Simba 3.5 vs Eleven v4 : les deux classements se contredisent, et un seul porte sur votre produit

Placez SpeechifyAI Simba 3.5 et ElevenLabs Eleven v4 sur la même table et le résultat dépend entièrement du classement d’Artificial Analysis que vous consultez. Sur Controlled Voice — les mêmes huit voix de référence clonées pour chaque candidat — Simba 3.5 est premier à 1 192 et Eleven v4 est septième à 1 155, un écart de 37 points dont les intervalles ne se touchent pas. Sur Provider Voice — le casting vocal propre à chaque fournisseur — Eleven v4 est premier à 1 340 et Simba 3.5 est cinquième à 1 294, un écart de 46 points dans l’autre sens, également avec une séparation nette. Aucun des deux chiffres n’est faux. Ils mesurent des produits différents, et celui auquel vous devriez faire confiance est déterminé par une question concernant votre stack plutôt que l’un ou l’autre fournisseur.

Les deux conseils, et pourquoi ils sont si complètement en désaccord

Controlled Voice garde le locuteur constant. Artificial Analysis clone quatre voix américaines et quatre voix britanniques et fait dire à chaque modèle les mêmes répliques avec ces mêmes voix, de sorte qu’un auditeur qui compare deux échantillons n’entend que la qualité de synthèse. Provider Voice permet à chaque fournisseur de proposer ses propres voix, ce qui signifie que l’auditeur juge ensemble le modèle et le casting vocal — le timbre, l’accent, les choix d’interprétation que le fournisseur a sélectionnés.

ElevenLabs a passé des années à construire cette distribution vocale. C’est la partie de l’entreprise qui n’est pas du tout un modèle, et c’est pourquoi le classement des fournisseurs place Eleven v4 et Eleven v4 Turbo aux deux premières places, avec 32 échantillons d’écart entre eux et le reste. Sans cette distribution, Eleven v4 atterrit septième. La position de Speechify est l’image miroir : cinquième avec ses propres voix, en tête sans elles.

• Voix contrôlée — SpeechifyAI Simba 3.5 rang 1, Elo 1 192, intervalle de 1 175 à 1 209, 1 783 échantillons

• Voix contrôlée — ElevenLabs Eleven v4, rang 7, Elo 1 155, intervalle de 1 143 à 1 167, 3 221 échantillons

• Voix contrôlée — ElevenLabs Eleven v4 Turbo rang 6, Elo 1 156, intervalle 1 144 à 1 168, 3 327 échantillons

Voix du fournisseur — ElevenLabs Eleven v4 rang 1, Elo 1 340, intervalle de 1 325 à 1 355, 2 742 échantillons

• Voix du fournisseur — ElevenLabs Eleven v4 Turbo rang 2, Elo 1 339, intervalle de 1 323 à 1 355

• Voix du fournisseur — SpeechifyAI Simba 3.5, rang 5, Elo 1 294, intervalle de 1 277 à 1 311, 1 732 échantillons

• Voix du fournisseur — Alibaba Qwen-Audio-3.1-TTS-Plus se classe 3e à 1 300, entre les deux de ce classement

Les deux écarts sont plus grands que les intervalles qui les entourent, donc aucun des deux classements n’est une simple pile ou face. La victoire de 37 points de Simba 3.5 en voix contrôlée et celle de 46 points d’Eleven v4 en voix du fournisseur sont toutes deux de véritables mesures de choses différentes. C’est inhabituel — la plupart des paires de modèles se classent de la même façon sur les deux tableaux — et c’est tout l’objet de cette comparaison.

La question qui tranche

Si votre produit embarque la voix que le fournisseur a choisie — une voix d’assistant par défaut, une piste de narration standard, une voix maison unique dans toute une application —, vous achetez ce que Provider Voice a mesuré, et Eleven v4 l’emporte de 46 points. Si votre produit permet aux utilisateurs de choisir une voix, de cloner la leur ou d’apporter une voix de marque fixe dans toutes les langues, vous achetez ce que Controlled Voice a mesuré, et Simba 3.5 l’emporte de 37 points.

Il existe un test pratique qui permet de trancher en un après-midi : prenez trois minutes de votre propre audio de référence, clonez-le sur les deux plateformes, puis écoutez. Un modèle qui domine le classement contrôlé est un modèle qui gère bien une voix inconnue. Un modèle qui domine le classement des fournisseurs est un modèle qui a du goût en matière de voix. Ce sont des compétences différentes, et votre charge de travail n’a besoin que de l’une des deux.

Le prix n'est pas proche, et ce n'est pas toute l'histoire non plus.

Eleven v4 est affiché à 0,08 $ par millier de caractères, soit 80 $ par million. C'est le tarif indiqué sur la page de tarification de l'API d'ElevenLabs elle-même et le chiffre qu'Artificial Analysis retient pour le modèle ; la fenêtre promotionnelle qui a couru jusqu'à la mi-octobre est terminée, donc 80 $ est le montant courant, et non un artefact de lancement. Eleven v4 Turbo coûte moitié moins, soit 40 $ par million.

Simba 3.5 est affiché à 15 $, 12 $ et 10 $ par million de caractères pour les offres Starter, Pro et Scale — une baisse par rapport aux 20 $, 16 $ et 12 $ de son lancement le 21 octobre. Jusqu'au 21 novembre 2026, la facturation se fait aux tarifs des anciens modèles : 10 $, 8 $ et 6 $. Après le 22 novembre, la nouvelle grille tarifaire s'applique et l'offre ne s'applique plus.

• Eleven v4 — 80,00 $ par million de caractères, prix catalogue, aucune promotion active

• Eleven v4 Turbo — 40,00 $ par million de caractères

• Simba 3.5 — 15,00 $ Starter, 12,00 $ Pro, 10,00 $ Scale par million de caractères, à partir du 22 novembre

• Simba 3.5 — 10,00 $, 8,00 $ et 6,00 $ par million de caractères jusqu'au 21 novembre

• Simba 3.2 et Simba 3.0 — inchangés aux tarifs de 10 $, 8 $ et 6 $ sur les mêmes forfaits

À cinq millions de caractères par mois — environ cent heures de parole finalisée —, Eleven v4 coûte 400 $ et Simba 3.5 coûte entre 50 $ et 75 $ selon le forfait et la date. Cela représente un facteur de cinq à huit. Quiconque cite les 6,58 $ du classement pour Simba 3.5 cite un tarif intégré à un forfait qui ne correspond pas à la grille publiée de Speechify ; établissez votre budget à partir du tableau des paliers ci-dessus.

Langues : 48 sous un seul identifiant contre plus de 90

C’est ici que la comparaison cesse d’être une égalité et devient une décision de routage. Simba 3.5 parle 48 langues sous un seul identifiant de modèle, contre six couvertes par Simba 3.0, et chaque voix du catalogue — y compris une voix clonée — parle toutes les 48 avec le même identifiant de voix. L’estonien et le cantonais ne figurent explicitement pas dans la liste. Eleven v4 couvre plus de 90 langues avec une limite de 10 000 caractères par requête, soit environ dix minutes de parole avant de devoir segmenter.

Quarante-huit langues suffisent pour la plupart des gammes de produits européennes, latino-américaines et est-asiatiques, mais pas pour un catalogue véritablement mondial. Plus de quatre-vingt-dix langues suffisent pour presque tout, et si votre exigence est « chaque locale dans laquelle nous vendons », l’argument de la qualité cesse d’avoir de l’importance — l’un de ces deux peut faire le travail, et l’autre peut-être pas.

Il y a une mise en garde sur les 48 que le fournisseur énonce explicitement et que la plupart des articles passent sous silence : une voix conserve l'accent de son enregistrement source. Une voix américaine clonée qui parle japonais aura l'accent d'un Américain qui parle japonais. Les recommandations de Speechify elles-mêmes invitent à partir de la voix native à chaque langue, celle retenue par l'équipe (staff pick), et c'est pourquoi staff_pick_rank apparaît désormais dans le point de terminaison voices. Le transfert de voix interlangues est disponible ; il n'est pas exempt d'accent.

Latence, clonage et forme de l'API

Speechify rapporte 72 millisecondes de délai jusqu'au premier audio au 95e centile des requêtes de streaming sous charge de production, et un débit par instance de service 1,8 fois supérieur à celui de Simba 3.2. Il s'agit de chiffres du fournisseur, non reproduits. ElevenLabs ne publie pas de chiffre comparable pour Eleven v4 lui-même. Le seul chiffre de latence mesuré dans la documentation Simba est plus ancien et plus étroit : Simba 3.2 à 56 millisecondes en médiane et 102 millisecondes au 90e centile pour le premier octet côté serveur, mesuré dans la région US East le 15 septembre 2026 — une métrique différente du délai jusqu'au premier audio et non transposable.

Le clonage vocal est zero-shot et en libre-service sur les deux, avec une différence de friction qui compte à l’échelle d’une équipe. Le clonage Simba 3.5 est disponible sur les forfaits payants sans validation. ElevenLabs propose des clones instantanés à partir de dix secondes d’audio, en plus de son offre de clonage professionnel, et sa vérification du consentement est la plus développée des deux — un atout pour quiconque déploie des voix fournies par les utilisateurs.

Les formats de requête ne sont pas interchangeables, ce qu’il vaut la peine de savoir avant d’écrire une couche d’abstraction. Speechify s’authentifie avec un jeton bearer, envoie le texte comme input, le modèle comme model, et n’a pas du tout d’objet voice_settings. ElevenLabs utilise son propre en-tête et ses propres noms de champs. Les deux prennent en charge le streaming ; la prise en charge SSML de Speechify est un sous-ensemble, avec break, prosody rate, prosody pitch, prosody volume et sub alias appliqués, et les balises emphasis et emotion acceptées mais ignorées.

Là où un routeur est réellement utile ici

Aucun des deux modèles n'est sur OrcaRouter, et cet article ne prétend pas le contraire : la gamme Simba est accessible via l'API propre à Speechify et la gamme ElevenLabs via celle d'ElevenLabs. Ce que nous acheminons, c'est le catalogue de synthèse plus restreint qui constitue un groupe de contrôle équitable — openai/tts-1 à 15,00 $ par million de caractères et openai/tts-1-hd à 30,00 $, tous deux au prix catalogue du fournisseur, sans aucun supplément.

L'argument en faveur du routage dans cette confrontation précise ne porte pas sur la qualité, car le verdict sur la qualité est déjà partagé. Il tient au fait que les deux classements ne sont pas d'accord, que les prix varient d'un facteur de cinq à huit, et que ces deux constats ne tiennent que jusqu'à la sortie du prochain modèle. Un stack capable d'envoyer le même script à deux fournisseurs et de comparer sur son propre audio dispose d'une réponse qui survit à la prochaine réexécution du classement ; un stack câblé en dur à l'un des deux doit redébattre la décision chaque trimestre. Le basculement automatique couvre aussi le cas que personne ne mesure — un incident côté fournisseur pendant une semaine de lancement.

Un verdict honnête, avec l’égalité maintenue

Eleven v4 est le meilleur modèle si vous avez besoin d’une large couverture linguistique, d’un catalogue de voix sélectionnées que vous n’avez pas à créer, des outils de consentement et de clonage les plus matures, ou d’une position de leader dans les classements de fournisseurs qui se maintient au sommet d’un secteur de cent modèles. Il coûte cinq à huit fois plus cher, et ce prix n’est pas promotionnel.

Simba 3.5 est le meilleur modèle si vos voix sont les vôtres — clonées, propres à votre marque ou choisies par locale — et si 48 langues couvrent les marchés sur lesquels vous vendez réellement. Il domine le classement qui maintient le locuteur constant, celui qui prédit la performance sur une voix que le fournisseur n'a jamais entendue. Il entame par ailleurs sa troisième semaine d'un barème tarifaire qui a déjà changé une fois, avec une migration de model-id prévue le 21 novembre : le montant auquel vous souscrivez n'est donc pas forcément celui que vous paierez en décembre.

Ce qu’aucune des deux cartes ne vous dit, c’est laquelle vos auditeurs préfèrent sur votre contenu. Trente-sept points d’Elo, c’est un écart significatif, et cela ne remplace pas un test d’écoute sur trois minutes de votre propre script, avec votre propre voix. Faites ce test avant d’engager un volume important sur l’une ou l’autre.