Simba 3.5 vs Qwen-Audio-3.0-TTS : deux façons de résoudre le problème linguistique, dont une seule est documentée

Tous deux, SpeechifyAI Simba 3.5 et Alibaba Qwen-Audio-3.0-TTS liront votre script dans des langues autres que l’anglais. Ils y parviennent par des voies opposées. Simba 3.5 publie une liste : 48 langues, un seul identifiant de modèle, toutes les voix du catalogue parlent toutes ces langues, et l’estonien et le cantonais sont désignés comme les exceptions. Qwen-Audio-3.0-TTS expose un champ d’instruction, et la méthode documentée pour lui faire parler néerlandais consiste à lui envoyer la phrase « Speak in Dutch, slowly and clearly. » L’une de ces approches est une spécification à partir de laquelle on peut construire une matrice de locales. L’autre est un prompt, et la différence entre les deux est l’élément le plus utile de cette comparaison.

L'âge compte ici aussi, d'une manière qui n'est généralement pas le cas. Qwen-Audio-3.0-TTS est sorti le 20 juillet 2026 et a depuis été supplanté au sommet de la gamme d'Alibaba par Qwen-Audio-3.1-TTS-Plus, qui occupe actuellement la troisième place du classement Controlled Voice. Le niveau 3.0 Plus est toujours répertorié et reste celui qui affiche la position mesurée la plus forte sur Provider Voice. Simba 3.5 est arrivé le 21 octobre 2026 et en est à trois semaines d'un calendrier tarifaire qu'il a déjà révisé une fois.

Les nombres, côte à côte lorsqu’ils existent

Artificial Analysis évalue les deux modèles sur les deux classements, ce qui en fait l'une des rares confrontations dans le domaine de la parole où l'on peut comparer ce qui est comparable plutôt que d'extrapoler à partir d'un prédécesseur.

• Voix contrôlée — SpeechifyAI Simba 3.5, rang 1, Elo 1 192, plus ou moins 17, 1 783 échantillons

• Voix contrôlée — Alibaba Qwen-Audio-3.0-TTS-Plus, rang 10, Elo 1 130, plus ou moins 12, 3 596 échantillons

• Voix du fournisseur — SpeechifyAI Simba 3.5 rang 5, Elo 1 294, plus ou moins 17, 1 732 échantillons

• Voix du fournisseur — Alibaba Qwen-Audio-3.0-TTS-Plus, rang 10, Elo 1 264, plus ou moins 13, 3 056 échantillons

• Voix contrôlée — Alibaba Qwen-Audio-3.1-TTS-Plus, rang 3, Elo 1 176, plus ou moins 12 — le modèle Alibaba le plus récent, et celui à surveiller

• Prix du tableau — Qwen-Audio-3.0-TTS-Plus à 19,31 $ par million de caractères sur les deux tableaux ; Simba 3.5 affiché à 6,58 $, un tarif intégré à un forfait qui ne correspond pas à la liste publiée de Speechify

Simba 3.5 mène avec 62 points d'avance sur le tableau contrôlé et 30 sur le tableau des fournisseurs, et les intervalles se séparent nettement dans les deux cas. C'est un résultat de qualité sans ambiguïté en faveur de Simba, et il convient de noter ce qui ne l'explique pas : le nombre d'échantillons. Qwen-Audio-3.0-TTS-Plus dispose de deux fois plus de votes en voix contrôlée derrière son estimation, il s'agit donc d'un 1,130 bien mesuré plutôt que d'un chiffre bruité.

La particularité intéressante réside dans la propre gamme d’Alibaba. Qwen-Audio-3.1-TTS-Plus se situe 46 points au-dessus de Qwen-Audio-3.0-TTS-Plus sur le tableau contrôlé, ce qui signifie que le modèle Alibaba de génération actuelle est bien plus proche de Simba 3.5 que ne l’est le 3.0. Quiconque se compare au niveau 3.0 mesure un modèle qui a déjà été amélioré une fois.

Quarante-huit langues répertoriées face à un champ d’instruction

La documentation de Speechify est inhabituellement concrète pour une API vocale. Les 48 langues de Simba 3.5 sont énumérables, chaque voix du catalogue — et chaque voix clonée de formule payante — parle toutes ces langues, et le modèle accepte une étiquette de langue standard de type BCP-47 telle que ja-JP, toute variante régionale d’une langue répertoriée étant prise en compte. La paire exclue, l’estonien et le cantonais, est nommée. Speechify indique également quelles voix sont des sélections de l’équipe dans chaque locale et les classe avec un champ staff_pick_rank, car une voix conserve l’accent de son enregistrement source et sa propre recommandation est de générer avec une voix native de la langue.

L'approche d'Alibaba est flexible dans une autre direction. Qwen-Audio-3.0-TTS accepte une instruction en langage naturel qui décrit l'élocution — rythme, émotion, personnalité — et la technique documentée pour une langue cible consiste à l'indiquer dans l'instruction, celle-ci devant correspondre à la langue du texte. Il prend également en charge le contrôle explicite de la prononciation via language_hints et hot_fix, l'entrée SSML et LaTeX, ainsi que des balises d'émotion et non verbales intégrées telles que [excited], [sad], [laughing] et [sighing]. Les requêtes non-streaming renvoient une URL audio valable 24 heures ; le streaming renvoie des fragments base64. Le modèle est servi depuis Singapour et Pékin.

Ce vocabulaire de balises est un véritable avantage, et Simba 3.5 ne l’égale pas. Speechify applique break, prosody rate, prosody pitch, prosody volume et sub alias ; les balises emphasis et emotion sont acceptées mais ne sont pas appliquées. Si votre produit a besoin d’un rire au milieu d’une réplique, ou d’un soupir à la fin de celle-ci, Qwen-Audio-3.0-TTS le fait aujourd’hui, et Simba 3.5 non.

L’arbitrage est simple une fois énoncé : Qwen vous offre un contrôle expressif et laisse la prise en charge des langues à la prose ; Speechify vous fournit une liste de langues dénombrable et une surface expressive plus étroite. Pour un pipeline de localisation, la liste dénombrable vaut davantage, car une matrice de locales est une chose que l’on peut tester, citer dans un cahier des charges et sur laquelle un build peut échouer. « Parle en néerlandais, lentement et clairement » est une chose qu’il faut écouter.

Le prix, converti en un nombre que vous pouvez comparer

Alibaba facture la synthèse au caractère saisi, en yuans, avec des tarifs régionaux qui diffèrent entre les déploiements de Pékin et de Singapour. Qwen-Audio-3.0-TTS-Plus est affiché à 1,4 ¥ pour 10 000 caractères à Pékin ; l’offre Flash est à 1,0 ¥. Artificial Analysis normalise l’offre Plus à 19,31 $ par million de caractères, chiffre à utiliser si vous comparez avec un fournisseur facturant en dollars plutôt que si vous établissez un budget régional. Chaque modèle Qwen-Audio listé bénéficie d’une franchise gratuite d’un million de tokens dans la région de Pékin pendant 90 jours à compter de l’activation ou de la mise à disposition, selon la date la plus tardive.

Speechify publie en dollars par million de caractères et a déjà changé d’avis une fois :

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

• Simba 3.5, jusqu'au 21 novembre — 10,00 $, 8,00 $ et 6,00 $, les tarifs Simba 3.2 et 3.0

• Simba 3.5, tarifs de lancement d’origine au 21 octobre — 20 $, 16 $ et 12 $, remplacés par la réduction du 9 novembre

• Simba 3.2 et Simba 3.0 — 10 $, 8 $ et 6 $ par million de caractères, inchangés

Au tarif catalogue, Simba 3.5 se situe entre environ la moitié et les trois quarts du tarif catalogue de Qwen-Audio-3.0-TTS-Plus selon la formule, et pendant la période de l’offre, entre un tiers et la moitié. Aucun des deux n’est cher en valeur absolue — cinq millions de caractères par mois coûtent moins de 100 $ avec l’un ou l’autre —, donc le prix ne sera probablement pas le facteur décisif, sauf si vous exploitez un très grand catalogue. La couverture linguistique et le contrôle expressif le seront probablement.

Ce que la date du 21 novembre change à cette décision

Les identifiants Simba 1.6 de Speechify — simba-english et simba-multilingual — ont été retirés de la sélection à la version d’API 2026-09-21. Le 21 novembre 2026, les deux sont servis par Simba 3.5 dans toutes les langues et facturés sous le nom simba-3.5, sur toute version d’API qui peut encore les désigner. Une intégration qui utilise simba-multilingual depuis l’été changera de voix et de tarif à cette date, sans modification du code.

Alibaba n'a pas d'événement planifié équivalent dans cette comparaison. Qwen-Audio-3.0-TTS reste répertorié à côté des SKU 3.1, et la gamme 3.1 est facturée selon une unité différente — des tokens plutôt que des caractères — de sorte que les deux générations ne peuvent pas être comparées en divisant une cellule de grille tarifaire par une autre. Si vous utilisez la version 3.0 aujourd'hui, la migration vers la 3.1 est un véritable projet plutôt qu'un simple changement d'identifiant de modèle sur une ligne, et l'écart de 46 points sur le banc de contrôle entre les deux niveaux est la raison de la planifier.

Où chacun est le bon choix

Choisissez Simba 3.5 si votre problème est l’étendue sous un identifiant vocal unique : un produit qui déploie une seule voix de marque sur des dizaines de locales, un catalogue existant qu’il faut reconvertir dans des langues que personne dans l’équipe ne parle, ou une lecture d’accessibilité où la même voix clonée doit suivre l’utilisateur de l’anglais vers l’espagnol sans donner l’impression d’être une autre personne. La liste de langues comptabilisées, le classement des choix de l’équipe et le clonage zero-shot sans approbation sont les fonctionnalités qui rendent cela possible, et l’avance de 62 points au classement contrôlé signifie que la qualité tient même lorsque la voix n’est pas celle choisie par le fournisseur.

Choisissez Qwen-Audio-3.0-TTS si votre problème est la performance plutôt que la couverture : des livres audio et des podcasts où une balise [excited] mérite sa place, du contenu prioritairement en mandarin où le catalogue vocal et les contrôles de prononciation d’Alibaba sont les plus complets, ou un déploiement qui doit être hébergé dans une région de Singapour ou de Pékin. Le champ d’instruction est véritablement plus expressif que ce que Speechify expose, et les chemins d’URL non-streaming et de chunks SSE couvrent à la fois le rendu par lots et le rendu en direct.

OrcaRouter ne propose aucune de ces deux lignes — Simba est accessible via l'API propre à Speechify, Qwen via Alibaba Cloud Model Studio — et rien ici ne doit être interprété comme une affirmation contraire. Ce que nous routons, c'est un catalogue de synthèse plus restreint qui sert de témoin neutre lors de vos tests : 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 marge ajoutée, aux côtés de google/gemini-3.1-flash-tts-preview. Faire passer le même script de trois minutes par ces modèles et par les deux candidats est la manière la moins coûteuse de trancher une question que deux classements ne peuvent que circonscrire.

La partie que les deux fournisseurs vous laissent le soin de comprendre.

Aucun des deux modèles ne vous dira si sa production en langue étrangère est suffisamment bonne pour votre public, et l’arène ne le fera pas non plus : le tableau Controlled Voice est une évaluation en anglais portant sur huit voix de référence anglaises, quatre américaines et quatre britanniques. Une avance de 62 points mesurée en anglais ne dit rien de direct sur le japonais, le polonais ou le portugais brésilien. La réponse de Speechify consiste à renvoyer aux sélections de l’équipe par locale ; celle d’Alibaba, à renvoyer à des instructions et à une liste de voix. Tous deux vous demandent d’écouter.

Voilà la conclusion honnête sur ce duo. L’un est plus récent, moins cher au tarif catalogue, mieux mesuré en anglais et documenté jusqu’au nombre de langues. L’autre est plus expressif, plus établi dans les travaux en chinois, à mi-chemin d’une transition générationnelle, et piloté par un champ d’instruction plutôt que par une spécification. Testez les deux sur les deux locales qui portent réellement votre chiffre d’affaires, et le reste de cette comparaison devient un départage plutôt que la décision.