Simba 3.5 vs Eleven v4: Dwa rankingi się nie zgadzają, a tylko jeden z nich dotyczy Twojego produktu

Zestaw SpeechifyAI Simba 3.5 i ElevenLabs Eleven v4 w tej samej tabeli, a wynik zależy w całości od tego, do którego rankingu Artificial Analysis zaglądasz. W Controlled Voice — te same osiem sklonowanych głosów referencyjnych dla każdego uczestnika — Simba 3.5 zajmuje pierwsze miejsce z wynikiem 1,192, a Eleven v4 siódme z 1,155, co daje 37-punktową różnicę, której przedziały się nie stykają. W Provider Voice — własny zestaw głosów każdego dostawcy — Eleven v4 zajmuje pierwsze miejsce z wynikiem 1,340, a Simba 3.5 piąte z 1,294, co daje 46-punktową różnicę w przeciwnym kierunku, również z wyraźną separacją. Żadna z tych liczb nie jest błędna. Mierzą różne produkty, a to, której należy zaufać, zależy od pytania o Twój stack, a nie o któregokolwiek z dostawców.

Dwie rady i dlaczego tak całkowicie się nie zgadzają

Controlled Voice utrzymuje stałego mówcę. Artificial Analysis klonuje cztery amerykańskie i cztery brytyjskie głosy i sprawia, że każdy model wypowiada te same kwestie tymi samymi głosami, więc słuchacz porównujący dwie próbki ocenia wyłącznie jakość syntezy. Provider Voice pozwala każdemu dostawcy przedstawić własne głosy, co oznacza, że słuchacz ocenia jednocześnie model i obsadę głosową — barwę, akcent i decyzje aktorskie wybrane przez dostawcę.

ElevenLabs spędził lata na budowaniu tej obsady. To ta część firmy, która wcale nie jest modelem, i dlatego ranking dostawców ma Eleven v4 oraz Eleven v4 Turbo na dwóch najwyższych miejscach, z 32 próbkami wyraźnej przewagi dzielącej je od reszty. Gdyby odebrać tę obsadę, Eleven v4 wylądowałby na siódmym miejscu. Pozycja Speechify jest lustrzanym odbiciem: piąta z własnymi głosami, pierwsza bez nich.

• Controlled Voice — SpeechifyAI Simba 3.5, miejsce 1, Elo 1,192, przedział od 1,175 do 1,209, 1,783 próbek

• Kontrolowany głos — ElevenLabs Eleven v4, pozycja 7, Elo 1155, przedział od 1143 do 1167, 3221 próbek

• Kontrolowany głos — ElevenLabs Eleven v4 Turbo, pozycja 6, Elo 1,156, przedział od 1,144 do 1,168, 3,327 próbek

• Głos dostawcy — ElevenLabs Eleven v4, 1. miejsce, Elo 1,340, przedział 1,325–1,355, 2,742 próbki

• Głos dostawcy — ElevenLabs Eleven v4 Turbo, miejsce 2, Elo 1,339, przedział od 1,323 do 1,355

• Głos dostawcy — SpeechifyAI Simba 3.5 pozycja 5, Elo 1,294, przedział od 1,277 do 1,311, 1,732 próbki

• Provider Voice — Alibaba Qwen-Audio-3.1-TTS-Plus 3. miejsce z wynikiem 1300, pomiędzy dwoma na tej tablicy

Obie różnice są większe niż przedziały wokół nich, więc żadna z tych kolejności nie jest rzutem monetą. Zwycięstwo Simba 3.5 o 37 punktów w Controlled Voice i zwycięstwo Eleven v4 o 46 punktów w Provider Voice to w obu przypadkach rzeczywiste pomiary różnych rzeczy. To jest nietypowe — większość par modeli wypada tak samo na obu rankingach — i właśnie to stanowi całą treść tego porównania.

Pytanie, które to rozstrzyga

Jeśli Twój produkt dostarcza dowolny głos wybrany przez dostawcę — domyślny głos asystenta, gotową ścieżkę narracji, jeden firmowy głos w całej aplikacji — kupujesz to, co mierzy Provider Voice, a Eleven v4 wygrywa w tej kategorii o 46 punktów. Jeśli Twój produkt pozwala użytkownikom wybierać głos, klonować własny lub wprowadzać stały głos marki do każdego języka, kupujesz to, co mierzy Controlled Voice, a Simba 3.5 wygrywa w tej kategorii o 37 punktów.

Istnieje praktyczny test, który rozstrzyga to w jedno popołudnie: weź trzy minuty własnego audio referencyjnego, sklonuj je na obu platformach i posłuchaj. Model, który prowadzi w kontrolowanym rankingu, to model, który dobrze radzi sobie z nieznanym głosem. Model, który prowadzi w rankingu dostawców, to model z dobrym gustem w kwestii głosów. To różne umiejętności, a Twój zakres prac potrzebuje tylko jednej z nich.

Cena nie jest nawet blisko, a to i tak nie cała historia.

Eleven v4 jest wyceniany na 0,08 USD za tysiąc znaków, co daje 80 USD za milion. Taka jest stawka na własnej stronie cennika API ElevenLabs i taka jest kwota, jaką Artificial Analysis podaje dla tego modelu; okno promocyjne trwające do połowy października się zakończyło, więc 80 USD to stała cena, a nie artefakt premierowy. Eleven v4 Turbo kosztuje o połowę mniej, czyli 40 USD za milion.

Simba 3.5 ma ceny katalogowe 15, 12 i 10 USD za milion znaków odpowiednio w planach Starter, Pro i Scale — to obniżka z 20, 16 i 12 USD, po których zadebiutował 21 października. Do 21 listopada 2026 r. rozlicza się jednak według stawek starszych modeli: 10, 8 i 6 USD. Po 22 listopada obowiązuje nowy cennik, a oferta już nie.

• Eleven v4 — 80,00 USD za milion znaków, cena katalogowa, brak aktywnej promocji

• Eleven v4 Turbo — 40,00 USD za milion znaków

• Simba 3.5 — $15.00 Starter, $12.00 Pro, $10.00 Scale za milion znaków, od 22 listopada

• Simba 3.5 — 10,00 USD, 8,00 USD i 6,00 USD za milion znaków do 21 listopada

• Simba 3.2 i Simba 3.0 — bez zmian, stawki $10, $8, $6 w tych samych planach

Przy pięciu milionach znaków miesięcznie — około stu godzin gotowej mowy — Eleven v4 kosztuje 400 USD, a Simba 3.5 od 50 do 75 USD, w zależności od planu i daty. To od pięciu do ośmiu razy więcej. Każdy, kto podaje 6,58 USD z rankingu dla Simba 3.5, podaje stawkę zawartą w planie, która nie odpowiada opublikowanemu cennikowi Speechify; planując budżet, korzystaj z tabeli poziomów powyżej.

Języki: 48 pod jednym identyfikatorem w porównaniu z ponad 90

To tutaj porównanie przestaje być remisem, a staje się decyzją o routingu. Simba 3.5 mówi w 48 językach pod jednym identyfikatorem modelu — to wzrost z sześciu, które obejmowała Simba 3.0 — a każdy głos z katalogu, w tym sklonowany, mówi we wszystkich 48 z tym samym identyfikatorem głosu. Estoński i kantoński wyraźnie nie znajdują się na liście. Eleven v4 obsługuje ponad 90 języków z limitem 10 000 znaków na żądanie, co stanowi około dziesięciu minut mowy, zanim trzeba będzie dzielić materiał na fragmenty.

Czterdzieści osiem języków wystarcza dla większości europejskich, latynoamerykańskich i wschodnioazjatyckich linii produktowych, ale nie wystarcza dla naprawdę globalnego katalogu. Ponad dziewięćdziesiąt wystarcza do niemal wszystkiego, a jeśli Twoim wymaganiem jest „każde locale, w którym sprzedajemy”, argument o jakości przestaje mieć znaczenie — jedna z tych dwóch opcji poradzi sobie z zadaniem, a druga może nie.

Istnieje zastrzeżenie dotyczące 48, które dostawca mówi wprost, a większość omówień je pomija: głos zachowuje akcent swojego źródłowego nagrania. Sklonowany amerykański głos mówiący po japońsku będzie brzmiał jak Amerykanin mówiący po japońsku. Wskazówki samego Speechify mówią, aby zaczynać od głosu z wyboru pracowników rodzimego dla każdego języka, dlatego staff_pick_rank pojawia się teraz w endpointcie voices. Transfer głosu między językami jest dostępny; nie jest pozbawiony akcentu.

Opóźnienie, klonowanie i kształt API

Speechify podaje 72 milisekundy czasu do pierwszego dźwięku w 95. percentylu żądań strumieniowych przy obciążeniu produkcyjnym oraz 1,8-krotnie większą przepustowość na instancję obsługującą niż Simba 3.2. To dane dostawcy, nieodtworzone niezależnie. ElevenLabs nie publikuje porównywalnej liczby dla samego Eleven v4. Jedyna zmierzona wartość opóźnienia w dokumentacji Simba jest starsza i dotyczy węższego zakresu: Simba 3.2 z medianą 56 milisekund i 102 milisekundami w 90. percentylu dla pierwszego bajtu po stronie serwera, zmierzone w regionie US East 15 września 2026 r. — to inna metryka niż czas do pierwszego dźwięku i nie można jej przenosić.

Klonowanie głosu jest zero-shot i samoobsługowe w obu przypadkach, z różnicą w barierze, która ma znaczenie w skali zespołu. Klonowanie w Simba 3.5 jest dostępne w płatnych planach bez zatwierdzania. ElevenLabs oferuje natychmiastowe klony z dziesięciu sekund audio obok swojego profesjonalnego poziomu klonowania, a jego weryfikacja zgody jest bardziej rozwinięta z tych dwóch — punkt na jego korzyść dla każdego, kto wdraża głosy dostarczane przez użytkowników.

Struktury żądań nie są wymienne, co warto wiedzieć, zanim napiszesz warstwę abstrakcji. Speechify uwierzytelnia się tokenem bearer, wysyła tekst jako input, model jako model i w ogóle nie ma obiektu voice_settings. ElevenLabs używa własnego nagłówka i własnych nazw pól. Oba obsługują strumieniowanie; obsługa SSML w Speechify to podzbiór, w którym stosuje się break, prosody rate, prosody pitch, prosody volume i sub alias, a znaczniki emphasis i emotion są akceptowane, ale ignorowane.

Gdzie router faktycznie się tutaj przydaje

Żaden z tych modeli nie jest w OrcaRouter, a ten artykuł nie twierdzi inaczej: linia Simba jest dostępna przez własne API Speechify, a linia ElevenLabs przez API ElevenLabs. To, co routujemy, to mniejszy katalog syntezy, który tworzy uczciwą grupę kontrolną — openai/tts-1 w cenie $15.00 za milion znaków oraz openai/tts-1-hd w cenie $30.00, oba w cenie katalogowej dostawcy, bez żadnych dodatkowych opłat.

W tym konkretnym zestawieniu argument za routingiem nie dotyczy jakości, ponieważ odpowiedź w kwestii jakości już się podzieliła. Chodzi o to, że dwa rankingi się nie zgadzają, ceny różnią się pięcio- do ośmiokrotnie, a oba fakty pozostają aktualne tylko do premiery następnego modelu. Stos, który potrafi wysłać ten sam skrypt do dwóch dostawców i porównać na własnym audio, ma odpowiedź, która przetrwa kolejne uruchomienie rankingu; stos na sztywno przypisany do jednego z nich musi co kwartał na nowo rozstrzygać tę decyzję. Automatyczne przełączanie awaryjne obejmuje też przypadek, którego nikt nie testuje — incydent po stronie dostawcy w tygodniu premiery.

Uczciwy werdykt, z pozostawionym remisem

Eleven v4 to lepszy model, jeśli potrzebujesz szerokiego zasięgu językowego, wyselekcjonowanej obsady głosów, której nie musisz tworzyć, najbardziej dojrzałych narzędzi do zarządzania zgodami i klonowania albo pierwszego miejsca w rankingu dostawców, które utrzymuje się na czele stawki stu modeli. Kosztuje od pięciu do ośmiu razy więcej, a cena nie jest promocyjna.

Simba 3.5 to lepszy model, jeśli Twoje głosy są Twoje — sklonowane, należące do marki lub wybierane dla poszczególnych rynków językowych — oraz jeśli 48 języków obejmuje rynki, na których faktycznie sprzedajesz. Przewodzi rankingowi, w którym głos mówcy pozostaje stały — temu, który prognozuje wyniki na głosie, którego dostawca nigdy nie słyszał. Jest też trzy tygodnie w harmonogramie cenowym, który już raz się zmienił, a migracja identyfikatora modelu przypada na 21 listopada, więc stawka, na którą się zapisujesz, niekoniecznie jest stawką, którą zapłacisz w grudniu.

Czego nie powie ci ani jedna, ani druga tablica rankingowa, to który z nich twoi słuchacze wolą w twoich treściach. Trzydzieści siedem punktów Elo to znacząca różnica i nie zastępuje testu odsłuchowego na trzech minutach twojego własnego scenariusza we własnym głosie. Przeprowadź ten test, zanim poświęcisz któremukolwiek z nich dużą ilość materiału.