Simba 3.5 vs Qwen-Audio-3.0-TTS: Dua Cara Menyelesaikan Masalah Bahasa, Hanya Satu di Antaranya yang Terdokumentasi

KeduanyaSpeechifyAI Simba 3.5 dan Alibaba Qwen-Audio-3.0-TTS akan membacakan skrip Anda dalam bahasa selain bahasa Inggris. Keduanya mencapainya melalui jalur yang berlawanan. Simba 3.5 menerbitkan daftar: 48 bahasa, satu model id, setiap suara dalam katalog berbicara dalam semua bahasa itu, dan bahasa Estonia serta Kanton disebut sebagai pengecualian. Qwen-Audio-3.0-TTS menerbitkan bidang instruksi, dan cara terdokumentasi untuk membuatnya berbicara dalam bahasa Belanda adalah dengan mengirimkan kalimat "Speak in Dutch, slowly and clearly." Salah satunya adalah spesifikasi yang bisa Anda jadikan dasar untuk menyusun matriks lokal. Yang lain adalah prompt, dan perbedaan di antara keduanya adalah hal paling berguna dalam perbandingan ini.

Usia juga penting di sini, dengan cara yang biasanya tidak demikian. Qwen-Audio-3.0-TTS dirilis pada 20 Juli 2026 dan sejak itu digantikan di puncak jajaran Alibaba oleh Qwen-Audio-3.1-TTS-Plus, yang saat ini menempati peringkat ketiga di papan Controlled Voice. Tier 3.0 Plus masih tercantum dan masih menjadi yang memiliki posisi terukur lebih kuat di Provider Voice. Simba 3.5 hadir pada 21 Oktober 2026 dan telah tiga minggu menjalani jadwal harga yang sudah direvisinya satu kali.

Angka-angkanya, berdampingan jika ada.

Artificial Analysis menilai kedua model pada kedua papan peringkat, sehingga ini menjadi salah satu dari sedikit perbandingan di ranah ucapan yang memungkinkan Anda membandingkan hal yang setara, bukan mengekstrapolasi dari pendahulunya.

• Suara Terkendali — SpeechifyAI Simba 3.5 peringkat 1, Elo 1.192, plus atau minus 17, 1.783 sampel

Suara Terkendali — Alibaba Qwen-Audio-3.0-TTS-Plus peringkat 10, Elo 1.130, plus atau minus 12, 3.596 sampel

Suara Penyedia — SpeechifyAI Simba 3.5 peringkat 5, Elo 1.294, plus atau minus 17, 1.732 sampel

• Suara Penyedia — Alibaba Qwen-Audio-3.0-TTS-Plus peringkat 10, Elo 1.264, plus atau minus 13, 3.056 sampel

• Suara Terkendali — Alibaba Qwen-Audio-3.1-TTS-Plus peringkat 3, Elo 1.176, plus atau minus 12 — model Alibaba yang lebih baru, dan yang patut diperhatikan

• Harga papan — Qwen-Audio-3.0-TTS-Plus $19,31 per juta karakter di kedua papan; Simba 3.5 tercantum $6,58, tarif yang tertanam dalam paket yang tidak sesuai dengan daftar publik Speechify

Simba 3.5 unggul 62 poin di papan terkontrol dan 30 poin di papan penyedia, dan intervalnya terpisah dengan jelas dalam kedua kasus. Itu adalah hasil kualitas yang lugas yang menguntungkan Simba, dan perlu dicatat apa yang tidak menjelaskannya: jumlah sampel. Di balik estimasi Qwen-Audio-3.0-TTS-Plus terdapat dua kali lebih banyak suara terkontrol, jadi ini adalah 1.130 yang terukur dengan baik, bukan angka yang bising.

Keanehan yang menarik adalah lini Alibaba sendiri. Qwen-Audio-3.1-TTS-Plus berada 46 poin di atas Qwen-Audio-3.0-TTS-Plus pada papan terkontrol, yang berarti model Alibaba generasi saat ini jauh lebih dekat ke Simba 3.5 dibandingkan 3.0. Siapa pun yang membandingkan dengan tingkat 3.0 sedang mengukur model yang sudah ditingkatkan sekali.

Empat puluh delapan bahasa yang terdaftar terhadap bidang instruksi

Dokumentasi Speechify luar biasa konkret untuk sebuah API ucapan. Ke-48 bahasa Simba 3.5 dapat disebutkan satu per satu, setiap suara katalog — dan setiap suara hasil kloning pada paket berbayar — dapat berbicara dalam semua bahasa tersebut, dan model menerima tag bahasa bergaya BCP-47 standar seperti ja-JP, dengan varian regional apa pun dari bahasa yang terdaftar termasuk dalam cakupannya. Pasangan yang dikecualikan, bahasa Estonia dan Kanton, disebutkan. Speechify juga menandai suara mana yang merupakan pilihan staf di setiap lokal dan memberi peringkatnya dengan bidang staff_pick_rank, karena sebuah suara mempertahankan aksen dari rekaman sumbernya dan rekomendasinya sendiri adalah menghasilkan dengan suara yang native terhadap bahasa tersebut.

Pendekatan Alibaba fleksibel ke arah yang berbeda. Qwen-Audio-3.0-TTS menerima instruksi bahasa alami yang menjelaskan penyampaian — tempo, emosi, persona — dan teknik yang didokumentasikan untuk bahasa target adalah menyatakannya dalam instruksi, dengan instruksi diwajibkan sesuai dengan bahasa teks. Model ini juga mendukung kontrol pelafalan eksplisit melalui language_hints dan hot_fix, input SSML dan LaTeX, serta tag emosi dan non-verbal inline seperti [excited], [sad], [laughing], dan [sighing]. Permintaan non-streaming mengembalikan URL audio yang berlaku selama 24 jam; streaming mengembalikan potongan base64. Model dilayani dari Singapura dan Beijing.

Kosakata tag itu benar-benar sebuah keunggulan, dan Simba 3.5 tidak menyamainya. Speechify menerapkan break, prosody rate, prosody pitch, prosody volume, dan sub alias; tag emphasis dan emotion diterima tetapi tidak diterapkan. Jika produk Anda memerlukan tawa di tengah baris, atau desahan di akhir baris, Qwen-Audio-3.0-TTS melakukannya saat ini dan Simba 3.5 tidak.

Kompromi ini lugas setelah dinyatakan: Qwen memberi Anda kontrol ekspresif dan menyerahkan dukungan bahasa pada prosa; Speechify memberi Anda daftar bahasa yang dapat dihitung dan permukaan ekspresif yang lebih sempit. Untuk pipeline lokalisasi, daftar yang dapat dihitung lebih bernilai, karena matriks locale adalah sesuatu yang dapat Anda uji, kutip dalam pernyataan kerja, dan jadikan dasar kegagalan build. "Bicaralah dalam bahasa Belanda, pelan dan jelas" adalah sesuatu yang harus Anda dengarkan.

Harga, dikonversi menjadi angka yang dapat Anda bandingkan

Alibaba menagih sintesis berdasarkan karakter input dalam yuan, dengan tarif regional yang berbeda antara deployment Beijing dan Singapura. Qwen-Audio-3.0-TTS-Plus tercantum sebesar ¥1,4 per 10.000 karakter di Beijing; tier Flash sebesar ¥1,0. Artificial Analysis menormalisasi tier Plus menjadi $19,31 per juta karakter, yang merupakan angka yang harus digunakan jika Anda membandingkan dengan vendor yang menggunakan denominasi dolar alih-alih menyusun anggaran regional. Setiap model Qwen-Audio yang tercantum memiliki jatah gratis satu juta token di region Beijing selama 90 hari sejak aktivasi atau rilis, mana pun yang lebih akhir.

Speechify menerbitkan tarif dalam dolar per juta karakter dan sudah sekali berubah pikiran:

• Simba 3.5, daftar harga mulai 22 November — $15.00 per juta untuk Starter, $12.00 untuk Pro, $10.00 untuk Scale

• Simba 3.5, hingga 21 November — $10,00, $8,00 dan $6,00, tarif Simba 3.2 dan 3.0

Simba 3.5, daftar peluncuran awal pada 21 Oktober — $20, $16, dan $12, digantikan oleh pemotongan harga 9 November

• Simba 3.2 dan Simba 3.0 — $10, $8, dan $6 per juta karakter, tidak berubah

Pada harga daftar, Simba 3.5 berada di antara sekitar setengah hingga tiga perempat tarif acuan Qwen-Audio-3.0-TTS-Plus tergantung paket, dan selama periode promo menjadi sepertiga hingga setengahnya. Keduanya tidak mahal secara absolut — lima juta karakter per bulan kurang dari $100 pada keduanya — jadi harga kemungkinan bukan faktor penentu kecuali Anda menjalankan katalog yang sangat besar. Cakupan bahasa dan kontrol ekspresif kemungkinan menjadi penentunya.

Apa pengaruh tanggal 21 November terhadap keputusan ini

ID Simba 1.6 — simba-english dan simba-multilingual — ditarik dari pilihan pada versi API 2026-09-21. Pada 21 November 2026, keduanya dilayani oleh Simba 3.5 dalam setiap bahasa dan ditagih sebagai simba-3.5, pada versi API apa pun yang masih dapat menyebutkannya. Integrasi yang telah menjalankan simba-multilingual sejak musim panas akan berganti suara dan berganti harga pada tanggal tersebut tanpa perubahan kode.

Alibaba tidak memiliki acara terjadwal yang setara dalam perbandingan ini. Qwen-Audio-3.0-TTS tetap tercantum di samping SKU 3.1, dan lini 3.1 ditagih berdasarkan unit yang berbeda — token, bukan karakter — sehingga kedua generasi tidak dapat dibandingkan dengan membagi satu sel kartu tarif dengan sel lainnya. Jika Anda menggunakan 3.0 saat ini, migrasi ke 3.1 adalah proyek nyata, bukan sekadar perubahan ID model satu baris, dan selisih 46 poin pada papan kontrol antara kedua tier adalah alasan untuk menjadwalkannya.

Di mana masing-masing adalah pilihan yang tepat

Pilih Simba 3.5 jika masalah Anda adalah keluasan cakupan dalam satu voice id: produk yang menghadirkan satu suara merek di puluhan lokal, katalog lama yang harus dirender ulang dalam bahasa yang tidak dikuasai siapa pun di tim, atau pembacaan aksesibilitas di mana suara kloning yang sama harus mengikuti pengguna dari bahasa Inggris ke bahasa Spanyol tanpa terdengar seperti orang yang berbeda. Daftar bahasa yang dihitung, peringkat pilihan staf, dan kloning zero-shot tanpa persetujuan adalah fitur yang membuatnya berhasil, dan keunggulan 62 poin pada papan terkontrol berarti kualitasnya tetap terjaga ketika suara tersebut bukan suara yang dipilih vendor.

Pilih Qwen-Audio-3.0-TTS jika masalah Anda adalah performa, bukan cakupan: pekerjaan audiobook dan podcast yang membuat tag [excited] layak dipertahankan, konten yang mengutamakan Mandarin tempat katalog suara dan kontrol pelafalan Alibaba paling mendalam, atau deployment yang harus berada di region Singapura atau Beijing. Bidang instruksinya benar-benar lebih ekspresif daripada yang diekspos Speechify, dan jalur URL non-streaming serta chunk SSE mencakup rendering batch maupun live.

OrcaRouter tidak menyediakan salah satu dari keduanya — Simba diakses melalui API milik Speechify sendiri, Qwen melalui Alibaba Cloud Model Studio — dan tidak ada apa pun di sini yang boleh dibaca sebagai klaim sebaliknya. Yang kami rutekan adalah katalog sintesis yang lebih kecil yang berfungsi sebagai kontrol netral saat Anda menguji: openai/tts-1 seharga $15,00 per juta karakter dan openai/tts-1-hd seharga $30,00, keduanya pada harga daftar penyedia tanpa tambahan markup, bersama google/gemini-3.1-flash-tts-preview. Merender skrip tiga menit yang sama melalui semuanya itu dan melalui kedua kandidat adalah cara termurah untuk menjawab pertanyaan yang hanya bisa dipersempit oleh dua papan peringkat.

Bagian yang kedua vendor biarkan untuk Anda pikirkan sendiri

Tidak satu pun model akan memberi tahu Anda apakah keluaran non-Inggrisnya cukup baik untuk audiens Anda, dan arena juga tidak akan melakukannya: papan Controlled Voice adalah evaluasi berbahasa Inggris atas delapan suara referensi bahasa Inggris, empat Amerika dan empat Britania. Keunggulan 62 poin yang diukur dalam bahasa Inggris tidak mengatakan apa pun secara langsung tentang bahasa Jepang, Polandia, atau Portugis Brasil. Jawaban Speechify adalah merujuk pada pilihan staf per lokal; jawaban Alibaba adalah merujuk pada instruksi dan daftar suara. Keduanya meminta Anda untuk mendengarkan.

Itu adalah penutup yang jujur untuk pasangan ini. Salah satunya lebih baru, lebih murah pada harga daftar, lebih baik saat diukur dalam bahasa Inggris, dan didokumentasikan hingga jumlah bahasa. Yang lain lebih ekspresif, lebih mapan dalam pekerjaan berbahasa Tionghoa, berada di tengah transisi generasi, dan dikendalikan oleh kolom instruksi alih-alih spesifikasi. Uji keduanya pada dua lokal yang benar-benar menyumbang pendapatan Anda, dan sisa perbandingan ini menjadi penentu seri, bukan keputusan.