Simba 3.5 vs Simba 3.2: 110 pontos Elo, 48 idiomas e uma conta que dobra em nove dias

O caminho de atualização dentro de um mesmo fornecedor costuma ser a comparação menos interessante deste blog. Esta não é, porque SpeechifyAI Simba 3.5 e SpeechifyAI Simba 3.2 diferem por mais do que um número de versão, e as diferenças apontam em direções opostas. O Simba 3.5 é 110 pontos Elo melhor na arena Controlled Voice, fala 48 idiomas em vez de um, e custa 50% mais no preço de tabela. O Simba 3.2 é mais rápido no único número de latência que alguém realmente mediu, tem uma lista de permissão de vozes que já não restringe nada, e mantém o preço antigo. Uma equipe que usa o Simba 3.2 em produção tem uma decisão real a tomar antes de 22 de novembro, e "atualizar para o mais novo" não é automaticamente a resposta certa.

As datas primeiro, porque são o que torna isto urgente, e não acadêmico. O Simba 3.2 foi lançado em 8 de julho de 2026 como um modelo de streaming somente em inglês e foi recomendado até 18 de outubro. O Simba 3.5 foi marcado como recomendado em 18 de outubro, lançado publicamente em 21 de outubro, teve seu preço de tabela reduzido em 9 de novembro e, em 21 de novembro, passa a ser o modelo por trás de dois IDs legados que serão retirados. O Speechify não está descontinuando o 3.2 — ele continua listado, continua com preço e continua podendo ser chamado — e é exatamente por isso que a escolha precisa ser feita com base nos méritos, e não em um prazo.

A diferença na arena é a maior na história de qualquer um dos dois modelos.

Ambos os modelos são pontuados nos dois rankings da Artificial Analysis. O ranking controlado mantém o falante constante em oito vozes de referência clonadas; o ranking do fornecedor permite que cada fornecedor use seu próprio conjunto de vozes. A diferença entre essas duas gerações é maior no ranking controlado, que é o mais informativo dos dois para quem clona uma voz.

Voz Controlada — Simba 3.5, posição 1, Elo 1.192, mais ou menos 17, intervalo de 1.175 a 1.209, 1.783 amostras

• Voz Controlada — Simba 3.2 posição 14, Elo 1.082, mais ou menos 12, intervalo 1.070 a 1.094, 3.630 amostras

Voz do provedor — Simba 3.5, posição 5, Elo 1.294, mais ou menos 17, intervalo de 1.277 a 1.311, 1.732 amostras

• Voz do provedor — Simba 3.2, posição 12, Elo 1.250, mais ou menos 11, intervalo de 1.239 a 1.261, 3.966 amostras

• Duas gerações atrás — Simba 3.0, posição 27 com 1.035 controlados, posição 41 com 1.114 provedor

A diferença no quadro controlado é de 110 pontos, com intervalos que se distanciam uns dos outros por mais de 80 pontos de espaço vazio. Não se trata de uma repetição marginal. Para contexto, todo o top ten desse quadro abrange 62 pontos; uma geração do Simba cobre quase o dobro desse intervalo. A diferença no quadro de provedores é menor, de 44 pontos, o que diz algo útil: parte do que o 3.5 melhorou é a qualidade de síntese em vozes desconhecidas, e parte é simplesmente um som padrão melhor.

O padrão entre gerações também é consistente nos três lançamentos. Do Simba 3.0 para o 3.2 foram 47 pontos no painel controlado; do 3.2 para o 3.5 foram 110. A Speechify está melhorando nisso mais rápido do que antes, e o modelo 3.2 que foi recomendado em setembro agora está no meio da tabela.

Idiomas: seis, um, quarenta e oito

Esta é a diferença que muda arquiteturas, e não pontuações de qualidade. O Simba 3.2 é somente em inglês — uma voz em outro idioma retorna um 400 com o locale rejeitado indicado na mensagem. O Simba 3.0 abrange seis idiomas em sete locales. O Simba 3.5 abrange 48 sob um único id, com estoniano e cantonês explicitamente excluídos e variantes regionais no escopo.

O que torna as 48 utilizáveis é o facto de a voz viajar. Todas as vozes do catálogo falam as 48 no Simba 3.5 com o mesmo voice id, e o mesmo acontece com uma voz que tenha clonado num plano pago. É esta a funcionalidade que um pipeline de localização esperava: uma voz de marca clonada, quarenta e oito línguas, sem substituição de voz por locale. A ressalva do fornecedor é que uma voz mantém o sotaque da gravação original, e a sua orientação é gerar com uma voz staff-pick nativa de cada língua — razão pela qual staff_pick_rank apareceu no endpoint de vozes a 18 de outubro.

No Simba 3.2, todo esse fluxo de trabalho não existe. Uma voz, um idioma. Se o seu produto é comercializado em mais de um mercado, isso não é uma diferença de pontuação; é a diferença entre uma integração e dois fornecedores.

Latência, onde o modelo mais antigo ainda vence

A Speechify publica a latência medida do Simba 3.2 e apenas alegações agregadas para o 3.5, e a medição publicada é boa. Em 9 de outubro de 2026, com a medição feita a partir de um cliente na região US East em conexões aquecidas, o Simba 3.2 alcançou o primeiro áudio audível em uma mediana de 47 milissegundos pelo fluxo de entrada WebSocket e 64 milissegundos pelo fluxo HTTP — o menor entre os treze endpoints medidos pela Speechify naquele dia a partir daquele local. O primeiro byte do lado do servidor foi de 56 ms no p50 e 102 ms no p90 no tráfego de produção medido em 15 de setembro. A empresa deixa explícito que cada valor é um percentil medido, e não uma garantia, e que, a partir de Zurique, o cenário muda: 142 ms para o modelo flash de outro fornecedor, em comparação com 145 e 153 ms para os dois caminhos de streaming da própria empresa.

Para o Simba 3.5, os números documentados são alegações do fornecedor, e não percentis publicados: 72 milissegundos até o primeiro áudio para 95% das solicitações de streaming sob carga de produção, e 1,8 vez a vazão do Simba 3.2 por instância de serviço. Esses números não podem ser comparados diretamente com um p50 medido em conexões aquecidas. Um p95 de 72 ms e um p50 de 47 ms podem ser totalmente consistentes, e ninguém fora da Speechify executou a rodada que estabeleceria isso.

A consequência prática é restrita, mas real. Se a experiência do usuário do seu produto é um assistente de voz em que cem milissegundos de silêncio são perceptíveis, você tem um número medido para a 3.2 e uma alegação para a 3.5, e o mais honesto é medir a 3.5 por conta própria antes de migrar. Se você está renderizando áudio em um arquivo, a latência é irrelevante e esta seção não se aplica a você.

Preço: a oferta termina em 21 de novembro

O preço do Speechify para esses dois modelos está prestes a divergir, e o registro de alterações detalha isso com precisão.

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

• Simba 3.5, até 21 de novembro — $10,00, $8,00 e $6,00, as tarifas dos modelos mais antigos

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

• Simba 3.2 — sem alterações: US$ 10,00, US$ 8,00 e US$ 6,00 por milhão de caracteres nos mesmos planos

Portanto, até 21 de novembro, os dois modelos custam exatamente o mesmo e o 3.5 é estritamente melhor. A partir de 22 de novembro, o 3.5 custa 50% mais em todos os níveis. No plano Pro, isso é US$ 72 contra US$ 108 para nove milhões de caracteres; no Scale, US$ 280,80 contra US$ 468 para 46,8 milhões. Os saldos permanecem inalterados, então o mesmo plano compra um terço menos caracteres do modelo mais novo pelo preço de tabela.

Isso é um julgamento de valor direto, e não um truque: 110 pontos Elo e 47 idiomas extras por um acréscimo de 50% são uma boa troca para quase qualquer carga de trabalho que use um desses recursos, e uma péssima troca para um pipeline somente em inglês que já estava satisfeito com a qualidade da versão 3.2.

Migrar é uma linha, e é aí que está a armadilha.

A documentação da Speechify é excepcionalmente clara ao afirmar que passar da 3.2 para a 3.5 não exige alteração na versão da API: defina o modelo como simba-3.5, mantenha os mesmos IDs de voz, os mesmos formatos de saída, as mesmas marcas de fala e o mesmo subconjunto de SSML aplicado. Requisições que omitem model ainda são resolvidas para simba-3.0, então o padrão não migra você silenciosamente.

Dois detalhes complicam a história de uma linha. O primeiro é que agora o idioma importa: se o texto diferir do locale da voz, você precisa defini-lo explicitamente, ou a API usa o locale da voz e você obtém um sotaque que não pretendia. O segundo é o próprio 21 de novembro. Nessa data, os dois ids do Simba 1.6, simba-english e simba-multilingual, deixam de ser servidos pelo treinamento antigo e passam a ser servidos pelo Simba 3.5, cobrados pela tarifa do Simba 3.5, em todas as versões da API que ainda conseguem nomeá-los. Uma integração fixada aos ids antigos mudará de voz e de preço no mesmo dia sem alteração de código. Testar deliberadamente a 3.5 antes disso é a única forma de escolher.

Há também uma melhoria discreta que vale a pena conhecer: em 20 de outubro, a altura e o volume de prosódia passaram a ser aplicados no Simba 3.5, 3.2 e 3.0, onde antes eram aceitos e ignorados. Se você envia esses atributos hoje e não queria a mudança, a própria recomendação da Speechify é removê-los. As tags de ênfase e emoção continuam sendo aceitas e não aplicadas nos três modelos.

Onde o OrcaRouter se encaixa em uma atualização dentro da mesma família

Nenhum dos modelos Simba está no OrcaRouter — a linha é acessada pela própria API da Speechify, e nada aqui deve ser interpretado como uma alegação em contrário. O que nós roteamos é o catálogo de síntese que você usaria como controle durante a decisão: openai/tts-1 a US$ 15,00 por milhão de caracteres e openai/tts-1-hd a US$ 30,00, ao preço de tabela do provedor, sem nada acrescido.

O que um roteador faz de útil numa migração como esta é tornar o caminho antigo sobrevivível enquanto o novo é comprovado. Execute a 3.5 na API do fornecedor por uma semana de tráfego real, mantenha a 3.2 como fallback e contorne um incidente em vez de descobri-lo em produção — o failover automático não custa nada quando nada falha e compra toda a janela de lançamento quando algo falha. A mesma única chave também significa que a voz da OpenAI que você já estava usando continua acessível enquanto você decide se qualquer uma das gerações do Simba a substitui.

Qual executar, por carga de trabalho

Permaneça no Simba 3.2 se sua carga de trabalho for em inglês, suas vozes forem em inglês, seu padrão de qualidade já tiver sido atingido em julho, e a métrica medida de 47 ms para o primeiro áudio audível for essencial no seu produto. Você está pagando a tarifa mais baixa até 21 de novembro e para sempre depois disso, e nada na 3.5 melhora sua saída. Não há data de descontinuação para o 3.2; a Speechify declarou isso explicitamente.

Mude para o Simba 3.5 se qualquer uma das seguintes condições for verdadeira: você precisa de um segundo idioma, clona vozes e quer um único ID de voz entre localidades, seu patamar de qualidade em inglês mudou, ou está construindo algo novo. A diferença de 110 pontos no painel controlado é o maior salto geracional que a Speechify já produziu, e a cobertura de 48 idiomas não está disponível de nenhuma outra forma dentro desta família. Faça isso antes de 21 de novembro se quiser avaliá-lo com os preços dos modelos mais antigos, e defina o ID do modelo explicitamente para que a descontinuação não escolha por você.

Seja qual for o caminho que você seguir, a decisão tem uma data de revisão em vez de uma resposta permanente. O Simba 3.5 tem 1.783 amostras de voz controlada contra as 3.630 do 3.2, então seu intervalo vai estreitar. Seu preço de tabela já mudou uma vez em três semanas. E o Qwen-Audio-3.1-TTS-Plus, da Alibaba, com 1.176 no mesmo ranking, está 16 pontos atrás do atual carro-chefe da Simba a um preço comparável — perto o bastante para que o próximo lançamento de qualquer um dos lados reabra a questão.