores es menor, de 44 puntos, lo que dice algo útil: parte de lo que mejoró 3.5 es la calidad de síntesis en voces desconocidas, y parte es simplemente un mejor sonido predeterminado.

El patrón generacional también es consistente a lo largo de tres versiones. De Simba 3.0 a 3.2 fueron 47 puntos en el tablero controlado; de 3.2 a 3.5 fueron 110. Speechify está mejorando en esto más rápido de lo que lo hacía antes, y el modelo 3.2 que se recomendaba en septiembre ahora está a mitad de la tabla.

Idiomas: seis, uno, cuarenta y ocho

Esta es la diferencia que cambia las arquitecturas en lugar de las puntuaciones de calidad. Simba 3.2 es solo en inglés: una voz que no sea en inglés devuelve un 400 con la configuración regional rechazada indicada en el mensaje. Simba 3.0 cubre seis idiomas en siete configuraciones regionales. Simba 3.5 cubre 48 bajo un mismo id, con el estonio y el cantonés excluidos explícitamente y las variantes regionales incluidas.

Lo que hace que las 48 sean utilizables es que la voz viaja. Todas las voces del catálogo hablan las 48 en Simba 3.5 con el mismo voice id, y también lo hace una voz que hayas clonado en un plan de pago. Esa es la función que el pipeline de localización estaba esperando: una sola voz de marca clonada, cuarenta y ocho idiomas, sin sustitución de voz por configuración regional. La advertencia del proveedor es que una voz conserva el acento de su grabación de origen, y su recomendación es generar con una voz seleccionada por el personal nativa de cada idioma, y por eso staff_pick_rank apareció en el endpoint de voces el 18 de octubre.

En Simba 3.2, todo ese flujo de trabajo no existe. Una sola voz, un solo idioma. Si tu producto se comercializa en más de un mercado, esto no es una diferencia de puntuación; es la diferencia entre una integración y dos proveedores.

Latencia, donde el modelo más antiguo aún gana

Speechify publica la latencia medida de Simba 3.2 y solo afirmaciones agregadas para 3.5, y la medición publicada es buena. El 9 de octubre de 2026, cronometrado desde un cliente en US East sobre conexiones en caliente, Simba 3.2 alcanzó el primer audio audible en una mediana de 47 milisegundos a través del flujo de entrada WebSocket y 64 milisegundos a través del flujo HTTP — el más bajo de los trece endpoints que Speechify cronometró ese día desde esa ubicación. El primer byte del lado del servidor fue de 56 ms en p50 y 102 ms en p90 en tráfico de producción medido el 15 de septiembre. La empresa es explícita en que cada valor es un percentil medido y no una garantía, y en que desde Zúrich el panorama cambia: 142 ms para el modelo flash de otro proveedor frente a 145 y 153 ms para sus dos rutas de flujo propias.

Para Simba 3.5, las cifras documentadas son afirmaciones del proveedor y no percentiles publicados: 72 milisegundos hasta el primer audio para el 95 % de las solicitudes de streaming bajo carga de producción, y 1,8 veces el rendimiento por instancia de servicio de Simba 3.2. Esas cifras no pueden compararse directamente con un p50 medido sobre conexiones en caliente. Un p95 de 72 ms y un p50 de 47 ms pueden ser perfectamente coherentes, y nadie fuera de Speechify ha ejecutado la ronda que lo demostraría.

La consecuencia práctica es limitada, pero real. Si la experiencia de usuario de su producto es un asistente de voz en el que cien milisegundos de silencio son perceptibles, tiene una cifra medida para 3.2 y una afirmación para 3.5, y lo honesto es medir 3.5 usted mismo antes de migrar. Si está renderizando audio a un archivo, la latencia es irrelevante y esta sección no se aplica a usted.

Precio: la oferta termina el 21 de noviembre

El precio de Speechify para estos dos modelos está a punto de divergir, y el registro de cambios lo detalla con precisión.

• Simba 3.5, desde el 22 de noviembre — $15.00 por millón de caracteres 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 los modelos anteriores

• Simba 3.5, lista de lanzamiento original del 21 de octubre — $20, $16 y $12, sustituida por una reducción del 9 de noviembre

• Simba 3.2 — sin cambios a $10.00, $8.00 y $6.00 por millón de caracteres en los mismos planes

Así, hasta el 21 de noviembre los dos modelos cuestan exactamente lo mismo y 3.5 es estrictamente mejor. A partir del 22 de noviembre, 3.5 cuesta un 50 % más en todos los niveles. En el plan Pro, eso es $72 frente a $108 por nueve millones de caracteres; en Scale, $280.80 frente a $468 por 46.8 millones. Los saldos no cambian, así que el mismo plan compra un tercio menos de caracteres del modelo más nuevo a precio de lista.

Eso es un juicio de valor directo y no un truco: 110 puntos Elo y 47 idiomas adicionales por un sobreprecio del 50 % es un buen intercambio para casi cualquier carga de trabajo que use cualquiera de las dos funciones, y uno malo para una canalización solo en inglés que ya estaba satisfecha con la calidad de 3.2.

Migrar es una sola línea, y esa es la trampa.

La documentación de Speechify es inusualmente clara en que pasar de 3.2 a 3.5 no requiere ningún cambio de versión de API: establece model en simba-3.5, mantén los mismos ids de voz, los mismos formatos de salida, las mismas marcas de habla y el mismo subconjunto de SSML aplicado. Las solicitudes que omiten model siguen resolviéndose a simba-3.0, así que el valor predeterminado no te cambia silenciosamente.

Dos detalles complican la historia de una línea. El primero es que ahora el idioma importa: si el texto difiere de la configuración regional de la voz, debes establecerlo explícitamente, o la API usará la configuración regional de la voz y obtendrás un acento que no pretendías. El segundo es el propio 21 de noviembre. En esa fecha, los dos ids de Simba 1.6, simba-english y simba-multilingual, dejan de servirse con su entrenamiento antiguo y pasan a servirse con Simba 3.5, facturados a la tarifa de Simba 3.5, en todas las versiones de API que aún puedan nombrarlos. Una integración fijada a los ids antiguos cambiará de voz y de precio el mismo día sin cambiar el código. Probar 3.5 deliberadamente antes de esa fecha es la única forma de elegir.

También hay una mejora silenciosa que vale la pena conocer: el 20 de octubre, prosody pitch y prosody volume comenzaron a aplicarse en Simba 3.5, 3.2 y 3.0, donde antes se aceptaban y se ignoraban. Si envías esos atributos hoy y no querías el cambio, la recomendación de Speechify es eliminarlos. Las etiquetas de énfasis y emoción siguen aceptándose y sin aplicarse en los tres modelos.

Dónde encaja OrcaRouter en una actualización dentro de la familia

Ninguno de los dos modelos Simba está en OrcaRouter — se accede a la línea a través de la propia API de Speechify, y nada de lo que aquí se dice debe interpretarse como una afirmación en sentido contrario. Lo que sí enrutamos es el catálogo de síntesis que usarías como control mientras decides: openai/tts-1 a 15,00 $ por millón de caracteres y openai/tts-1-hd a 30,00 $, al precio de lista del proveedor sin ningún recargo.

Lo útil que hace un enrutador en una migración como esta es mantener operativa la ruta antigua mientras se valida la nueva. Ejecute la 3.5 en la API del proveedor durante una semana de tráfico real, mantenga la 3.2 como respaldo y sortee un incidente en lugar de descubrirlo en producción — la conmutación por error automática no cuesta nada cuando nada falla y compra toda la ventana de lanzamiento cuando algo falla. La misma clave única también significa que la voz de OpenAI que ya estaba usando siga siendo accesible mientras decide si alguna de las dos generaciones de Simba la reemplaza.

Cuál ejecutar, según la carga de trabajo

Quédate con Simba 3.2 si tu carga de trabajo es en inglés, tus voces son en inglés, tu nivel de calidad ya se alcanzó en julio y el valor medido de 47 ms hasta el primer audio audible es fundamental en tu producto. Pagas la tarifa más baja hasta el 21 de noviembre y para siempre después, y nada en 3.5 mejora tu resultado. No hay fecha de descontinuación para 3.2; Speechify lo ha dicho explícitamente.

Cámbiate a Simba 3.5 si se cumple cualquiera de las siguientes condiciones: necesitas un segundo idioma, clonas voces y quieres un único id de voz en todas las configuraciones regionales, tu nivel de calidad del inglés ha cambiado o estás creando algo nuevo. La brecha de 110 puntos en el panel controlado es el mayor salto generacional que Speechify ha producido, y la cobertura de 48 idiomas no está disponible de ninguna otra forma dentro de esta familia. Hazlo antes del 21 de noviembre si quieres evaluarlo con las tarifas de los modelos anteriores, y establece el id del modelo de forma explícita para que la retirada no elija por ti.

Sea cual sea la opción que elijas, la decisión tiene una fecha de revisión en lugar de una respuesta permanente. Simba 3.5 tiene 1.783 muestras de voz controlada frente a las 3.630 de 3.2, por lo que su intervalo se estrechará. Su precio de lista ya ha cambiado una vez en tres semanas. Y Qwen-Audio-3.1-TTS-Plus, de Alibaba, con 1.176 en la misma tabla, está 16 puntos por detrás del actual buque insignia de Simba a un precio comparable en la tabla — lo bastante cerca como para que el próximo lanzamiento de cualquiera de las dos partes reabra la cuestión.