Simba 3.5 vs Qwen-Audio-3.0-TTS: due modi per risolvere il problema della lingua, solo uno dei quali è documentato

Sia SpeechifyAI Simba 3.5 che Alibaba Qwen-Audio-3.0-TTS leggeranno il tuo copione in lingue diverse dall'inglese. Ci arrivano per strade opposte. Simba 3.5 pubblica un elenco: 48 lingue, un unico ID modello, ogni voce del catalogo le parla tutte, e l'estone e il cantonese sono indicati come le eccezioni. Qwen-Audio-3.0-TTS pubblica un campo istruzione, e il modo documentato per farlo parlare in olandese è inviargli la frase "Speak in Dutch, slowly and clearly." Uno dei due è una specifica da cui puoi costruire una matrice delle impostazioni locali. L'altro è un prompt, e la differenza tra i due è la cosa più utile di questo confronto.

Anche qui l’età conta, in un modo in cui di solito non accade. Qwen-Audio-3.0-TTS è stato rilasciato il 20 luglio 2026 e da allora è stato superato al vertice della gamma Alibaba da Qwen-Audio-3.1-TTS-Plus, che attualmente occupa il terzo posto nella classifica Controlled Voice. Il livello 3.0 Plus è ancora presente in elenco ed è ancora quello con la posizione misurata più solida su Provider Voice. Simba 3.5 è arrivato il 21 ottobre 2026 e sono passate tre settimane dall’avvio di un piano tariffario che ha già modificato una volta.

I numeri, affiancati dove esistono

Artificial Analysis valuta entrambi i modelli su entrambe le classifiche, il che rende questo uno dei pochi confronti nell'ambito del parlato in cui si possono confrontare elementi omogenei invece di estrapolare da un predecessore.

Voce controllata — SpeechifyAI Simba 3.5 posizione 1, Elo 1.192, più o meno 17, 1.783 campioni

• Voce controllata — Alibaba Qwen-Audio-3.0-TTS-Plus posizione 10, Elo 1.130, più o meno 12, 3.596 campioni

• Voce provider — SpeechifyAI Simba 3.5 posizione 5, Elo 1.294, più o meno 17, 1.732 campioni

• Voce del provider — Alibaba Qwen-Audio-3.0-TTS-Plus posizione 10, Elo 1.264, più o meno 13, 3.056 campioni

• Voce controllata — Alibaba Qwen-Audio-3.1-TTS-Plus, posizione 3, Elo 1.176, più o meno 12 — il modello Alibaba più recente, e quello da tenere d'occhio

• Prezzo della board — Qwen-Audio-3.0-TTS-Plus 19,31 $ per milione di caratteri su entrambe le board; Simba 3.5 indicato a 6,58 $, una tariffa integrata nel piano che non corrisponde al listino pubblicato di Speechify

Simba 3.5 è in testa con 62 punti di vantaggio nella classifica controllata e 30 in quella dei provider, e gli intervalli si separano nettamente in entrambi i casi. È un risultato di qualità inequivocabile a favore di Simba, e vale la pena notare ciò che non lo spiega: il numero di campioni. Qwen-Audio-3.0-TTS-Plus ha il doppio dei voti per voce controllata alla base della sua stima, quindi questo è un 1.130 ben misurato anziché uno rumoroso.

Il dettaglio interessante riguarda la linea di Alibaba stessa. Qwen-Audio-3.1-TTS-Plus si trova 46 punti sopra Qwen-Audio-3.0-TTS-Plus sulla classifica controllata, il che significa che il modello Alibaba di generazione attuale è molto più vicino a Simba 3.5 di quanto lo sia il 3.0. Chiunque faccia un confronto con il livello 3.0 sta misurando un modello che è già stato migliorato una volta.

Quarantotto lingue elencate rispetto a un campo di istruzioni

La documentazione di Speechify è insolitamente concreta per un'API vocale. Le 48 lingue di Simba 3.5 sono enumerabili, ogni voce del catalogo — e ogni voce clonata dei piani a pagamento — le parla tutte, e il modello accetta un tag di lingua standard in stile BCP-47 come ja-JP, con qualsiasi variante regionale di una lingua elencata inclusa. La coppia esclusa, estone e cantonese, è indicata esplicitamente. Speechify segnala inoltre quali voci sono scelte dello staff in ciascuna località e le classifica con un campo staff_pick_rank, perché una voce mantiene l'accento della registrazione di origine e la sua stessa raccomandazione è di generare con una voce nativa della lingua.

L'approccio di Alibaba è flessibile in una direzione diversa. Qwen-Audio-3.0-TTS accetta un'istruzione in linguaggio naturale che descrive l'elocuzione — ritmo, emozione, personaggio — e la tecnica documentata per una lingua di destinazione consiste nell'indicarlo nell'istruzione, che deve corrispondere alla lingua del testo. Supporta inoltre il controllo esplicito della pronuncia tramite language_hints e hot_fix, input SSML e LaTeX, e tag inline di emozione e non verbali come [excited], [sad], [laughing] e [sighing]. Le richieste non in streaming restituiscono un URL audio valido per 24 ore; lo streaming restituisce chunk in base64. Il modello è servito da Singapore e Pechino.

Quel vocabolario di tag è un vero vantaggio e Simba 3.5 non lo eguaglia. Speechify applica break, prosody rate, prosody pitch, prosody volume e sub alias; i tag emphasis ed emotion vengono accettati ma non applicati. Se il tuo prodotto ha bisogno di una risata a metà di una battuta, o di un sospiro alla fine, Qwen-Audio-3.0-TTS lo fa già oggi e Simba 3.5 no.

Il compromesso è chiaro una volta esposto: Qwen offre controllo espressivo e lascia il supporto linguistico alla prosa; Speechify offre un elenco di lingue conteggiabile e una superficie espressiva più ristretta. Per una pipeline di localizzazione, l’elenco conteggiabile vale di più, perché una matrice di locale è qualcosa che puoi testare, citare in un capitolato e far fallire una build. "Parla in olandese, lentamente e chiaramente" è una cosa che devi ascoltare.

Prezzi, convertiti in un numero che puoi confrontare

Alibaba fattura la sintesi in base ai caratteri di input in yuan, con tariffe regionali che differiscono tra i deployment di Pechino e Singapore. Qwen-Audio-3.0-TTS-Plus è indicato a ¥1,4 per 10.000 caratteri a Pechino; il livello Flash è a ¥1,0. Artificial Analysis normalizza il livello Plus a $19,31 per milione di caratteri, che è il valore da usare se si confronta con un fornitore che fattura in dollari invece di costruire un budget regionale. Ogni modello Qwen-Audio elencato include una quota gratuita di un milione di token nella regione di Pechino per 90 giorni dall'attivazione o dal rilascio, a seconda di quale avvenga dopo.

Speechify pubblica in dollari per milione di caratteri e ha già cambiato idea una volta:

• Simba 3.5, listino dal 22 novembre — 15,00 $ per milione su Starter, 12,00 $ su Pro, 10,00 $ su Scale

• Simba 3.5, fino al 21 novembre — 10,00 $, 8,00 $ e 6,00 $, le tariffe di Simba 3.2 e 3.0

• Simba 3.5, lista di lancio originale del 21 ottobre — $20, $16 e $12, superata dalla riduzione del 9 novembre

• Simba 3.2 e Simba 3.0 — $10, $8 e $6 per milione di caratteri, invariati

A listino, Simba 3.5 si colloca tra circa la metà e i tre quarti della tariffa di Qwen-Audio-3.0-TTS-Plus a seconda del piano, e durante la finestra dell'offerta è tra un terzo e la metà. Nessuno dei due è costoso in termini assoluti — cinque milioni di caratteri al mese costano meno di 100 $ su entrambi — quindi è improbabile che il prezzo sia il fattore decisivo, a meno che non si gestisca un catalogo molto grande. La copertura linguistica e il controllo espressivo probabilmente lo sono.

Che effetto ha la data del 21 novembre su questa decisione

Gli ID di Simba 1.6 di Speechify — simba-english e simba-multilingual — sono stati ritirati dalla selezione con la versione API 2026-09-21. Il 21 novembre 2026 entrambi vengono serviti da Simba 3.5 in ogni lingua e fatturati come simba-3.5, su qualsiasi versione API che sia ancora in grado di nominarli. Un'integrazione che utilizza simba-multilingual dall'estate cambierà voce e cambierà prezzo in quella data senza alcuna modifica al codice.

Alibaba non ha un evento pianificato equivalente in questo confronto. Qwen-Audio-3.0-TTS resta elencato accanto agli SKU 3.1, e la linea 3.1 viene fatturata su un'unità diversa — token anziché caratteri — quindi le due generazioni non possono essere confrontate dividendo una cella del listino per un'altra. Se oggi sei sulla 3.0, la migrazione alla 3.1 è un vero progetto e non un semplice cambio di model id su una riga, e il divario di 46 punti sulla controlled board tra i due livelli è il motivo per pianificarla.

Dove ognuno è la scelta giusta

Scegli Simba 3.5 se il tuo problema è la copertura sotto un unico ID voce: un prodotto che distribuisce una sola voce di marca in decine di locale, un catalogo storico che deve essere ri-renderizzato in lingue che nessuno nel team parla, oppure una lettura per l'accessibilità in cui la stessa voce clonata deve seguire l'utente dall'inglese allo spagnolo senza sembrare una persona diversa. L'elenco conteggiato delle lingue, la classifica delle scelte dello staff e la clonazione zero-shot senza approvazione sono le funzionalità che rendono possibile tutto questo, e il vantaggio di 62 punti nella classifica controllata significa che la qualità regge anche quando la voce non è una scelta del fornitore.

Scegli Qwen-Audio-3.0-TTS se il tuo problema è la performance più che la copertura: lavori di audiolibri e podcast in cui un tag [excited] merita il suo posto, contenuti in cinese mandarino prioritario in cui il catalogo vocale e i controlli di pronuncia di Alibaba sono più approfonditi, oppure un deployment che deve risiedere in una regione di Singapore o Pechino. Il campo delle istruzioni è davvero più espressivo di ciò che Speechify espone, e i percorsi URL non streaming e chunk SSE coprono sia il rendering batch sia quello live.

OrcaRouter non offre nessuna delle due linee — Simba si raggiunge tramite l'API proprietaria di Speechify, Qwen tramite Alibaba Cloud Model Studio — e nulla di quanto qui scritto va inteso come un'affermazione contraria. Ciò che instradiamo è un catalogo di sintesi più ridotto che funge da controllo neutro quando si esegue un test: 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 ricarico aggiunto, insieme a google/gemini-3.1-flash-tts-preview. Riprodurre lo stesso copione di tre minuti con questi modelli e con entrambi i candidati è il modo più economico per risolvere una questione che due classifiche possono soltanto restringere.

La parte che entrambi i fornitori ti lasciano scoprire

Nessuno dei due modelli ti dirà se il suo output non in inglese è abbastanza buono per il tuo pubblico, e nemmeno l’arena lo farà: la board Controlled Voice è una valutazione in lingua inglese su otto voci di riferimento inglesi, quattro americane e quattro britanniche. Un vantaggio di 62 punti misurato in inglese non dice nulla di diretto sul giapponese, sul polacco o sul portoghese brasiliano. La risposta di Speechify è indicare le scelte dello staff per locale; quella di Alibaba è indicare le istruzioni e un elenco di voci. Entrambi ti stanno chiedendo di ascoltare.

Questa è la chiusura onesta su questa coppia. Uno è più recente, costa meno a listino, offre misurazioni migliori in inglese ed è documentato fino al numero di lingue supportate. L'altro è più espressivo, più consolidato nel lavoro in lingua cinese, a metà di una transizione generazionale e controllato da un campo di istruzioni anziché da una specifica. Prova entrambi nelle due localizzazioni che generano davvero i tuoi ricavi, e il resto di questo confronto diventa un fattore di spareggio anziché la decisione.