Simba 3.5 kontra Qwen-Audio-3.0-TTS: dwa sposoby rozwiązania problemu językowego, z których tylko jeden jest udokumentowany

Zarówno SpeechifyAI Simba 3.5, jak i Alibaba Qwen-Audio-3.0-TTS odczytają Twój skrypt w językach innych niż angielski. Docierają do tego odwrotnymi drogami. Simba 3.5 publikuje listę: 48 języków, jeden identyfikator modelu, każdy głos z katalogu mówi w każdym z nich, a estoński i kantoński wymieniono jako wyjątki. Qwen-Audio-3.0-TTS udostępnia pole instrukcji, a udokumentowany sposób, aby skłonić go do mówienia po niderlandzku, polega na wysłaniu mu zdania „Speak in Dutch, slowly and clearly”. Jedno z tych rozwiązań to specyfikacja, z której można zbudować matrycę ustawień regionalnych. Drugie to prompt, a różnica między nimi jest najbardziej przydatną rzeczą w tym porównaniu.

Wiek ma tu znaczenie również w sposób, w jaki zazwyczaj nie ma. Qwen-Audio-3.0-TTS został wydany 20 lipca 2026 r. i od tego czasu został zastąpiony na szczycie oferty Alibaba przez Qwen-Audio-3.1-TTS-Plus, który obecnie zajmuje trzecie miejsce na tablicy Controlled Voice. Wersja 3.0 Plus jest nadal w ofercie i nadal jest tą, która ma silniejszą zmierzoną pozycję w Provider Voice. Simba 3.5 pojawiła się 21 października 2026 r. i od trzech tygodni obowiązuje jej harmonogram cenowy, który już raz zmieniła.

Liczby, obok siebie, tam gdzie występują.

Artificial Analysis ocenia oba modele w obu rankingach, co czyni to jednym z niewielu porównań w obszarze mowy, w których można zestawiać podobne z podobnym, zamiast ekstrapolować z poprzednika.

• Kontrolowany głos — SpeechifyAI Simba 3.5, miejsce 1, Elo 1192, plus/minus 17, 1783 próbki

{{1}}Kontrolowany głos{{/1}} — Alibaba Qwen-Audio-3.0-TTS-Plus, miejsce 10, Elo 1130, plus lub minus 12, 3596 próbek

• Głos dostawcy — SpeechifyAI Simba 3.5, pozycja 5, Elo 1294, plus/minus 17, 1732 próbki

Głos dostawcy — Alibaba Qwen-Audio-3.0-TTS-Plus pozycja 10, Elo 1264, plus lub minus 13, 3056 próbek

• Kontrolowany głos — Alibaba Qwen-Audio-3.1-TTS-Plus, 3. miejsce, Elo 1,176, plus minus 12 — nowszy model Alibaba i ten, na który warto zwrócić uwagę

• Cena na tablicy — Qwen-Audio-3.0-TTS-Plus $19.31 za milion znaków na obu tablicach; Simba 3.5 wyceniony na $6.58, stawka wbudowana w plan, która nie odpowiada opublikowanej liście Speechify

Simba 3.5 prowadzi z przewagą 62 punktów na tablicy kontrolowanej i 30 na tablicy dostawców, a przedziały w obu przypadkach rozdzielają się wyraźnie. To jednoznaczny wynik jakościowy na korzyść Simby, warto jednak zauważyć, co go nie wyjaśnia: liczba próbek. Qwen-Audio-3.0-TTS-Plus ma dwa razy więcej głosów kontrolowanych stojących za swoim oszacowaniem, więc jest to dobrze zmierzona wartość 1,130, a nie zaszumiona.

Ciekawym zgrzytem jest własna seria Alibaba. Qwen-Audio-3.1-TTS-Plus znajduje się 46 punktów powyżej Qwen-Audio-3.0-TTS-Plus na kontrolowanej tablicy rankingowej, co oznacza, że obecna generacja modelu Alibaba jest znacznie bliżej Simba 3.5 niż wersja 3.0. Każdy, kto porównuje z poziomem 3.0, mierzy model, który został już raz ulepszony.

Czterdzieści osiem wymienionych języków wobec pola instrukcji

Dokumentacja Speechify jest nietypowo konkretna jak na API mowy. 48 języków Simba 3.5 można wyliczyć, każdy głos z katalogu — oraz każdy sklonowany głos w planie płatnym — obsługuje je wszystkie, a model przyjmuje standardowy znacznik języka w stylu BCP-47, taki jak ja-JP, przy czym w zakresie mieszczą się wszelkie warianty regionalne języka z listy. Para wykluczonych języków — estoński i kantoński — została wymieniona z nazwy. Speechify oznacza również, które głosy są wyborami zespołu w każdej lokalizacji, i szereguje je w polu staff_pick_rank, ponieważ głos zachowuje akcent swojego nagrania źródłowego, a sama Speechify zaleca generowanie głosem rodzimym dla danego języka.

Podejście Alibaby jest elastyczne w innym kierunku. Qwen-Audio-3.0-TTS przyjmuje instrukcję w języku naturalnym, która opisuje sposób wypowiedzi — tempo, emocje, personę — a udokumentowana technika dla języka docelowego polega na wskazaniu go w instrukcji, przy czym instrukcja musi być w tym samym języku co tekst. Obsługuje również jawną kontrolę wymowy poprzez language_hints i hot_fix, dane wejściowe w formacie SSML i LaTeX oraz wbudowane znaczniki emocji i elementów pozawerbalnych, takie jak [excited], [sad], [laughing] i [sighing]. Żądania nieprzesyłane strumieniowo zwracają adres URL audio ważny przez 24 godziny; przesyłanie strumieniowe zwraca fragmenty base64. Model jest udostępniany z Singapuru i Pekinu.

Ten zestaw znaczników to prawdziwa zaleta, a Simba 3.5 mu nie dorównuje. Speechify stosuje break, prosody rate, prosody pitch, prosody volume i sub alias; znaczniki emphasis i emotion są akceptowane, ale nie są stosowane. Jeśli Twój produkt potrzebuje śmiechu w środku wersu lub westchnienia na końcu wersu, Qwen-Audio-3.0-TTS robi to już dziś, a Simba 3.5 nie.

Ten kompromis jest prosty, gdy go nazwać: Qwen daje kontrolę nad ekspresją, a kwestię wsparcia językowego pozostawia opisowi słownemu; Speechify daje policzalną listę języków i węższy zakres ekspresji. W przypadku pipeline’u lokalizacyjnego policzalna lista jest warta więcej, ponieważ matryca lokalizacji to coś, co można testować, cytować w specyfikacji zakresu prac i względem czego można sprawić, że build nie przejdzie. „Mów po niderlandzku, powoli i wyraźnie” to coś, czego trzeba posłuchać.

Ceny przeliczone na liczbę, którą można porównać

Alibaba rozlicza syntezę według liczby znaków wejściowych w juanach, ze stawkami regionalnymi różniącymi się między wdrożeniami w Pekinie i Singapurze. Qwen-Audio-3.0-TTS-Plus jest wyceniany na ¥1,4 za 10 000 znaków w Pekinie; poziom Flash to ¥1,0. Artificial Analysis normalizuje poziom Plus do $19,31 za milion znaków; to wartość, której należy użyć, jeśli porównujesz z dostawcą rozliczającym w dolarach, a nie tworzysz budżet regionalny. Każdy wymieniony model Qwen-Audio obejmuje bezpłatny limit jednego miliona tokenów w regionie Pekinu przez 90 dni od aktywacji lub wydania, w zależności od tego, która z tych dat jest późniejsza.

Speechify podaje ceny w dolarach za milion znaków i już raz zmienił zdanie:

• Simba 3.5, cennik od 22 listopada — 15,00 USD za milion w planie Starter, 12,00 USD w planie Pro, 10,00 USD w planie Scale

• Simba 3.5, do 21 listopada — 10,00 USD, 8,00 USD i 6,00 USD, stawki Simba 3.2 i 3.0

• Simba 3.5, pierwotna lista premierowa z 21 października — $20, $16 i $12, zastąpiona obniżką z 9 listopada

• Simba 3.2 i Simba 3.0 — 10, 8 i 6 USD za milion znaków, bez zmian

W cenniku Simba 3.5 plasuje się mniej więcej między połową a trzema czwartymi stawki bazowej Qwen-Audio-3.0-TTS-Plus w zależności od planu, a w okresie promocji wynosi od jednej trzeciej do połowy. Żadne z nich nie jest drogie w ujęciu absolutnym — pięć milionów znaków miesięcznie to w obu przypadkach poniżej 100 USD — więc cena raczej nie będzie czynnikiem decydującym, chyba że prowadzisz bardzo duży katalog. Prawdopodobnie będą nim zasięg językowy i kontrola ekspresji.

Jak data 21 listopada wpływa na tę decyzję

Identyfikatory Simba 1.6 w Speechify — simba-english i simba-multilingual — zostały wycofane z wyboru w wersji API 2026-09-21. Od 21 listopada 2026 r. oba są obsługiwane przez Simba 3.5 we wszystkich językach i rozliczane jako simba-3.5, w każdej wersji API, która nadal może je wskazywać. Integracja, która korzysta z simba-multilingual od lata, zmieni głos i cenę w tym dniu bez zmiany kodu.

Alibaba nie ma w tym porównaniu równoważnego zaplanowanego wydarzenia. Qwen-Audio-3.0-TTS nadal jest wymieniony obok SKU 3.1, a linia 3.1 jest rozliczana w innej jednostce — tokenach, a nie znakach — więc obu generacji nie można porównać, dzieląc jedną komórkę cennika przez inną. Jeśli obecnie korzystasz z wersji 3.0, migracja do 3.1 to prawdziwy projekt, a nie jednolinijkowa zmiana identyfikatora modelu, a 46-punktowa różnica na kontrolowanej planszy między tymi dwoma poziomami jest powodem, aby zaplanować ją w harmonogramie.

Kiedy każdy z nich jest właściwym wyborem

Wybierz Simba 3.5, jeśli Twoim problemem jest szeroki zakres przy jednym identyfikatorze głosu: produkt, który dostarcza jeden głos marki w dziesiątkach lokalizacji, katalog starszych materiałów, który trzeba ponownie wyrenderować w językach, których nikt w zespole nie zna, albo odczyt na potrzeby dostępności, w którym ten sam sklonowany głos musi podążać za użytkownikiem z angielskiego na hiszpański, nie brzmiąc jak inna osoba. Wyliczona lista języków, ranking wyboru pracowników i klonowanie zero-shot bez zatwierdzania to funkcje, które to umożliwiają, a 62-punktowa przewaga w kontrolowanym rankingu oznacza, że jakość się utrzymuje, gdy głos nie jest tym wybranym przez dostawcę.

Wybierz Qwen-Audio-3.0-TTS, jeśli Twoim problemem jest wydajność, a nie zakres: praca nad audiobookami i podcastami, gdzie tag [excited] jest uzasadniony, treści z mandaryńskim jako językiem wiodącym, gdzie katalog głosów i mechanizmy kontroli wymowy Alibaba są najbardziej rozbudowane, albo wdrożenie, które musi działać w regionie Singapuru lub Pekinu. Pole instrukcji jest naprawdę bardziej wyraziste niż to, co udostępnia Speechify, a ścieżki URL bez strumieniowania i fragmentów SSE obejmują zarówno renderowanie wsadowe, jak i na żywo.

OrcaRouter nie oferuje żadnej z tych linii — Simba jest dostępna przez własne API Speechify, a Qwen przez Alibaba Cloud Model Studio — i niczego tutaj nie należy odczytywać jako twierdzenia inaczej. To, co kierujemy, to mniejszy katalog syntezy, który działa jako neutralna kontrola podczas testów: openai/tts-1 w cenie 15,00 USD za milion znaków oraz openai/tts-1-hd w cenie 30,00 USD, oba w cenie katalogowej dostawcy bez doliczonej marży, obok google/gemini-3.1-flash-tts-preview. Wyrenderowanie tego samego trzyminutowego skryptu za ich pośrednictwem oraz przez obu kandydatów to najtańszy sposób rozstrzygnięcia pytania, które dwa rankingi mogą jedynie zawęzić.

To, co obaj dostawcy pozostawiają Tobie do rozpracowania

Żaden z modeli nie powie ci, czy jego wynik w języku innym niż angielski jest wystarczająco dobry dla twojej publiczności, a arena też tego nie zrobi: plansza Controlled Voice to ocena w języku angielskim na ośmiu angielskich głosach referencyjnych, czterech amerykańskich i czterech brytyjskich. Przewaga 62 punktów zmierzona po angielsku nie mówi nic bezpośrednio o japońskim, polskim czy brazylijskim portugalskim. Odpowiedzią Speechify jest wskazywanie na rekomendacje pracowników dla poszczególnych lokalizacji; odpowiedzią Alibaby — na instrukcje i listę głosów. Obie proszą cię, żebyś posłuchał.

To uczciwe podsumowanie tej pary. Jeden jest nowszy, tańszy w cenie katalogowej, lepiej wypada w pomiarach po angielsku i jest udokumentowany aż po liczbę języków. Drugi jest bardziej wyrazisty, bardziej ugruntowany w pracy z językiem chińskim, w połowie przejścia międzypokoleniowego i sterowany polem instrukcji, a nie specyfikacją. Przetestuj oba w tych dwóch lokalizacjach, które faktycznie przynoszą Ci przychód, a reszta tego porównania stanie się rozstrzygnięciem remisu, a nie samą decyzją.