Simba 3.5 vs Simba 3.2: 110 punktów Elo, 48 języków i rachunek, który podwaja się w ciągu dziewięciu dni

Ścieżka aktualizacji w ramach jednego dostawcy to zwykle najmniej interesujące porównanie na tym blogu. To jednak nie jest takie, ponieważ SpeechifyAI Simba 3.5 i SpeechifyAI Simba 3.2 różnią się czymś więcej niż numerem wersji, a te różnice wskazują w przeciwnych kierunkach. Simba 3.5 jest lepszy o 110 punktów Elo w arenie Controlled Voice, mówi w 48 językach zamiast jednego i kosztuje o 50% więcej według ceny katalogowej. Simba 3.2 jest szybszy pod względem jedynego liczbowego wskaźnika opóźnienia, jaki ktokolwiek faktycznie zmierzył, ma listę dozwolonych głosów, która już niczego nie ogranicza, i zachowuje starą cenę. Zespół używający Simba 3.2 w środowisku produkcyjnym ma prawdziwą decyzję do podjęcia przed 22 listopada, a „aktualizacja do nowszej wersji” nie jest automatycznie właściwą odpowiedzią.

Najpierw daty, ponieważ to one sprawiają, że jest to pilne, a nie akademickie. Simba 3.2 trafił na rynek 8 lipca 2026 r. jako model strumieniowy tylko w języku angielskim i był rekomendowany do 18 października. Simba 3.5 został oznaczony jako rekomendowany 18 października, udostępniony publicznie 21 października, 9 listopada obniżono jego cenę katalogową, a 21 listopada stanie się modelem stojącym za dwoma wycofywanymi przestarzałymi identyfikatorami. Speechify nie wycofuje 3.2 z użycia — nadal figuruje na liście, nadal ma ustaloną cenę i nadal można go wywoływać — i właśnie dlatego wyboru trzeba dokonać na podstawie zalet, a nie terminu.

Różnica na arenie jest największa w historii każdego z tych modeli.

Oba modele są oceniane w obu rankingach Artificial Analysis. Ranking kontrolowany utrzymuje stałego mówcę w ośmiu sklonowanych głosach referencyjnych; ranking dostawców pozwala każdemu dostawcy użyć własnej obsady. Różnica między tymi dwiema generacjami jest większa w rankingu kontrolowanym, który jest bardziej pouczający z tych dwóch dla każdego, kto klonuje głos.

• Kontrolowany głos — Simba 3.5, pozycja 1, Elo 1192, plus/minus 17, przedział 1175–1209, 1783 próbki

• Controlled Voice — Simba 3.2, pozycja 14, Elo 1,082, plus/minus 12, przedział od 1,070 do 1,094, 3,630 próbek

• Provider Voice — Simba 3.5, ranga 5, Elo 1,294, plus lub minus 17, przedział od 1,277 do 1,311, 1,732 próbki

• Provider Voice — Simba 3.2, pozycja 12, Elo 1,250, plus/minus 11, przedział od 1,239 do 1,261, 3,966 próbek

• Dwie generacje wstecz — Simba 3.0 pozycja 27 przy 1 035 kontrolowanych, pozycja 41 przy 1 114 dostawcy

Luka na tablicy kontrolnej wynosi 110 punktów, a przedziały są od siebie oddzielone ponad 80 punktami pustej przestrzeni. To nie jest marginalne powtórzenie. Dla kontekstu: cała pierwsza dziesiątka tej tablicy obejmuje 62 punkty; jedna generacja Simby pokrywa prawie dwukrotnie większy zakres. Luka na tablicy dostawcy jest mniejsza i wynosi 44 punkty, co mówi coś użytecznego: część tego, co poprawiło 3.5, to jakość syntezy na nieznanych głosach, a część to po prostu lepsze domyślne brzmienie.

Wzorzec kolejnych generacji jest też spójny w przypadku trzech wydań. Simba 3.0 do 3.2 dał 47 punktów na kontrolowanej tablicy; 3.2 do 3.5 dał 110. Speechify poprawia się w tym coraz szybciej, a model 3.2, który zalecano we wrześniu, jest teraz w środku tabeli.

Języki: sześć, jeden, czterdzieści osiem

To jest różnica, która zmienia architektury, a nie wyniki jakości. Simba 3.2 obsługuje wyłącznie angielski — głos w języku innym niż angielski zwraca błąd 400 z nazwą odrzuconego locale w komunikacie. Simba 3.0 obejmuje sześć języków w siedmiu locale'ach. Simba 3.5 obejmuje 48 pod jednym identyfikatorem, przy czym estoński i kantoński są wyraźnie wykluczone, a warianty regionalne są w zakresie.

To, co sprawia, że te 48 są użyteczne, to przenośność głosu. Każdy głos z katalogu mówi we wszystkich 48 na Simba 3.5 z tym samym voice id, podobnie jak głos sklonowany przez Ciebie w płatnym planie. To funkcja, na którą czekał pipeline lokalizacyjny: jeden sklonowany głos marki, czterdzieści osiem języków, bez podstawiania głosu dla poszczególnych ustawień regionalnych. Zastrzeżenie dostawcy polega na tym, że głos zachowuje akcent nagrania źródłowego, a jego wskazówka to generowanie głosem z listy polecanych przez zespół, rodzimym dla każdego języka — dlatego staff_pick_rank pojawił się w endpointcie voices 18 października.

W Simba 3.2 cały ten przepływ pracy nie istnieje. Jeden głos, jeden język. Jeśli Twój produkt trafia na więcej niż jeden rynek, nie jest to różnica w punktacji; to różnica między jedną integracją a dwoma dostawcami.

Opóźnienie — tutaj starszy model wciąż wygrywa

Speechify publikuje zmierzone opóźnienie dla Simba 3.2, a dla 3.5 tylko zbiorcze deklaracje, i opublikowany pomiar jest dobry. 9 października 2026 r., mierzone od klienta w US East przez rozgrzane połączenia, Simba 3.2 osiągnęła pierwsze słyszalne audio w medianie 47 milisekund przez strumień wejściowy WebSocket i 64 milisekundy przez strumień HTTP — najniższy wynik spośród trzynastu endpointów, które Speechify mierzyła tego dnia z tej lokalizacji. Pierwszy bajt po stronie serwera wyniósł 56 ms przy p50 i 102 ms przy p90 w ruchu produkcyjnym mierzonym 15 września. Firma wyraźnie zaznacza, że każda wartość jest zmierzonym percentylem, a nie gwarancją, oraz że w Zurychu obraz się zmienia: 142 ms dla modelu flash innego dostawcy wobec 145 i 153 ms dla jej własnych dwóch ścieżek strumieniowych.

Dla Simby 3.5 udokumentowane wartości to deklaracje dostawcy, a nie opublikowane percentyle: 72 milisekundy do pierwszego dźwięku dla 95% żądań strumieniowania w warunkach obciążenia produkcyjnego oraz 1,8-krotność przepustowości Simby 3.2 na instancję obsługującą. Nie można ich bezpośrednio porównywać z p50 zmierzonym na ciepłych połączeniach. p95 wynoszące 72 ms i p50 wynoszące 47 ms mogą być całkowicie spójne, a nikt spoza Speechify nie przeprowadził testu, który by to potwierdził.

Praktyczna konsekwencja jest wąska, ale realna. Jeśli doświadczeniem użytkownika w Twoim produkcie jest asystent głosowy, w którym sto milisekund ciszy jest zauważalne, masz zmierzoną wartość dla wersji 3.2 i deklarację dla wersji 3.5, a uczciwym podejściem jest samodzielne zmierzenie wersji 3.5 przed migracją. Jeśli renderujesz dźwięk do pliku, opóźnienie nie ma znaczenia i ta sekcja Cię nie dotyczy.

Cena: oferta kończy się 21 listopada

Cennik Speechify dla tych dwóch modeli wkrótce się rozdzieli, a changelog dokładnie to przedstawia.

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

• Simba 3.5, do 21 listopada — $10.00, $8.00 i $6.00, stawki starszych modeli

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

• Simba 3.2 — bez zmian: $10.00, $8.00 i $6.00 za milion znaków w tych samych planach

Zatem do 21 listopada włącznie oba modele kosztują dokładnie tyle samo, a 3.5 jest zdecydowanie lepszy. Od 22 listopada 3.5 kosztuje o 50% więcej na każdym poziomie. W planie Pro to 72 USD wobec 108 USD za dziewięć milionów znaków; w planie Scale 280,80 USD wobec 468 USD za 46,8 mln. Salda pozostają bez zmian, więc ten sam plan kupuje według cennika o jedną trzecią mniej znaków nowszego modelu.

To prosta ocena wartości, a nie sztuczka: 110 punktów Elo i 47 dodatkowych języków za 50% dopłaty to dobry interes w przypadku niemal każdego obciążenia, które wykorzystuje którąkolwiek z tych funkcji, a zły w przypadku potoku wyłącznie angielskiego, który już był zadowolony z jakości 3.2.

Migracja to jedna linia i właśnie w tym tkwi pułapka.

Dokumentacja Speechify jest wyjątkowo jasna co do tego, że przejście z wersji 3.2 na 3.5 nie wymaga zmiany wersji API: ustaw model na simba-3.5, zachowaj te same identyfikatory głosów, te same formaty wyjściowe, te same znaczniki mowy i ten sam stosowany podzbiór SSML. Żądania, które pomijają model, nadal są rozwiązywane do simba-3.0, więc wartość domyślna nie przenosi cię po cichu.

Dwie kwestie komplikują tę jednowierszową historię. Po pierwsze, język ma teraz znaczenie: jeśli tekst różni się od ustawień regionalnych głosu, musisz ustawić go jawnie; w przeciwnym razie API użyje ustawień regionalnych głosu i otrzymasz akcent, którego nie zamierzałeś. Po drugie, sama data 21 listopada. W tym dniu dwa identyfikatory Simba 1.6, simba-english i simba-multilingual, przestają być obsługiwane przez swój stary model treningowy i zaczynają być obsługiwane przez Simba 3.5, rozliczane według stawki Simba 3.5, w każdej wersji API, która nadal potrafi je wskazywać. Integracja przypięta do starych identyfikatorów zmieni głos i cenę tego samego dnia bez zmiany kodu. Celowe przetestowanie 3.5 przed tą datą to jedyny sposób, by dokonać wyboru.

Jest też cicha poprawka, o której warto wiedzieć: 20 października wysokość i głośność prozodii zaczęły być stosowane w Simba 3.5, 3.2 i 3.0, gdzie wcześniej były przyjmowane i ignorowane. Jeśli wysyłasz dziś te atrybuty i nie chciałeś tej zmiany, samo Speechify zaleca ich usunięcie. Znaczniki emphasis i emotion nadal są przyjmowane, ale nie są stosowane we wszystkich trzech modelach.

Gdzie OrcaRouter wpisuje się w modernizację w ramach rodziny

Żaden z modeli Simba nie jest dostępny w OrcaRouter — dostęp do tej linii uzyskuje się przez własne API Speechify i niczego tutaj nie należy rozumieć jako twierdzenia, że jest inaczej. To, co kierujemy, to katalog syntezy, którego użyłbyś jako punktu odniesienia przy podejmowaniu decyzji: openai/tts-1 za 15,00 USD za milion znaków i openai/tts-1-hd za 30,00 USD, w cenie katalogowej dostawcy bez żadnych dodatków.

Pożyteczna rzecz, jaką router robi w tego rodzaju migracji, polega na tym, że stara ścieżka pozostaje użyteczna, dopóki nowa się nie sprawdzi. Uruchom 3.5 na API dostawcy przez tydzień rzeczywistego ruchu, zachowaj 3.2 jako rozwiązanie awaryjne i omijaj incydent, zamiast odkrywać go na produkcji — automatyczne przełączanie awaryjne nic nie kosztuje, gdy nic nie zawodzi a gdy coś zawiedzie, daje zapas na całe okno startu. Ten sam pojedynczy klucz sprawia też, że głos OpenAI, którego już używasz, pozostaje dostępny, dopóki nie zdecydujesz, czy którakolwiek generacja Simba go zastąpi.

Który uruchomić — w zależności od obciążenia

Pozostań przy Simba 3.2, jeśli Twoje obciążenie pracą jest anglojęzyczne, Twoje głosy są angielskie, Twoja poprzeczka jakości została już osiągnięta w lipcu, a zmierzona wartość 47 ms czasu do pierwszego słyszalnego dźwięku ma kluczowe znaczenie w Twoim produkcie. Płacisz niższą stawkę do 21 listopada i przez cały czas później, a nic w wersji 3.5 nie poprawia Twoich wyników. Wersja 3.2 nie ma daty wycofania; Speechify stwierdził to jednoznacznie.

Przejdź na Simba 3.5, jeśli spełniony jest którykolwiek z poniższych warunków: potrzebujesz drugiego języka, klonujesz głosy i chcesz mieć jeden identyfikator głosu w różnych lokalizacjach, Twoja poprzeczka jakości angielskiego się przesunęła albo budujesz coś nowego. 110-punktowa różnica na kontrolowanej tablicy to największy skok międzypokoleniowy, jaki Speechify kiedykolwiek osiągnęło, a pokrycie 48 języków nie jest dostępne w żaden inny sposób w ramach tej rodziny. Zrób to przed 21 listopada, jeśli chcesz ocenić to według stawek starszych modeli, i ustaw identyfikator modelu jawnie, aby wycofanie nie zdecydowało za Ciebie.

Niezależnie od tego, którą drogę wybierzesz, decyzja ma datę przeglądu, a nie trwałą odpowiedź. Simba 3.5 ma 1783 próbki kontrolowanego głosu wobec 3630 w wersji 3.2, więc jej przedział się zawęzi. Jej cena katalogowa zmieniła się już raz w ciągu trzech tygodni. A Qwen-Audio-3.1-TTS-Plus firmy Alibaba, z wynikiem 1176 na tej samej tablicy, plasuje się 16 punktów za obecnym flagowym modelem Simby przy porównywalnej cenie z tablicy — wystarczająco blisko, by kolejne wydanie po którejkolwiek stronie ponownie otworzyło pytanie.