Simba 3.5 vs Eleven v4: le due classifiche non concordano, e solo una riguarda il tuo prodotto

Metti SpeechifyAI Simba 3.5 e ElevenLabs Eleven v4 sullo stesso tavolo e il risultato dipende interamente da quale tabella di Artificial Analysis leggi. Su Controlled Voice — le stesse otto voci di riferimento clonate per ogni partecipante — Simba 3.5 è primo a 1.192 e Eleven v4 è settimo a 1.155, un divario di 37 punti i cui intervalli non si sovrappongono. Su Provider Voice — il cast vocale di ciascun fornitore — Eleven v4 è primo a 1.340 e Simba 3.5 è quinto a 1.294, un divario di 46 punti nella direzione opposta, anch'esso con una separazione netta. Nessuno dei due numeri è sbagliato. Misurano prodotti diversi, e quello di cui dovresti fidarti è determinato da una domanda sul tuo stack anziché su uno dei due fornitori.

I due consigli, e perché sono così completamente in disaccordo

{{1}}Voce controllata{{/1}} mantiene costante il locutore. Artificial Analysis clona quattro voci americane e quattro britanniche e fa pronunciare a ogni modello le stesse frasi con quelle stesse voci, così chi ascolta confrontando due campioni percepisce soltanto la qualità della sintesi. {{2}}Voce del fornitore{{/2}} consente a ciascun fornitore di proporre le proprie voci, il che significa che chi ascolta giudica insieme il modello e il cast vocale — il timbro, l'accento, le scelte recitative curate dal fornitore.

ElevenLabs ha passato anni a costruire quel cast. È la parte dell'azienda che non è affatto un modello, ed è per questo che nella classifica dei provider Eleven v4 ed Eleven v4 Turbo occupano i primi due posti, con 32 campioni di netto vantaggio tra loro e il resto. Togli il cast e Eleven v4 scende al settimo posto. La posizione di Speechify è l'immagine speculare: quinta con le proprie voci, prima senza.

• Voce controllata — SpeechifyAI Simba 3.5 posizione 1, Elo 1.192, intervallo da 1.175 a 1.209, 1.783 campioni

• Voce controllata — ElevenLabs Eleven v4 posizione 7, Elo 1.155, intervallo da 1.143 a 1.167, 3.221 campioni

• Voce controllata — ElevenLabs Eleven v4 Turbo posizione 6, Elo 1.156, intervallo da 1.144 a 1.168, 3.327 campioni

• Voce provider — ElevenLabs Eleven v4 posizione 1, Elo 1.340, intervallo da 1.325 a 1.355, 2.742 campioni

• Voce provider — ElevenLabs Eleven v4 Turbo posizione 2, Elo 1.339, intervallo da 1.323 a 1.355

• Voce provider — SpeechifyAI Simba 3.5 posizione 5, Elo 1.294, intervallo da 1.277 a 1.311, 1.732 campioni

• Voce del provider — Alibaba Qwen-Audio-3.1-TTS-Plus al 3° posto a 1.300, tra i due in quella classifica

Entrambi i divari sono più ampi degli intervalli che li circondano, quindi nessuno dei due ordinamenti è una pura questione di fortuna. La vittoria di 37 punti di Simba 3.5 nella Controlled Voice e quella di 46 punti di Eleven v4 nella Provider Voice sono entrambe misurazioni reali di cose diverse. È insolito — la maggior parte delle coppie di modelli si comporta allo stesso modo su entrambe le classifiche — ed è l'intero contenuto di questo confronto.

La domanda che lo decide

Se il tuo prodotto fornisce qualunque voce abbia selezionato il fornitore — una voce assistente predefinita, una traccia narrativa standard, un'unica voce aziendale in tutta un'app — stai acquistando ciò che ha misurato Provider Voice, e Eleven v4 vince questo confronto con 46 punti di vantaggio. Se il tuo prodotto consente agli utenti di scegliere una voce, clonare la propria o portare una voce di marca fissa in ogni lingua, stai acquistando ciò che ha misurato Controlled Voice, e Simba 3.5 vince questo confronto con 37 punti di vantaggio.

C'è un test pratico che risolve la questione in un pomeriggio: prendi tre minuti del tuo audio di riferimento, clonalo su entrambe le piattaforme e ascolta. Un modello che è in testa alla classifica controllata è un modello che gestisce bene una voce sconosciuta. Un modello che è in testa alla classifica dei fornitori è un modello con buon gusto in fatto di voci. Sono competenze diverse e il tuo carico di lavoro ne richiede solo una.

Il prezzo non è vicino, e non è nemmeno tutta la storia.

Eleven v4 è indicato a 0,08 $ per mille caratteri, ovvero 80 $ per milione. È la tariffa riportata nella pagina prezzi API di ElevenLabs e il valore che Artificial Analysis riporta per il modello; la finestra promozionale durata fino a metà ottobre è terminata, quindi 80 $ è il dato stabile e non un effetto del lancio. Eleven v4 Turbo costa la metà, 40 $ per milione.

Simba 3.5 è listato a 15, 12 e 10 dollari per milione di caratteri nei piani Starter, Pro e Scale — una riduzione rispetto ai 20, 16 e 12 dollari con cui è stato lanciato il 21 ottobre. Fino al 21 novembre 2026 fattura invece alle tariffe dei modelli precedenti: 10, 8 e 6 dollari. Dopo il 22 novembre si applica il nuovo listino e l'offerta non è più valida.

Eleven v4 — 80,00 $ per milione di caratteri, prezzo di listino, nessuna promozione attiva

Eleven v4 Turbo — $40.00 per milione di caratteri

• Simba 3.5 — $15.00 Starter, $12.00 Pro, $10.00 Scale per milione di caratteri, dal 22 novembre

• Simba 3.5 — $10.00, $8.00 e $6.00 per milione di caratteri fino al 21 novembre

• Simba 3.2 e Simba 3.0 — invariati alle tariffe di $10, $8, $6 sugli stessi piani

A cinque milioni di caratteri al mese — circa cento ore di parlato finito — Eleven v4 costa 400 $ e Simba 3.5 costa tra 50 e 75 $ a seconda del piano e della data. È un fattore da cinque a otto. Chiunque citi i 6,58 $ della classifica per Simba 3.5 sta citando una tariffa incorporata nel piano che non corrisponde al listino pubblicato di Speechify; calcola il budget partendo dalla tabella dei livelli sopra.

Lingue: 48 sotto un unico ID contro oltre 90

È qui che il confronto smette di essere un pareggio e inizia a diventare una decisione di routing. Simba 3.5 parla 48 lingue con un unico model id, rispetto alle sei coperte da Simba 3.0, e ogni voce del catalogo — compresa una clonata — parla tutte e 48 con lo stesso voice id. L'estone e il cantonese non figurano esplicitamente nell'elenco. Eleven v4 copre oltre 90 lingue con un limite di 10.000 caratteri per richiesta, ovvero circa dieci minuti di parlato prima di dover suddividere in blocchi.

Quarantotto lingue bastano per la maggior parte delle linee di prodotto europee, latinoamericane e dell'Asia orientale, ma non per un catalogo davvero globale. Novanta e più bastano per quasi qualsiasi cosa e, se il requisito è "ogni locale in cui vendiamo", la questione della qualità smette di contare: una delle due opzioni può svolgere il lavoro, l'altra potrebbe non farcela.

C'è un avvertimento sul 48 che il fornitore dichiara apertamente e che gran parte della copertura omette: una voce mantiene l'accento della sua registrazione di origine. Una voce americana clonata che parla giapponese suonerà come un americano che parla giapponese. La guida di Speechify stessa è di partire dalla voce staff-pick nativa di ciascuna lingua, motivo per cui staff_pick_rank ora compare nell'endpoint voices. Il trasferimento vocale cross-linguale è disponibile; non è esente da accento.

Latenza, clonazione e la forma dell'API

Speechify riporta {{1}}72 millisecondi{{/1}} di tempo al primo audio al {{2}}95° percentile{{/2}} delle richieste in streaming sotto carico di produzione, e {{3}}1,8 volte{{/3}} il throughput di Simba 3.2 per istanza di servizio. Si tratta di dati del fornitore, non riprodotti. ElevenLabs non pubblica un dato comparabile per Eleven v4 stesso. L'unico dato di latenza misurato nella documentazione di Simba è più datato e più limitato: Simba 3.2 a {{4}}56 millisecondi{{/4}} di mediana e {{5}}102 millisecondi{{/5}} al 90° percentile per il primo byte lato server, misurato in {{6}}US East{{/6}} il 15 settembre 2026 — una metrica diversa dal tempo al primo audio e non trasferibile.

Il clonaggio vocale è zero-shot e self-serve su entrambi, con una differenza di attrito che conta su scala di team. Il clonaggio di Simba 3.5 è disponibile nei piani a pagamento senza approvazione. ElevenLabs offre cloni istantanei da dieci secondi di audio insieme al suo livello di clonazione professionale, e la sua verifica del consenso è la più sviluppata delle due — un punto a suo favore per chiunque distribuisca voci fornite dagli utenti.

Le strutture delle richieste non sono intercambiabili, cosa che vale la pena sapere prima di scrivere un livello di astrazione. Speechify si autentica con un bearer token, invia il testo come input, il modello come model e non ha affatto un oggetto voice_settings. ElevenLabs usa un proprio header e nomi di campo propri. Entrambi supportano lo streaming; il supporto SSML di Speechify è un sottoinsieme, con break, prosody rate, prosody pitch, prosody volume e sub alias applicati, mentre i tag emphasis ed emotion sono accettati ma ignorati.

Dove un router aiuta davvero in questo caso

Nessuno dei due modelli è su OrcaRouter, e questo articolo non sostiene il contrario: la linea Simba si raggiunge tramite l'API proprietaria di Speechify e la linea ElevenLabs tramite quella di ElevenLabs. Ciò che instradiamo è il catalogo di sintesi più ristretto che costituisce un gruppo di controllo equo — openai/tts-1 a 15,00 $ per milione di caratteri e openai/tts-1-hd a 30,00 $, entrambi al prezzo di listino del fornitore senza alcun sovrapprezzo.

L'argomento del routing in questo specifico confronto non riguarda la qualità, perché la risposta sulla qualità è già divisa. Riguarda il fatto che le due classifiche non concordano, che i prezzi differiscono di un fattore da cinque a otto, e che entrambi i fatti restano validi solo fino al lancio del modello successivo. Uno stack in grado di inviare lo stesso script a due fornitori e di confrontare sul proprio audio ha una risposta che sopravvive alla successiva ri-esecuzione della classifica; uno stack cablato su uno solo dei due deve rimettere in discussione la decisione ogni trimestre. Il failover automatico copre anche il caso che nessuno include nei benchmark — un incidente lato provider durante la settimana di un lancio.

Un verdetto onesto, con il pareggio mantenuto

Eleven v4 è il modello migliore se ti serve un'ampia copertura linguistica, un cast vocale curato che non devi costruire, gli strumenti per consenso e clonazione più maturi oppure un primo posto nella classifica dei fornitori che si è mantenuto in cima a un campo di cento modelli. Costa da cinque a otto volte tanto e il prezzo non è promozionale.

Simba 3.5 è il modello migliore se le voci sono tue — clonate, di proprietà del brand o scelte per ogni locale — e se 48 lingue coprono i mercati in cui vendi davvero. Guida la classifica che mantiene costante il parlante, ovvero quella che predice le prestazioni su una voce che il fornitore non ha mai sentito. Inoltre sono passate tre settimane dall'inizio di un listino prezzi che è già cambiato una volta, con una migrazione del model-id prevista per il 21 novembre, quindi la cifra con cui ti iscrivi non è necessariamente quella che pagherai a dicembre.

Quello che nessuna delle due schede ti dice è quale delle due i tuoi ascoltatori preferiscono sui tuoi contenuti. Trentasette punti di Elo sono un divario significativo e non sostituiscono un test d'ascolto su tre minuti del tuo copione con la tua voce. Fai quel test prima di dedicare volume all'una o all'altra.