Simba 3.5 vs Simba 3.2 : 110 points Elo, 48 langues et une facture qui double en neuf jours

Le parcours de mise à niveau au sein d’un même fournisseur est généralement la comparaison la moins intéressante sur ce blog. Celui-ci ne l’est pas, car SpeechifyAI Simba 3.5 et SpeechifyAI Simba 3.2 diffèrent par plus qu’un numéro de version, et les différences vont dans des directions opposées. Simba 3.5 est meilleur de 110 points Elo sur l’arène Controlled Voice, parle 48 langues au lieu d’une seule et coûte 50 % de plus au tarif catalogue. Simba 3.2 est plus rapide sur le seul chiffre de latence réellement mesuré, dispose d’une liste d’autorisation de voix qui ne restreint plus rien et conserve son ancien prix. Une équipe qui exploite Simba 3.2 en production a une véritable décision à prendre avant le 22 novembre, et « passer à la version plus récente » n’est pas automatiquement la bonne réponse.

D’abord les dates, car c’est ce qui rend la question urgente plutôt qu’académique. Simba 3.2 est sorti le 8 juillet 2026 en tant que modèle de streaming uniquement en anglais et a été recommandé jusqu’au 18 octobre. Simba 3.5 a été marqué comme recommandé le 18 octobre, lancé publiquement le 21 octobre, a vu son prix catalogue réduit le 9 novembre, et le 21 novembre, il devient le modèle derrière deux identifiants hérités en cours de retrait. Speechify ne déprécie pas 3.2 — il reste répertorié, reste tarifé et reste appelable — et c’est précisément pourquoi le choix doit se faire sur le fond plutôt que sur une échéance.

L’écart dans l’arène est le plus grand de l’histoire de chacun des deux modèles.

Les deux modèles sont évalués dans les deux classements Artificial Analysis. Le classement contrôlé maintient le locuteur constant sur huit voix de référence clonées ; le classement des fournisseurs permet à chaque fournisseur d’utiliser son propre casting. L’écart entre ces deux générations est plus important dans le classement contrôlé, qui est le plus informatif des deux pour quiconque clone une voix.

• Controlled Voice — Simba 3.5, rang 1, Elo 1 192, plus ou moins 17, intervalle de 1 175 à 1 209, 1 783 échantillons

• Voix contrôlée — Simba 3.2 rang 14, Elo 1 082, plus ou moins 12, intervalle de 1 070 à 1 094, 3 630 échantillons

• Voix du fournisseur — Simba 3.5, rang 5, Elo 1 294, plus ou moins 17, intervalle de 1 277 à 1 311, 1 732 échantillons

• Voix du fournisseur — Simba 3.2 rang 12, Elo 1 250, plus ou moins 11, intervalle de 1 239 à 1 261, 3 966 échantillons

• Deux générations en arrière — Simba 3.0 : rang 27 à 1 035 contrôlés, rang 41 à 1 114 fournisseurs

L’écart sur le tableau contrôlé est de 110 points, avec des intervalles qui laissent entre eux plus de 80 points d’espace vide. Il ne s’agit pas d’une simple réexécution marginale. Pour situer les choses, l’ensemble du top dix de ce tableau couvre 62 points ; une génération de Simba couvre près du double de cette plage. L’écart sur le tableau des fournisseurs est plus faible, à 44 points, ce qui est instructif : une partie de ce que 3.5 a amélioré concerne la qualité de synthèse sur des voix inconnues, et une autre partie tient simplement à un meilleur son par défaut.

Le schéma générationnel est également cohérent sur trois versions. Simba 3.0 à 3.2, c’était 47 points sur le tableau contrôlé ; 3.2 à 3.5, c’était 110. Speechify progresse plus vite qu’avant dans ce domaine, et le modèle 3.2 qui était recommandé en septembre est désormais en milieu de tableau.

Langues : six, un, quarante-huit

C’est la différence qui change les architectures plutôt que les scores de qualité. Simba 3.2 est uniquement en anglais — une voix non anglaise renvoie un 400 avec la locale rejetée nommée dans le message. Simba 3.0 couvre six langues sur sept locales. Simba 3.5 couvre 48 langues sous un seul id, avec l’estonien et le cantonais explicitement exclus et les variantes régionales incluses dans le périmètre.

Ce qui rend les 48 langues exploitables, c'est que la voix voyage. Chaque voix du catalogue parle les 48 sur Simba 3.5 avec le même voice id, et il en va de même pour une voix que vous avez clonée sur un forfait payant. C'est la fonctionnalité qu'un pipeline de localisation attendait : une seule voix de marque clonée, quarante-huit langues, aucune substitution de voix par langue. La réserve du fournisseur, c'est qu'une voix conserve l'accent de son enregistrement source, et sa recommandation est de générer avec une voix « staff pick » native de chaque langue — d'où l'apparition de staff_pick_rank dans l'endpoint voices le 18 octobre.

Sur Simba 3.2, tout ce flux de travail n’existe pas. Une seule voix, une seule langue. Si votre produit est commercialisé sur plus d’un marché, ce n’est pas une différence de notation ; c’est la différence entre une intégration et deux fournisseurs.

Latence, où le modèle plus ancien l’emporte encore

Speechify publie une latence mesurée pour Simba 3.2 et seulement des déclarations agrégées pour 3.5, et la mesure publiée est bonne. Le 9 octobre 2026, chronométré depuis un client situé dans l’Est des États-Unis sur des connexions établies, Simba 3.2 a atteint le premier son audible en une médiane de 47 millisecondes via le flux d’entrée WebSocket et de 64 millisecondes via le flux HTTP — la valeur la plus faible des treize points de terminaison chronométrés par Speechify ce jour-là depuis cet emplacement. Le premier octet côté serveur était de 56 ms au p50 et de 102 ms au p90 sur le trafic de production mesuré le 15 septembre. L’entreprise précise explicitement que chaque valeur est un percentile mesuré et non une garantie, et que depuis Zurich, la situation change : 142 ms pour le modèle flash d’un autre fournisseur, contre 145 et 153 ms pour ses deux propres chemins de flux.

Pour Simba 3.5, les chiffres documentés sont des affirmations du fournisseur plutôt que des percentiles publiés : 72 millisecondes de délai avant le premier son pour 95 % 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. On ne peut pas les comparer directement à un p50 mesuré sur des connexions chaudes. Un p95 de 72 ms et un p50 de 47 ms peuvent être parfaitement cohérents, et personne en dehors de Speechify n’a mené la campagne qui permettrait de l’établir.

La conséquence pratique est limitée mais bien réelle. Si l'expérience utilisateur de votre produit repose sur un assistant vocal où cent millisecondes de silence sont perceptibles, vous disposez d'un chiffre mesuré pour 3.2 et d'une simple affirmation pour 3.5, et l'honnête chose à faire est de mesurer 3.5 vous-même avant de migrer. Si vous effectuez un rendu audio dans un fichier, la latence n'a aucune importance et cette section ne vous concerne pas.

Prix : l’offre se termine le 21 novembre

La tarification de Speechify pour ces deux modèles est sur le point de diverger, et le journal des modifications le détaille précisément.

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

• Simba 3.5, jusqu'au 21 novembre — 10,00 $, 8,00 $ et 6,00 $, les tarifs des modèles plus anciens

• Simba 3.5, liste de lancement initiale du 21 octobre — 20 $, 16 $ et 12 $, remplacée par une réduction du 9 novembre

• Simba 3.2 — inchangé à 10,00 $, 8,00 $ et 6,00 $ par million de caractères sur les mêmes forfaits

Ainsi, jusqu’au 21 novembre, les deux modèles coûtent exactement le même prix et 3.5 est strictement meilleur. À partir du 22 novembre, 3.5 coûte 50 % de plus à chaque palier. Sur le forfait Pro, cela représente 72 $ contre 108 $ pour neuf millions de caractères ; sur Scale, 280,80 $ contre 468 $ pour 46,8 millions. Les crédits restent inchangés, donc, au tarif catalogue, le même forfait permet d’obtenir un tiers de caractères en moins du modèle le plus récent.

Il s’agit là d’un jugement de valeur direct plutôt que d’un piège : 110 points Elo et 47 langues supplémentaires pour un surcoût de 50 % constituent un bon compromis pour presque toute charge de travail qui utilise l’une ou l’autre de ces fonctionnalités, et un mauvais pour un pipeline exclusivement anglophone qui était déjà satisfait de la qualité de 3.2.

Migrer ne prend qu'une ligne, et c'est là le piège

La documentation de Speechify indique avec une clarté inhabituelle que le passage de 3.2 à 3.5 ne nécessite aucun changement de version de l’API : définissez model sur simba-3.5, conservez les mêmes identifiants de voix, les mêmes formats de sortie, les mêmes repères de parole et le même sous-ensemble SSML appliqué. Les requêtes qui omettent model sont toujours résolues vers simba-3.0, de sorte que la valeur par défaut ne vous fait pas basculer en silence.

Deux détails compliquent l’histoire en une seule ligne. Le premier est que la langue compte désormais : si le texte diffère de la locale de la voix, vous devez la définir explicitement, sinon l’API utilise la locale de la voix et vous obtenez un accent que vous ne vouliez pas. Le second est le 21 novembre lui-même. À cette date, les deux identifiants Simba 1.6, simba-english et simba-multilingual, cessent d’être servis par leur ancien entraînement et commencent à être servis par Simba 3.5, facturé au tarif de Simba 3.5, sur toutes les versions d’API qui peuvent encore les nommer. Une intégration épinglée aux anciens identifiants changera de voix et de prix le même jour sans modification du code. Tester Simba 3.5 délibérément avant cette date est le seul moyen de choisir.

Il y a aussi une amélioration discrète qu'il vaut la peine de connaître : le 20 octobre, la hauteur et le volume de prosodie ont commencé à être appliqués sur Simba 3.5, 3.2 et 3.0, où ils étaient auparavant acceptés puis ignorés. Si vous envoyez ces attributs aujourd'hui et que vous ne vouliez pas de ce changement, le conseil de Speechify lui-même est de les supprimer. Les balises d'emphase et d'émotion restent acceptées et non appliquées sur les trois modèles.

Où OrcaRouter s'inscrit dans une mise à niveau au sein d'une même gamme

Aucun des deux modèles Simba ne figure sur OrcaRouter — cette ligne est accessible via l’API propre à Speechify, et rien ici ne doit être interprété comme une affirmation contraire. Ce que nous routons, c’est le catalogue de synthèse que vous utiliseriez comme référence au moment de décider : openai/tts-1 à 15,00 $ par million de caractères et openai/tts-1-hd à 30,00 $, au prix catalogue du fournisseur, sans supplément.

Ce qu’un routeur fait d’utile dans une migration comme celle-ci, c’est de rendre l’ancien chemin survivable pendant que le nouveau fait ses preuves. Faites tourner la 3.5 sur l’API du fournisseur pendant une semaine de trafic réel, gardez la 3.2 comme solution de repli et contournez un incident plutôt que de le découvrir en production — le basculement automatique ne coûte rien quand rien ne tombe en panne et sécurise toute la fenêtre de lancement quand quelque chose tombe en panne. La même clé unique implique aussi que la voix OpenAI que vous utilisiez déjà reste accessible pendant que vous décidez si l’une ou l’autre génération Simba la remplace.

Lequel exécuter, selon la charge de travail

Restez sur Simba 3.2 si votre charge de travail est en anglais, vos voix sont en anglais, votre seuil de qualité était déjà atteint en juillet et le chiffre mesuré de 47 ms pour le premier son audible est essentiel dans votre produit. Vous bénéficiez du tarif inférieur jusqu’au 21 novembre et pour toujours ensuite, et rien dans la 3.5 n’améliore votre sortie. Il n’existe aucune date de dépréciation pour la 3.2 ; Speechify l’a dit explicitement.

Migrez vers Simba 3.5 si l’une des conditions suivantes est vraie : vous avez besoin d’une deuxième langue, vous clonez des voix et voulez un seul identifiant de voix pour tous les paramètres régionaux, votre exigence de qualité en anglais a évolué, ou vous construisez quelque chose de nouveau. L’écart de 110 points au classement contrôlé est le plus grand bond générationnel produit par Speechify, et la couverture de 48 langues n’est disponible d’aucune autre manière au sein de cette famille. Faites-le avant le 21 novembre si vous voulez l’évaluer aux tarifs des anciens modèles, et définissez explicitement l’identifiant du modèle pour que la mise hors service ne choisisse pas à votre place.

Quelle que soit votre choix, la décision comporte une date de réexamen plutôt qu’une réponse définitive. Simba 3.5 compte 1 783 échantillons de voix contrôlée, contre 3 630 pour 3.2, si bien que son intervalle se resserrera. Son prix catalogue a déjà changé une fois en trois semaines. Et Qwen-Audio-3.1-TTS-Plus d’Alibaba, à 1 176 sur le même classement, se situe 16 points derrière le fleuron actuel de Simba pour un prix comparable dans le classement — assez proche pour que la prochaine version de l’un ou l’autre camp relance la question.