Simba 3.5 vs Qwen-Audio-3.0-TTS: Duas maneiras de resolver o problema do idioma, mas apenas uma delas está documentada

Tanto SpeechifyAI Simba 3.5 quanto Alibaba Qwen-Audio-3.0-TTS lerão seu roteiro em idiomas diferentes do inglês. Eles chegam lá por rotas opostas. O Simba 3.5 publica uma lista: 48 idiomas, um único ID de modelo, todas as vozes do catálogo falam todos eles, e o estoniano e o cantonês são apontados como as exceções. O Qwen-Audio-3.0-TTS publica um campo de instrução, e a maneira documentada de fazê-lo falar holandês é enviar a ele a frase "Fale em holandês, devagar e claramente." Uma delas é uma especificação a partir da qual você pode montar uma matriz de localidades. A outra é um prompt, e a diferença entre elas é a coisa mais útil nesta comparação.

A idade também importa aqui, de um modo que normalmente não importa. O Qwen-Audio-3.0-TTS foi lançado em 20 de julho de 2026 e, desde então, foi substituído no topo da linha da Alibaba pelo Qwen-Audio-3.1-TTS-Plus, que é o que atualmente ocupa o terceiro lugar no ranking Controlled Voice. O nível 3.0 Plus ainda está listado e continua sendo o que tem a posição medida mais forte no Provider Voice. O Simba 3.5 chegou em 21 de outubro de 2026 e está há três semanas em um cronograma de preços que já revisou uma vez.

Os números, lado a lado onde existirem.

A Artificial Analysis pontua ambos os modelos em ambos os quadros de classificação, o que faz desta uma das poucas comparações no espaço de fala em que é possível comparar o comparável em vez de extrapolar a partir de um antecessor.

• Voz Controlada — SpeechifyAI Simba 3.5, posição 1, Elo 1.192, mais ou menos 17, 1.783 amostras

• Voz Controlada — Alibaba Qwen-Audio-3.0-TTS-Plus, 10º lugar, Elo 1.130, mais ou menos 12, 3.596 amostras

• Voz do provedor — SpeechifyAI Simba 3.5, posição 5, Elo 1.294, mais ou menos 17, 1.732 amostras

• Voz do provedor — Alibaba Qwen-Audio-3.0-TTS-Plus, classificação 10, Elo 1.264, mais ou menos 13, 3.056 amostras

{{1}}Voz controlada{{/1}} — Alibaba Qwen-Audio-3.1-TTS-Plus em 3º lugar, Elo 1.176, mais ou menos 12 — o modelo mais recente da Alibaba, e o que merece atenção

• Preço no painel — Qwen-Audio-3.0-TTS-Plus US$ 19,31 por milhão de caracteres em ambos os painéis; Simba 3.5 listado a US$ 6,58, uma tarifa incorporada ao plano que não corresponde à lista publicada da Speechify

Simba 3.5 lidera por 62 pontos no placar controlado e por 30 no placar de provedores, e os intervalos se separam claramente em ambos os casos. Esse é um resultado de qualidade direto em favor do Simba, e vale notar o que não o explica: a contagem de amostras. O Qwen-Audio-3.0-TTS-Plus tem o dobro de votos de voz controlada por trás de sua estimativa, então este é um 1.130 bem medido, e não um ruidoso.

O detalhe interessante é a própria linha da Alibaba. O Qwen-Audio-3.1-TTS-Plus está 46 pontos acima do Qwen-Audio-3.0-TTS-Plus no painel controlado, o que significa que o modelo atual da Alibaba está muito mais próximo do Simba 3.5 do que o 3.0. Qualquer comparação com o nível 3.0 está medindo um modelo que já foi aprimorado uma vez.

Quarenta e oito idiomas listados em relação a um campo de instrução

A documentação da Speechify é excepcionalmente concreta para uma API de fala. As 48 línguas do Simba 3.5 são enumeráveis, cada voz do catálogo — e cada voz clonada dos planos pagos — fala todas elas, e o modelo aceita uma tag de idioma padrão no estilo BCP-47, como ja-JP, com qualquer variante regional de um idioma listado incluída no escopo. O par excluído — estoniano e cantonês — é explicitado. A Speechify também sinaliza quais vozes são escolhas da equipe em cada localidade e as classifica com um campo staff_pick_rank, porque uma voz mantém o sotaque da gravação de origem, e sua própria recomendação é gerar com uma voz nativa do idioma.

A abordagem da Alibaba é flexível em outra direção. O Qwen-Audio-3.0-TTS aceita uma instrução em linguagem natural que descreve a locução — ritmo, emoção, persona — e a técnica documentada para um idioma-alvo é indicá-lo na instrução, sendo necessário que a instrução corresponda ao idioma do texto. Ele também oferece controle explícito de pronúncia por meio de language_hints e hot_fix, entrada SSML e LaTeX, e tags inline de emoção e não verbais, como [excited], [sad], [laughing] e [sighing]. Solicitações sem streaming retornam uma URL de áudio válida por 24 horas; o streaming retorna trechos em base64. O modelo é servido a partir de Singapura e Pequim.

Esse vocabulário de tags é uma vantagem real, e o Simba 3.5 não o iguala. O Speechify aplica break, prosody rate, prosody pitch, prosody volume e sub alias; tags de ênfase e emoção são aceitas e não aplicadas. Se o seu produto precisa de uma risada no meio de uma fala, ou de um suspiro no fim dela, o Qwen-Audio-3.0-TTS faz isso hoje, e o Simba 3.5 não.

A troca é simples quando explicitada: o Qwen oferece controle expressivo e deixa o suporte a idiomas para a prosa; o Speechify oferece uma lista contável de idiomas e uma superfície expressiva mais estreita. Para um pipeline de localização, a lista contável vale mais, porque uma matriz de locales é algo que você pode testar, citar em uma declaração de escopo e usar para reprovar uma build. “Fale em holandês, devagar e com clareza” é algo que você precisa ouvir.

Preços, convertidos em um número que você pode comparar

A Alibaba cobra a síntese por caractere de entrada em yuan, com tarifas regionais que diferem entre as implantações de Pequim e Singapura. O Qwen-Audio-3.0-TTS-Plus está listado a ¥1,4 por 10.000 caracteres em Pequim; o nível Flash é ¥1,0. O Artificial Analysis normaliza o nível Plus para US$ 19,31 por milhão de caracteres, que é o valor a usar se você estiver comparando com um fornecedor com preços em dólares, em vez de montar um orçamento regional. Cada modelo Qwen-Audio listado tem uma franquia gratuita de um milhão de tokens na região de Pequim por 90 dias a partir da ativação ou do lançamento, o que ocorrer por último.

A Speechify publica em dólares por milhão de caracteres e já mudou de ideia uma vez:

• Simba 3.5, preço de tabela a partir de 22 de novembro — $15,00 por milhão no Starter, $12,00 no Pro, $10,00 no Scale

• Simba 3.5, até 21 de novembro — $10.00, $8.00 e $6.00, as tarifas do Simba 3.2 e 3.0

• Simba 3.5, lista original de lançamento em 21 de outubro — US$ 20, US$ 16 e US$ 12, substituída pelo corte de 9 de novembro

• Simba 3.2 e Simba 3.0 — US$ 10, US$ 8 e US$ 6 por milhão de caracteres, sem alteração

No preço de tabela, o Simba 3.5 fica entre aproximadamente metade e três quartos da tarifa de tabela do Qwen-Audio-3.0-TTS-Plus, dependendo do plano, e, durante a janela da oferta, fica entre um terço e metade. Nenhum dos dois é caro em termos absolutos — cinco milhões de caracteres por mês custam menos de US$ 100 em qualquer um dos dois —, então é improvável que o preço seja o fator decisivo, a menos que você esteja operando um catálogo muito grande. A cobertura de idiomas e o controle expressivo provavelmente são.

O que a data de 21 de novembro faz com esta decisão

Os IDs do Simba 1.6 da Speechify — simba-english e simba-multilingual — foram removidos da seleção na versão 2026-09-21 da API. Em 21 de novembro de 2026, ambos serão atendidos pelo Simba 3.5 em todos os idiomas e cobrados como simba-3.5, em qualquer versão da API que ainda possa nomeá-los. Uma integração que vem usando simba-multilingual desde o verão mudará de voz e de preço nessa data sem alteração no código.

A Alibaba não tem um evento agendado equivalente nesta comparação. O Qwen-Audio-3.0-TTS continua listado ao lado dos SKUs 3.1, e a linha 3.1 é cobrada em uma unidade diferente — tokens em vez de caracteres —, portanto as duas gerações não podem ser comparadas dividindo uma célula da tabela de preços pela outra. Se você está na 3.0 hoje, a migração para a 3.1 é um projeto de verdade, e não uma simples mudança de uma linha no ID do modelo, e a diferença de 46 pontos no painel controlado entre os dois níveis é o motivo para agendá-la.

Onde cada um é a escolha certa

Escolha o Simba 3.5 se o seu problema for abrangência sob um único ID de voz: um produto que entrega uma só voz de marca em dezenas de locais, um catálogo antigo que precisa ser recriado em idiomas que ninguém da equipa fala, ou uma leitura de acessibilidade em que a mesma voz clonada tem de acompanhar o utilizador do inglês para o espanhol sem soar como uma pessoa diferente. A lista de idiomas contabilizados, o ranking de escolhas da equipa e a clonagem zero-shot sem aprovação são as funcionalidades que tornam isso possível, e a vantagem de 62 pontos no painel controlado significa que a qualidade se mantém quando a voz não é uma que o fornecedor escolheu.

Escolha o Qwen-Audio-3.0-TTS se o seu problema for desempenho, e não cobertura: trabalhos de audiolivro e podcast em que uma tag [excited] se justifica, conteúdo prioritariamente em mandarim, em que o catálogo de vozes e os controles de pronúncia da Alibaba são mais profundos, ou uma implantação que precise ficar em uma região de Singapura ou Pequim. O campo de instrução é genuinamente mais expressivo do que o que o Speechify expõe, e os caminhos de URL não streaming e de chunks SSE cobrem tanto a renderização em lote quanto a ao vivo.

O OrcaRouter não oferece nenhuma das duas linhas — o Simba é acessado pela própria API da Speechify, e o Qwen pelo Alibaba Cloud Model Studio — e nada aqui deve ser lido como uma alegação em contrário. O que nós roteamos é um catálogo de síntese menor que funciona como controle neutro quando você testa: 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 fornecedor, sem nenhuma margem adicionada, junto com google/gemini-3.1-flash-tts-preview. Renderizar o mesmo roteiro de três minutos por esses modelos e por ambos os candidatos é a forma mais barata de resolver uma questão que dois rankings só conseguem estreitar.

A parte que ambos os fornecedores deixam para você resolver

Nenhum dos modelos dirá se a saída em idiomas que não o inglês é boa o suficiente para o seu público, e a arena também não dirá: o Controlled Voice board é uma avaliação em inglês, feita com oito vozes de referência em inglês, quatro americanas e quatro britânicas. Uma vantagem de 62 pontos medida em inglês não diz nada diretamente sobre japonês, polonês ou português brasileiro. A resposta da Speechify é apontar para escolhas da equipe por localidade; a da Alibaba é apontar para instruções e uma lista de vozes. Ambas estão pedindo que você ouça.

Esse é o fechamento honesto desta dupla. Um é mais novo, mais barato no preço de tabela, melhor avaliado em inglês e documentado até o número de idiomas. O outro é mais expressivo, mais consolidado em trabalhos em chinês, está no meio de uma transição geracional e é controlado por um campo de instrução em vez de uma especificação. Teste os dois nos dois locales que realmente geram sua receita, e o restante desta comparação se torna um critério de desempate, não a decisão.