Simba 3.5 対 Qwen-Audio-3.0-TTS：言語問題を解決する2つの方法、ただし文書化されているのはそのうち1つだけ

の両方SpeechifyAI Simba 3.5とAlibaba Qwen-Audio-3.0-TTSは、英語以外の言語でもあなたのスクリプトを読み上げます。そこに至る道筋は正反対です。Simba 3.5 は一覧を公開しています。48言語、1つのモデルID、カタログ内のすべての音声がそれらすべてを話し、エストニア語と広東語が例外として明記されています。Qwen-Audio-3.0-TTS は指示フィールドを公開しており、オランダ語を話させるための文書化された方法は、「オランダ語で、ゆっくりはっきり話してください」という文を送ることです。一方はロケールマトリックスを構築できる仕様です。もう一方はプロンプトであり、その違いこそがこの比較で最も有用な点です。

ここでは年齢も重要になる。ふつうはそうならないのだが。Qwen-Audio-3.0-TTSは2026年7月20日にリリースされ、その後アリババのラインナップの頂点ではQwen-Audio-3.1-TTS-Plusに取って代わられており、現在Controlled Voiceボードの3位を占めているのはこちらである。3.0 Plusティアは今も掲載されており、Provider Voiceでより強い測定上の位置を持つのは依然としてこちらだ。Simba 3.5は2026年10月21日に登場し、すでに一度改定された料金体系に入って3週間が経つ。

数字は、存在する場合は並べてください

Artificial Analysisは両モデルを両ボードでスコア評価しているため、これは音声分野において、前世代モデルから外挿するのではなく同条件で比較できる数少ない対決の一つです。

• 制御された音声 — SpeechifyAI Simba 3.5 は1位、Elo 1,192（プラスマイナス17）、1,783サンプル

• 制御された音声 — Alibaba Qwen-Audio-3.0-TTS-Plus はランク10、Elo 1,130（±12）、3,596サンプル

• プロバイダーボイス — SpeechifyAI Simba 3.5 ランク5、Elo 1,294（プラスマイナス17）、1,732サンプル

・プロバイダー音声 — Alibaba Qwen-Audio-3.0-TTS-Plus 10位、Elo 1,264（±13）、3,056サンプル

• 制御された音声 — Alibaba Qwen-Audio-3.1-TTS-Plus は3位、Elo 1,176（±12） — より新しいAlibabaモデルであり、注目すべき存在

• ボード価格 — Qwen-Audio-3.0-TTS-Plus は両方のボードで100万文字あたり19.31ドル、Simba 3.5 は6.58ドルで掲載されており、これはプランに組み込まれた料率で、Speechify の公開リストとは一致しません

Simba 3.5はコントロールボードで62ポイント、プロバイダーボードで30ポイントのリードを保っており、どちらの場合も区間はきれいに分離している。これはSimbaに有利な明快な品質結果であり、それを説明しないもの、すなわちサンプル数についても触れておく価値がある。Qwen-Audio-3.0-TTS-Plusはその推定値の背後に2倍のコントロール音声票を抱えているため、これはノイズの多いものではなく、十分に測定された1,130である。

興味深いのは、アリババ自身の製品ラインだ。Qwen-Audio-3.1-TTS-Plusは統制された評価ボード上でQwen-Audio-3.0-TTS-Plusより46ポイント高く、つまり現世代のアリババモデルは、3.0よりもSimba 3.5にはるかに近い。3.0の階層と比較している人は、すでに一度改善されたモデルを測定していることになる。

指示フィールドに対する48の一覧表示言語

Speechifyのドキュメントは、音声APIとしては異例なほど具体的だ。Simba 3.5の48言語は列挙可能で、カタログ内の各音声——および有料プランでクローンした各音声——はそのすべてを話し、モデルはja-JPのような標準的なBCP-47形式の言語タグを受け付け、リストされた言語の地域変種はいずれも対象に含まれる。除外される組み合わせであるエストニア語と広東語は明記されている。Speechifyはまた、各ロケールでどの音声がスタッフのおすすめかを示し、staff_pick_rankフィールドで順位付けしている。なぜなら音声は元の録音のアクセントを保ち、同社自身も、その言語のネイティブ音声で生成することを推奨しているからだ。

Alibabaのアプローチは、別の方向に柔軟です。Qwen-Audio-3.0-TTSは、話す速さ、感情、ペルソナといった話し方を記述する自然言語の指示を受け付けます。対象言語向けに文書化されている手法は、その指示の中で対象言語を明示するというもので、指示はテキストの言語と一致している必要があります。また、language_hintsとhot_fixによる明示的な発音制御、SSMLおよびLaTeX入力、[excited]、[sad]、[laughing]、[sighing]などのインラインの感情タグや非言語タグもサポートします。非ストリーミングリクエストは24時間有効な音声URLを返し、ストリーミングはbase64チャンクを返します。モデルはシンガポールと北京から提供されます。

そのタグ語彙は確かな強みであり、Simba 3.5 はそれに匹敵しません。Speechify は break、prosody rate、prosody pitch、prosody volume、sub alias を適用し、emphasis と emotion のタグは受け付けるものの適用しません。製品で行の途中に笑い声が必要な場合や、行末にため息が必要な場合、Qwen-Audio-3.0-TTS は今日それを実現しますが、Simba 3.5 は実現しません。

一度言葉にすれば、このトレードオフは明快だ。Qwenは表現の制御を与える代わりに、言語サポートを散文に委ねる。Speechifyは数えられる言語リストと、より狭い表現面を与える。ローカリゼーションパイプラインにとっては、数えられるリストのほうが価値が高い。ロケールマトリクスはテストでき、作業範囲記述書に引用でき、それに対してビルドを失敗させられるものだからだ。「オランダ語で、ゆっくりはっきり話して」は、耳を傾けなければならない類のものだ。

比較できる数値に換算した料金

Alibabaは音声合成を入力文字数に基づいて人民元で課金し、その地域料金はBeijingとSingaporeのデプロイメントで異なります。Qwen-Audio-3.0-TTS-PlusはBeijingで10,000文字あたり¥1.4、Flash tierは¥1.0でリストされています。Artificial AnalysisはPlus tierを100万文字あたり$19.31に正規化しており、地域予算を組むのではなくドル建てベンダーと比較する場合に使うべき数値はこれです。リストされている各Qwen-Audioモデルには、Beijingリージョンで有効化日またはリリース日のいずれか遅い方から90日間、100万トークンの無料枠があります。

Speechifyは100万文字あたりのドル建てで公表しており、すでに一度方針を変えています：

• Simba 3.5、11月22日からのリスト価格 — Starterは100万あたり$15.00、Proは$12.00、Scaleは$10.00

• Simba 3.5、11月21日まで — $10.00、$8.00、$6.00、Simba 3.2および3.0の料金

• Simba 3.5、10月21日の当初発売価格表 — 20ドル、16ドル、12ドル、11月9日の値下げにより改定

• Simba 3.2 および Simba 3.0 — 100万文字あたり $10、$8、$6（変更なし）

定価ベースでは、Simba 3.5はプランに応じてQwen-Audio-3.0-TTS-Plusのボード料金のおよそ半分から4分の3の間に収まり、キャンペーン期間中は3分の1から2分の1になります。どちらも絶対額でいえば高くはなく、月500万文字でもどちらを使っても100ドル未満です。そのため、非常に大規模なカタログを運用しているのでなければ、価格が決め手になることはまずないでしょう。決め手となるのはおそらく言語カバレッジと表現力の制御です。

11月21日という日付がこの決定にどう影響するのか

SpeechifyのSimba 1.6 ID — simba-english と simba-multilingual — は、APIバージョン2026-09-21で選択対象から除外されました。2026年11月21日には、両方ともすべての言語でSimba 3.5によって提供され、それらをまだ指定できるAPIバージョンであれば、simba-3.5として課金されます。夏からsimba-multilingualを実行している統合は、コードを変更しなくても、その日に音声と価格が変わります。

この比較において、Alibaba には同等の予定イベントはありません。Qwen-Audio-3.0-TTS は引き続き 3.1 SKU の隣に掲載されており、3.1 系は文字数ではなくトークンという異なる単位で課金されるため、両世代を料金表のセル同士を割って比較することはできません。現在 3.0 を使っている場合、3.1 への移行はモデル ID の1行変更ではなく本格的なプロジェクトであり、両ティア間の管理されたボードにおける46ポイントの差が、それを計画する理由です。

それぞれが正しい判断となる場合

単一のボイスIDで幅広くカバーしたいなら、Simba 3.5を選んでください。1つのブランドボイスを数十のロケールに展開して提供する製品、チームの誰も話さない言語で再レンダリングしなければならない既存カタログ、あるいは同じクローン音声が別人のように聞こえずに英語からスペイン語までユーザーに付き添う必要があるアクセシビリティ読み上げなどが課題なら適しています。集計済みの言語リスト、スタッフ推薦ランキング、承認なしのゼロショットクローニングがそれを可能にする機能であり、管理されたボード評価での62ポイントのリードは、ベンダーが選んだのではない音声でも品質が維持されることを意味します。

カバレッジではなくパフォーマンスが課題なら、Qwen-Audio-3.0-TTS を選んでください。オーディオブックやポッドキャストの作業で [excited] タグが真価を発揮する場合、Alibaba の音声カタログと発音コントロールが最も充実している中国語優先のコンテンツ、またはシンガポールや北京リージョンに配置する必要があるデプロイに適しています。instruction フィールドは Speechify が公開しているものより確かに表現力が高く、非ストリーミング URL と SSE チャンクの経路がバッチとライブの両方のレンダリングをカバーします。

OrcaRouterはどちらのラインも扱っていません — SimbaはSpeechify独自のAPIを通じて、QwenはAlibaba Cloud Model Studioを通じてアクセスするものであり、ここでの記述をそれ以外の主張として読むべきではありません。当社がルーティングしているのは、テストの際にニュートラルな対照として機能する、より小規模な合成カタログです：openai/tts-1は100万文字あたり15.00ドル、openai/tts-1-hdは30.00ドル、いずれもプロバイダー定価のままでマークアップは一切なし、さらにgoogle/gemini-3.1-flash-tts-previewも加わります。同じ3分間のスクリプトをこれらと2つの候補の両方でレンダリングすることが、2つのリーダーボードでは絞り込むことしかできない問いに決着をつける最も安価な方法です。

両方のベンダーがあなたに解明を任せている部分

どちらのモデルも、その非英語出力があなたのオーディエンスにとって十分に良いかどうかを教えてくれませんし、アリーナも同じです。Controlled Voice ボードは、8つの英語参照音声——アメリカ英語4つとイギリス英語4つ——による英語での評価です。英語で測られた62ポイントのリードは、日本語、ポーランド語、ブラジルポルトガル語について直接何も語りません。Speechifyの答えはロケールごとのスタッフのおすすめを示すこと、Alibabaの答えは指示と音声リストを示すことです。どちらも、あなたに聴いてほしいと求めています。

これがこの2つに関する正直な結論です。一方はより新しく、定価は安く、英語での測定結果に優れ、言語数に至るまで文書化されています。もう一方はより表現力が高く、中国語の作業ではより定評があり、世代交代の途上にあり、仕様ではなく指示フィールドによって制御されています。実際に収益を担っている2つのロケールで両方をテストすれば、この比較の残りは決定要因ではなくタイブレーカーとなります。