Simba 3.5 対 Eleven v4：2つのリーダーボードは食い違い、あなたの製品に関係するのはそのうち一方だけ

同じテーブルに載せるとSpeechifyAI Simba 3.5とElevenLabs Eleven v4の結果は、どのArtificial Analysisのリーダーボードを見るかによって完全に変わります。Controlled Voice——すべての参加者に同じ8つのクローン参照音声——では、Simba 3.5が1,192で1位、Eleven v4が1,155で7位で、37ポイント差があり、その信頼区間は重なりません。Provider Voice——各ベンダー自身の音声キャスト——では、Eleven v4が1,340で1位、Simba 3.5が1,294で5位で、逆方向に46ポイント差があり、こちらも明確に分離しています。どちらの数字も間違いではありません。それらは異なる製品を測定しており、信頼すべき数字は、どちらのベンダーについての問いではなく、あなたのスタックについての問いによって決まります。

二つの取締役会、そしてなぜそれほどまでに意見が真っ向から分かれるのか

{{1}}Controlled Voice{{/1}}では話者を固定します。{{2}}Artificial Analysis{{/2}}はアメリカ人4人とイギリス人4人の声をクローン化し、すべてのモデルに同じ台詞を同じ声で言わせます。そのため、2つのサンプルを比較するリスナーが聴いているのは合成品質だけです。{{3}}Provider Voice{{/3}}では各ベンダーが独自の声を提示できるため、リスナーはモデルと声のキャストを合わせて評価することになります — 音色、アクセント、ベンダーが厳選した演技上の選択まで。

ElevenLabsは何年もかけてそのキャストを築いてきた。それは同社の、モデルですらない部分であり、プロバイダー・ボードでEleven v4とEleven v4 Turboが上位2枠に入り、残りとの間に32サンプル分もの大差をつけている理由でもある。そのキャストを除けば、Eleven v4は7位に落ちる。Speechifyの立場はその鏡像だ。自社の声ありで5位、声なしで1位になる。

• 制御された音声 — SpeechifyAI Simba 3.5 は 1 位、Elo 1,192、信頼区間 1,175～1,209、1,783 サンプル

• コントロール音声 — ElevenLabs Eleven v4 ランク7、Elo 1,155、区間 1,143～1,167、3,221サンプル

• コントロールされた音声 — ElevenLabs Eleven v4 Turbo ランク6、Elo 1,156、区間 1,144～1,168、3,327サンプル

• プロバイダー音声 — ElevenLabs Eleven v4、1位、Elo 1,340、区間 1,325～1,355、2,742サンプル

• プロバイダー音声 — ElevenLabs Eleven v4 Turbo 2位、Elo 1,339、範囲 1,323～1,355

• プロバイダー音声 — SpeechifyAI Simba 3.5、ランク5、Elo 1,294、区間1,277～1,311、サンプル数1,732

• プロバイダー音声 — Alibaba Qwen-Audio-3.1-TTS-Plus は 1,300 で 3 位、そのボードでは 2 つの間に位置

どちらの差もその周囲の区間より大きいため、どちらの順序もコイントスの偶然ではありません。Simba 3.5 の Controlled Voice での37ポイント差の勝利と、Eleven v4 の Provider Voice での46ポイント差の勝利は、どちらも異なるものを測った実際の測定値です。これは珍しいことです — ほとんどのモデルペアは両方のボードで同じ結果になります — そしてこれこそがこの比較の内容そのものです。

それを決める問い

製品にベンダーが選んだ音声をそのまま搭載する場合——デフォルトのアシスタント音声、既製のナレーショントラック、アプリ全体で単一のハウス音声——それは Provider Voice が測定したものを採用していることになり、そこで Eleven v4 が46ポイント差で勝っています。製品でユーザーに音声を選ばせる、自分の声をクローンさせる、または固定のブランドボイスを全言語に展開する場合は、Controlled Voice が測定したものを採用していることになり、そこで Simba 3.5 が37ポイント差で勝っています。

これを一つの午後で決着できる実用的なテストがある。自分の参照音声を3分取り、両方のプラットフォームでクローンして聴く。制御されたリーダーボードで首位のモデルは、聞き慣れない声をうまく扱えるモデルだ。プロバイダーのリーダーボードで首位のモデルは、声の好みが良いモデルだ。これらは別のスキルであり、あなたの作業量にはそのうち一つしか必要ない。

価格は僅差ではなく、価格だけがすべてでもない

Eleven v4の価格は1,000文字あたり0.08ドル、つまり100万文字あたり80ドルです。これはElevenLabs自身のAPI価格ページに記載されている料金であり、Artificial Analysisがこのモデルについて示している数字でもあります。10月中旬まで実施されていたプロモーション期間は終了しているため、80ドルはローンチ時の一時的な価格ではなく、定常的な価格です。Eleven v4 Turboはその半額で、100万文字あたり40ドルです。

Simba 3.5は、Starter、Pro、Scaleの各プランで100万文字あたり15ドル、12ドル、10ドルと価格を提示している。これは10月21日に提供開始した際の20ドル、16ドル、12ドルからの値下げだ。2026年11月21日までは、代わりに旧モデルの料金である10ドル、8ドル、6ドルで請求される。11月22日以降は新しい料金表が適用され、このオファーは適用されない。

• Eleven v4 — 100万文字あたり80.00ドル、定価、有効なプロモーションなし

• Eleven v4 Turbo — 100万文字あたり$40.00

• Simba 3.5 — 100万文字あたり Starter $15.00、Pro $12.00、Scale $10.00、11月22日から

• Simba 3.5 — 100万文字あたり $10.00、$8.00、$6.00（11月21日まで）

• Simba 3.2 および Simba 3.0 — 同一プランにおいて $10、$8、$6 の料金で変更なし

月間500万文字——完成した音声で約100時間分——の場合、Eleven v4は400ドル、Simba 3.5はプランと日付に応じて50〜75ドルです。これは5〜8倍の差になります。Simba 3.5についてリーダーボードの6.58ドルを引用している人は、Speechifyの公開リストと一致しないプラン組み込みの料金を引用しています。予算は上記の料金階層表に基づいて立ててください。

言語：1つのIDで48言語、それに対して90以上

ここが、比較が引き分けではなくルーティングの判断になる分岐点です。Simba 3.5 は単一のモデル ID で 48 言語に対応し、Simba 3.0 がカバーしていた 6 言語から拡大しています。また、カタログ内のすべての音声 — クローンされたものを含む — が同じ音声 ID で 48 言語すべてを話せます。エストニア語と広東語は明示的に対象リストに含まれていません。Eleven v4 は 90 以上の言語に対応し、リクエストごとに 10,000 文字の上限があり、これはチャンク分割が必要になるまでおおよそ 10 分間の音声に相当します。

48言語あれば、欧州・中南米・東アジアのほとんどの製品ラインには足りますが、真にグローバルなカタログには足りません。90言語以上あれば、ほぼどんな要件にも対応できます。そして、要件が「当社が販売するすべてのロケール」であるなら、品質をめぐる議論は意味を失います——この二つのうち、一方はその仕事を果たせますが、他方は果たせないかもしれません。

48言語には、ベンダーが公言しているものの大半の報道が見落としている注意点がある。音声は元の録音のアクセントを保持するのだ。クローン化したアメリカ英語の声で日本語を話すと、アメリカ人が日本語を話しているように聞こえる。Speechify 自身のガイダンスでは、各言語のネイティブによるスタッフ推薦の声から始めることを推奨しており、それが staff_pick_rank が現在 voices エンドポイントに表示される理由だ。言語間の音声転送は利用可能だが、アクセントがなくなるわけではない。

レイテンシ、クローニング、そして API の形

Speechifyは、本番負荷時のストリーミングリクエストの95パーセンタイルで最初の音声までの時間が72ミリ秒、サービングインスタンスあたりのスループットがSimba 3.2の1.8倍だと報告している。これらはベンダー公表値であり、再現されていない。ElevenLabsはEleven v4自体について比較可能な数値を公表していない。Simbaのドキュメントにある唯一の測定済みレイテンシ値は、より古く、範囲も限定的だ。すなわち、2026年9月15日にUS Eastで測定されたSimba 3.2のサーバー側ファーストバイトで、中央値56ミリ秒、90パーセンタイル102ミリ秒である。これは最初の音声までの時間とは異なる指標であり、そのまま当てはめることはできない。

音声クローニングはどちらもゼロショットかつセルフサービスですが、チーム規模で重要になる手間の差があります。Simba 3.5のクローニングは有料プランで承認なしに利用できます。ElevenLabsは10秒の音声からのインスタントクローンをプロ向けクローン階層と並べて提供しており、同意確認は両者の中でより成熟しています——ユーザー提供の音声を提供する人にとって有利な点です。

リクエストの形状は相互に置き換え可能ではないため、抽象化レイヤーを書く前に知っておく価値があります。Speechify は bearer token で認証し、テキストを input として、モデルを model として送信し、voice_settings オブジェクトはまったくありません。ElevenLabs は独自のヘッダーと独自のフィールド名を使用します。どちらもストリーミングをサポートしています。Speechify の SSML サポートはサブセットで、break、prosody rate、prosody pitch、prosody volume、sub alias は適用され、emphasis と emotion タグは受け入れられるものの無視されます。

ここでルーターが実際に役立つのはどんな場面か

どちらのモデルもOrcaRouter上にはなく、本記事もそう主張してはいません。Simba系はSpeechify独自のAPI経由、ElevenLabs系はElevenLabsのAPI経由で利用します。私たちがルーティングするのは、公平な対照群となる小規模な合成音声カタログです——openai/tts-1（100万文字あたり$15.00）とopenai/tts-1-hd（$30.00）、いずれもプロバイダーの定価のままで上乗せはありません。

この特定の組み合わせにおけるルーティングの議論は、品質の話ではない。品質に関する答えはすでに分かれているからだ。問題は、2つのボードの見解が一致せず、価格が5倍から8倍違うということであり、そしてそのどちらの事実も次のモデルが出るまでしか安定しないということだ。同じスクリプトを2社のベンダーに送り、自社の音声で比較できるスタックには、次のリーダーボードの再実行にも耐える答えがある。一方、どちらか一方に固定されたスタックは、四半期ごとにその判断をやり直さなければならない。自動フェイルオーバーは、誰もベンチマークしないケースもカバーする — ローンチ週のプロバイダー側のインシデントだ。

引き分けを残したままの、正直な評決

Eleven v4 は、幅広い言語カバレッジ、自前で構築する必要のない厳選された声優陣、最も成熟した同意およびクローニングのツール、あるいは100モデルが競う分野で首位を維持してきたプロバイダーボードのリードが必要なら、より優れたモデルです。価格は5〜8倍で、その価格はプロモーション価格ではありません。

Simba 3.5 は、あなたの声があなた自身のものである場合——クローンした声、ブランドが所有する声、ロケールごとに選んだ声——そして48言語が実際に販売している市場をカバーするなら、より優れたモデルです。話者を固定したボードで首位に立っており、それはベンダーが一度も耳にしたことのない声での性能を予測するボードです。また、すでに一度変更された価格スケジュールが始まって3週間が経ち、11月21日にはモデルIDの移行が予定されているため、サインアップ時の金額が12月に支払う金額と同じとは限りません。

どちらのボードも教えてくれないのは、あなたのコンテンツでリスナーがどちらを好むかということです。Eloの37ポイント差は意味のある差ではありますが、自分の原稿を自分の声で3分間読んだ聴き比べテストの代わりにはなりません。どちらかに大量の制作を投じる前に、そのテストを実施してください。