Simba 3.5 против Eleven v4: две таблицы лидеров расходятся, и только одна из них о вашем продукте

Поставьте SpeechifyAI Simba 3.5 и ElevenLabs Eleven v4 на одну и ту же таблицу, и результат полностью зависит от того, какой рейтинг Artificial Analysis вы читаете. В рейтинге Controlled Voice — одни и те же восемь клонированных эталонных голосов для каждого участника — Simba 3.5 занимает первое место с 1 192, а Eleven v4 — седьмое с 1 155; разрыв в 37 пунктов, интервалы которого не пересекаются. В рейтинге Provider Voice — собственный голосовой состав каждого вендора — Eleven v4 занимает первое место с 1 340, а Simba 3.5 — пятое с 1 294; разрыв в 46 пунктов в обратную сторону, тоже с четким разделением. Ни одна из этих цифр не ошибочна. Они измеряют разные продукты, и то, какому из них вам стоит доверять, определяется вопросом о вашем стеке, а не о том или ином вендоре.

Два совета — и почему они настолько кардинально расходятся во мнениях

Controlled Voice фиксирует диктора. Artificial Analysis клонирует четыре американских и четыре британских голоса и заставляет каждую модель произносить одни и те же фразы этими же голосами, так что слушатель, сравнивая два образца, слышит только качество синтеза. Provider Voice позволяет каждому поставщику предложить собственные голоса, а значит, слушатель оценивает модель и голосовой состав вместе — тембр, акцент, актёрские решения, которые отобрал поставщик.

ElevenLabs годами создавала этот набор голосов. Это та часть компании, которая вообще не является моделью, и именно поэтому в рейтинге провайдеров Eleven v4 и Eleven v4 Turbo занимают первые два места с отрывом в 32 образца от остальных. Если убрать этот набор голосов, Eleven v4 окажется на седьмом месте. Позиция Speechify — зеркальное отражение: пятое место с собственными голосами и первое — без них.

• Управляемый голос — SpeechifyAI Simba 3.5, ранг 1, Elo 1 192, интервал 1 175–1 209, 1 783 образца

• Контролируемый голос — ElevenLabs Eleven v4, 7-е место, Elo 1 155, интервал 1 143–1 167, 3 221 сэмпл

• Контролируемый голос — ElevenLabs Eleven v4 Turbo, ранг 6, Elo 1 156, интервал от 1 144 до 1 168, 3 327 образцов

• Голос провайдера — ElevenLabs Eleven v4, ранг 1, Elo 1 340, интервал 1 325–1 355, 2 742 образца

• Голос провайдера — ElevenLabs Eleven v4 Turbo, ранг 2, Elo 1 339, интервал 1 323–1 355

• Голос провайдера — SpeechifyAI Simba 3.5, ранг 5, Elo 1 294, интервал от 1 277 до 1 311, 1 732 образца

• Голос провайдера — Alibaba Qwen-Audio-3.1-TTS-Plus занимает 3-е место с результатом 1 300, между двумя в этой таблице

Оба разрыва больше окружающих их интервалов, поэтому ни один из этих порядков не является делом случая. Победа Simba 3.5 в Controlled Voice с преимуществом 37 пунктов и победа Eleven v4 в Provider Voice с преимуществом 46 пунктов — это оба реальные измерения разных вещей. Это необычно — большинство пар моделей показывают одинаковый результат на обеих таблицах — и в этом весь смысл данного сравнения.

Вопрос, который всё решает

Если ваш продукт поставляется с тем голосом, который выбрал поставщик, — голос помощника по умолчанию, готовая дорожка озвучивания, единый фирменный голос во всём приложении, — вы покупаете то, что измеряет Provider Voice, и Eleven v4 побеждает здесь с отрывом в 46 баллов. Если ваш продукт позволяет пользователям выбирать голос, клонировать собственный или обеспечивает единый фирменный голос для всех языков, вы покупаете то, что измеряет Controlled Voice, и Simba 3.5 побеждает здесь с отрывом в 37 баллов.

Есть практический тест, который решает вопрос за один день: возьмите три минуты собственного референсного аудио, клонируйте его на обеих платформах и послушайте. Модель, лидирующая в контролируемом рейтинге, — это модель, которая хорошо справляется с незнакомым голосом. Модель, лидирующая в рейтинге провайдера, — это модель с хорошим вкусом к голосам. Это разные навыки, и вашей задаче нужен только один из них.

Цена не близка, и это тоже не вся история.

Eleven v4 указан по цене $0,08 за тысячу символов, что составляет $80 за миллион. Это тариф на собственной странице цен API ElevenLabs и цифра, которую Artificial Analysis приводит для этой модели; промо-период, длившийся до середины октября, завершился, поэтому $80 — это действующая цена, а не временное явление при запуске. Eleven v4 Turbo стоит вдвое меньше — $40 за миллион.

Simba 3.5 стоит $15, $12 и $10 за миллион символов в тарифах Starter, Pro и Scale — это снижение с $20, $16 и $12, по которым он был запущен 21 октября. До 21 ноября 2026 года включительно оплата вместо этого взимается по тарифам старых моделей: $10, $8 и $6. После 22 ноября действует новый прайс-лист, и предложение не применяется.

• Eleven v4 — 80,00 долларов США за миллион символов, по прайс-листу, без действующих акций.

• Eleven v4 Turbo — 40,00 $ за миллион символов

• Simba 3.5 — $15.00 Starter, $12.00 Pro, $10.00 Scale за миллион символов, с 22 ноября

• Simba 3.5 — $10.00, $8.00 и $6.00 за миллион символов до 21 ноября

• Simba 3.2 и Simba 3.0 — без изменений по ставкам $10, $8, $6 на тех же планах

При пяти миллионах символов в месяц — примерно сто часов готовой речи — Eleven v4 стоит 400 долларов, а Simba 3.5 — от 50 до 75 долларов в зависимости от плана и даты. Это разница в пять–восемь раз. Тот, кто приводит цену 6,58 доллара из таблицы лидеров для Simba 3.5, ссылается на ставку, встроенную в план, которая не соответствует опубликованному прайс-листу Speechify; рассчитывайте бюджет по таблице тарифов выше.

Языки: 48 под одним id против 90 с лишним

Именно здесь сравнение перестаёт быть ничьей и превращается в решение о маршрутизации. Simba 3.5 поддерживает 48 языков под одним model id — больше, чем шесть, которые охватывала Simba 3.0, — и каждый голос из каталога, включая клонированный, говорит на всех 48 с тем же voice id. Эстонский и кантонский явно отсутствуют в списке. Eleven v4 охватывает более 90 языков с ограничением в 10 000 символов на запрос — это примерно десять минут речи, прежде чем придётся разбивать текст на фрагменты.

Сорока восьми языков достаточно для большинства европейских, латиноамериканских и восточноазиатских продуктовых линеек, но недостаточно для по-настоящему глобального каталога. Девяноста с лишним достаточно почти для чего угодно, и если ваше требование — «каждая локаль, в которой мы продаём», аргумент о качестве перестаёт иметь значение — один из этих двух вариантов справится с задачей, а другой, возможно, нет.

В связи с 48 есть оговорка, которую производитель произносит вслух, а большинство обзоров упускает: голос сохраняет акцент исходной записи. Клонированный американский голос, говорящий по-японски, будет звучать как американец, говорящий по-японски. Собственная рекомендация Speechify — начинать с голоса из staff-pick, являющегося носителем каждого языка, поэтому staff_pick_rank теперь появляется в эндпоинте voices. Кросс-языковой перенос голоса доступен; он не свободен от акцента.

Задержка, клонирование и форма API

Speechify сообщает о 72 миллисекундах времени до первого аудио на 95-м процентиле потоковых запросов при производственной нагрузке и о пропускной способности в 1,8 раза выше, чем у Simba 3.2, на один обслуживающий экземпляр. Это данные поставщика, независимо не воспроизведённые. ElevenLabs не публикует сопоставимый показатель для самого Eleven v4. Единственный измеренный показатель задержки в документации Simba — более старый и узкий: Simba 3.2 — 56 миллисекунд медианного значения и 102 миллисекунды на 90-м процентиле для первого байта на стороне сервера, измерено в US East 15 сентября 2026 года; это другой показатель, отличный от времени до первого аудио, и его нельзя переносить.

Клонирование голоса в обоих случаях работает по принципу zero-shot и доступно для самостоятельного использования, но разница в трудозатратах имеет значение при работе в масштабе команды. Клонирование в Simba 3.5 доступно на платных тарифах без одобрения. ElevenLabs предлагает мгновенные клоны по десяти секундам аудио наряду с уровнем профессионального клонирования, а её проверка согласия — более проработанная из двух, что говорит в её пользу для всех, кто выпускает голоса, предоставленные пользователями.

Формы запросов не взаимозаменяемы, и это стоит знать до того, как вы напишете слой абстракции. Speechify аутентифицируется с помощью bearer-токена, передаёт текст как input, модель как model и вообще не имеет объекта voice_settings. ElevenLabs использует собственный заголовок и собственные имена полей. Оба поддерживают потоковую передачу; поддержка SSML в Speechify является подмножеством: break, prosody rate, prosody pitch, prosody volume и sub alias применяются, а теги emphasis и emotion принимаются, но игнорируются.

Где роутер здесь действительно помогает

Ни одна из этих моделей не размещена на OrcaRouter, и данный материал не утверждает обратного: доступ к линейке Simba осуществляется через собственный API Speechify, а к линейке ElevenLabs — через API ElevenLabs. Что мы действительно маршрутизируем, так это меньший каталог синтеза, который образует справедливую контрольную группу — openai/tts-1 по цене $15.00 за миллион символов и openai/tts-1-hd по цене $30.00, оба по прейскурантной цене провайдера, без каких-либо наценок.

Аргумент в пользу маршрутизации в этом конкретном противостоянии не касается качества, потому что ответ по качеству уже неоднозначен. Он в том, что две таблицы лидеров расходятся, цены отличаются в пять–восемь раз, и оба факта остаются верными лишь до выхода следующей модели. Стек, который может отправлять один и тот же скрипт двум поставщикам и сравнивать результат на собственном аудио, даёт ответ, который переживёт следующий пересчёт таблицы лидеров; а стек, жёстко привязанный к одному из них, вынужден заново пересматривать решение каждый квартал. Автоматическое переключение при сбое также покрывает случай, который никто не проверяет бенчмарками — инцидент на стороне провайдера в неделю запуска.

Честный вердикт, при котором ничья остаётся в силе

Eleven v4 — более подходящая модель, если вам нужны широкий языковой охват, тщательно подобранный набор голосов, который не придётся создавать самостоятельно, наиболее зрелые инструменты для согласия и клонирования или лидерство в рейтинге провайдеров, удерживаемое на вершине среди сотни моделей. Она стоит в пять–восемь раз дороже, и это не промоакционная цена.

Simba 3.5 — лучшая модель, если ваши голоса принадлежат вам — клонированные, принадлежащие бренду или выбранные для каждой локали — и если 48 языков охватывают рынки, на которых вы действительно продаёте. Она возглавляет таблицу лидеров, в которой диктор остаётся неизменным, а именно эта таблица предсказывает производительность на голосе, который поставщик никогда не слышал. Кроме того, прошло три недели с начала действия тарифного графика, который уже однажды менялся, а 21 ноября состоится миграция model-id, так что цена, по которой вы регистрируетесь, не обязательно будет той ценой, которую вы заплатите в декабре.

Чего вам не скажет ни одна из плат, так это какую из них ваши слушатели предпочтут на вашем материале. Тридцать семь пунктов Elo — это существенный разрыв, и он не заменяет тест на прослушивание трёх минут вашего собственного сценария вашим собственным голосом. Проведите этот тест, прежде чем выделять объём для любой из них.