Simba 3.5 vs Eleven v4: As duas classificações discordam, e apenas uma delas diz respeito ao seu produto

Coloque SpeechifyAI Simba 3.5 e ElevenLabs Eleven v4 na mesma tabela e o resultado depende inteiramente de qual ranking da Artificial Analysis você consulta. No Controlled Voice — as mesmas oito vozes de referência clonadas para cada participante — Simba 3.5 está em primeiro lugar com 1.192 e Eleven v4 está em sétimo com 1.155, uma diferença de 37 pontos cujos intervalos não se sobrepõem. No Provider Voice — o próprio elenco de vozes de cada fornecedor — Eleven v4 está em primeiro lugar com 1.340 e Simba 3.5 está em quinto com 1.294, uma diferença de 46 pontos na direção oposta, também com separação clara. Nenhum dos números está errado. Eles medem produtos diferentes, e qual deles merece sua confiança é determinado por uma pergunta sobre a sua pilha de tecnologia, e não sobre qualquer um dos fornecedores.

Os dois conselhos, e por que discordam de forma tão completa

Controlled Voice mantém o locutor constante. O Artificial Analysis clona quatro vozes americanas e quatro britânicas e faz com que todos os modelos digam as mesmas falas nessas mesmas vozes, de modo que um ouvinte que compara duas amostras está ouvindo apenas a qualidade da síntese. Provider Voice permite que cada fornecedor apresente suas próprias vozes, o que significa que o ouvinte está julgando o modelo e o elenco de vozes em conjunto — o timbre, o sotaque, as escolhas de atuação que o fornecedor selecionou.

A ElevenLabs passou anos construindo esse elenco. É a parte da empresa que não é um modelo de jeito nenhum, e é por isso que o ranking de provedores tem o Eleven v4 e o Eleven v4 Turbo nas duas primeiras posições, com 32 amostras de folga clara entre eles e o restante. Tire o elenco e o Eleven v4 cai para o sétimo lugar. A posição da Speechify é a imagem espelhada: em quinto com suas próprias vozes, em primeiro sem elas.

• Voz Controlada — SpeechifyAI Simba 3.5 classificação 1, Elo 1.192, intervalo de 1.175 a 1.209, 1.783 amostras

• Voz Controlada — ElevenLabs Eleven v4, posição 7, Elo 1.155, intervalo de 1.143 a 1.167, 3.221 amostras

• Voz controlada — ElevenLabs Eleven v4 Turbo, 6º lugar, Elo 1.156, intervalo de 1.144 a 1.168, 3.327 amostras

• Voz do provedor — ElevenLabs Eleven v4, posição 1, Elo 1.340, intervalo de 1.325 a 1.355, 2.742 amostras

• Voz do provedor — ElevenLabs Eleven v4 Turbo posição 2, Elo 1.339, intervalo de 1.323 a 1.355

• Voz do Provedor — SpeechifyAI Simba 3.5, classificação 5, Elo 1.294, intervalo de 1.277 a 1.311, 1.732 amostras

• Voz do provedor — Alibaba Qwen-Audio-3.1-TTS-Plus, 3º lugar com 1.300, entre os dois naquele ranking

As duas diferenças são maiores que os intervalos ao redor delas, portanto nenhuma das ordenações é uma questão de cara ou coroa. A vitória de 37 pontos de Simba 3.5 no Controlled Voice e a vitória de 46 pontos de Eleven v4 no Provider Voice são ambas medições reais de coisas diferentes. Isso é incomum — a maioria dos pares de modelos fica do mesmo jeito nos dois rankings — e é todo o conteúdo desta comparação.

A questão que decide isso

Se o seu produto entrega a voz que o fornecedor selecionou — uma voz de assistente padrão, uma faixa de narração genérica, uma única voz da casa em todo um aplicativo —, você está comprando o que o Provider Voice mediu, e o Eleven v4 vence isso por 46 pontos. Se o seu produto permite que os usuários escolham uma voz, clonem a própria voz ou traz uma voz de marca fixa para todos os idiomas, você está comprando o que o Controlled Voice mediu, e o Simba 3.5 vence isso por 37 pontos.

Há um teste prático que resolve isso em uma tarde: pegue três minutos do seu próprio áudio de referência, faça a clonagem nas duas plataformas e ouça. Um modelo que lidera o ranking controlado é um modelo que lida bem com uma voz desconhecida. Um modelo que lidera o ranking dos provedores é um modelo com bom gosto para vozes. Essas são habilidades diferentes, e sua carga de trabalho precisa apenas de uma delas.

O preço não está próximo, e também não é a história completa.

O Eleven v4 está listado a US$ 0,08 por mil caracteres, o que equivale a US$ 80 por milhão. Essa é a tarifa na própria página de preços da API da ElevenLabs e o valor que a Artificial Analysis atribui ao modelo; a janela promocional que vigorou até meados de outubro terminou, então US$ 80 é o número vigente, e não um artefato de lançamento. O Eleven v4 Turbo custa metade disso, US$ 40 por milhão.

O Simba 3.5 tem preços de tabela de $15, $12 e $10 por milhão de caracteres nos planos Starter, Pro e Scale — uma redução frente aos $20, $16 e $12 com que foi lançado em 21 de outubro. Até 21 de novembro de 2026, ele cobra, em vez disso, as tarifas dos modelos mais antigos: $10, $8 e $6. Após 22 de novembro, a nova tabela passa a valer e a oferta deixa de valer.

• Eleven v4 — US$ 80,00 por milhão de caracteres, preço de tabela, sem promoção ativa

• Eleven v4 Turbo — US$ 40,00 por milhão de caracteres

• Simba 3.5 — $15,00 Starter, $12,00 Pro, $10,00 Scale por milhão de caracteres, a partir de 22 de novembro

• Simba 3.5 — $10,00, $8,00 e $6,00 por milhão de caracteres até 21 de novembro

• Simba 3.2 e Simba 3.0 — sem alterações, com as tarifas de $10, $8 e $6 nos mesmos planos

A cinco milhões de caracteres por mês — cerca de cem horas de fala finalizada — o Eleven v4 custa US$ 400 e o Simba 3.5 custa entre US$ 50 e US$ 75, dependendo do plano e da data. Isso representa um fator de cinco a oito. Quem cita os US$ 6,58 do ranking para o Simba 3.5 está citando uma tarifa embutida no plano que não corresponde à lista publicada da Speechify; faça o orçamento a partir da tabela de faixas acima.

Idiomas: 48 sob um único id contra mais de 90

É aqui que a comparação deixa de ser um empate e passa a ser uma decisão de roteamento. O Simba 3.5 fala 48 idiomas sob um único model id, contra os seis cobertos pelo Simba 3.0, e todas as vozes do catálogo — incluindo uma clonada — falam todos os 48 com o mesmo voice id. Estoniano e cantonês explicitamente não estão na lista. O Eleven v4 cobre mais de 90 idiomas com um limite de 10.000 caracteres por solicitação, o que equivale a aproximadamente dez minutos de fala antes de você precisar fragmentar.

Quarenta e oito idiomas bastam para a maioria das linhas de produtos europeias, latino-americanas e do Leste Asiático, mas não para um catálogo verdadeiramente global. Mais de noventa bastam para quase tudo e, se sua exigência é “todas as localidades em que vendemos”, o argumento de qualidade deixa de importar — um desses dois consegue fazer o trabalho, e o outro pode não conseguir.

Há uma ressalva sobre o 48 que o fornecedor diz em voz alta e que a maioria da cobertura ignora: uma voz mantém o sotaque da gravação de origem. Uma voz americana clonada falando japonês soará como um americano falando japonês. A orientação da própria Speechify é começar pela voz staff-pick nativa de cada idioma, e é por isso que staff_pick_rank agora aparece no endpoint de vozes. A transferência de voz entre idiomas está disponível; ela não é isenta de sotaque.

Latência, clonagem e o formato da API

A Speechify relata 72 milissegundos de tempo até o primeiro áudio no percentil 95 das solicitações de streaming sob carga de produção, e 1,8 vez a vazão do Simba 3.2 por instância de serviço. Esses são números do fornecedor, não reproduzidos. A ElevenLabs não publica um número comparável para o próprio Eleven v4. O único número de latência medido na documentação do Simba é mais antigo e mais restrito: Simba 3.2 com 56 milissegundos de mediana e 102 milissegundos no percentil 90 para o primeiro byte do lado do servidor, medido no Leste dos EUA em 15 de setembro de 2026 — uma métrica diferente do tempo até o primeiro áudio e não transferível.

A clonagem de voz é zero-shot e de autoatendimento em ambas, com uma diferença de atrito que importa em escala de equipe. A clonagem do Simba 3.5 está disponível em planos pagos sem aprovação. A ElevenLabs oferece clones instantâneos a partir de dez segundos de áudio, além do seu nível de clone profissional, e a sua verificação de consentimento é a mais desenvolvida das duas — um ponto a seu favor para quem disponibiliza vozes fornecidas por usuários.

Os formatos das requisições não são intercambiáveis, o que vale a pena saber antes de escrever uma camada de abstração. A Speechify autentica com um bearer token, envia o texto como input, o modelo como model e não possui nenhum objeto voice_settings. A ElevenLabs usa seu próprio header e seus próprios nomes de campos. Ambas oferecem suporte a streaming; o suporte da Speechify a SSML é um subconjunto, com break, prosody rate, prosody pitch, prosody volume e sub alias aplicados, e as tags emphasis e emotion aceitas, mas ignoradas.

Onde um roteador realmente ajuda aqui

Nenhum dos modelos está no OrcaRouter, e este artigo não afirma o contrário: a linha Simba é acessada pela API própria da Speechify, e a linha ElevenLabs, pela da ElevenLabs. O que roteamos é o catálogo de síntese menor, que forma um grupo de controle justo — openai/tts-1 a US$ 15,00 por milhão de caracteres e openai/tts-1-hd a US$ 30,00, ambos pelo preço de tabela do provedor, sem nada acrescentado.

O argumento de roteamento neste confronto específico não é sobre qualidade, porque a resposta de qualidade já está dividida. É que as duas avaliações discordam, os preços diferem por um fator de cinco a oito, e ambos os fatos só se mantêm estáveis até o próximo modelo ser lançado. Uma stack que consegue enviar o mesmo script para dois fornecedores e comparar no próprio áudio tem uma resposta que sobrevive à próxima execução do ranking; uma stack fixada em um deles precisa reabrir a decisão a cada trimestre. O failover automático também cobre o caso que ninguém mede em benchmarks — um incidente do lado do provedor durante uma semana de lançamento.

Um veredito honesto, com o empate mantido

O Eleven v4 é o melhor modelo se você precisa de ampla cobertura de idiomas, de um elenco de vozes curado que você não precisa criar, das ferramentas de consentimento e clonagem mais maduras, ou de uma liderança em rankings de provedores que se mantém no topo de um universo de cem modelos. Ele custa de cinco a oito vezes mais, e o preço não é promocional.

O Simba 3.5 é o melhor modelo se as suas vozes forem suas — clonadas, próprias da marca ou escolhidas por localidade — e se 48 idiomas cobrirem os mercados em que você realmente vende. Ele lidera o ranking que mantém o falante constante, que é o ranking que prevê o desempenho com uma voz que o fornecedor nunca ouviu. Ele também está há três semanas em uma tabela de preços que já mudou uma vez, com uma migração de model-id prevista para 21 de novembro, então o número pelo qual você se cadastra não é necessariamente o número que você vai pagar em dezembro.

O que nenhum dos dois rankings lhe diz é qual deles seus ouvintes preferem no seu conteúdo. Uma diferença de trinta e sete pontos de Elo é uma lacuna significativa e não substitui um teste de escuta com três minutos do seu próprio roteiro na sua própria voz. Faça esse teste antes de comprometer volume com qualquer um dos dois.