Simba 3.5 против Simba 3.2: 110 очков Elo, 48 языков и счёт, который удваивается за девять дней

Путь обновления внутри одного вендора обычно представляет собой наименее интересное сравнение в этом блоге. Но не в этот раз, потому что SpeechifyAI Simba 3.5 и SpeechifyAI Simba 3.2 различаются не только номером версии, и эти различия указывают в противоположных направлениях. Simba 3.5 на 110 пунктов Elo лучше на арене Controlled Voice, говорит на 48 языках вместо одного и стоит на 50% больше по прайс-листу. Simba 3.2 быстрее по единственному показателю задержки, который кто-либо действительно измерял, имеет список разрешённых голосов, который больше ничего не ограничивает, и сохраняет старую цену. Команда, использующая Simba 3.2 в продакшене, должна принять реальное решение до 22 ноября, и «перейти на более новую версию» не является автоматически правильным ответом.

Сначала даты, потому что именно они делают этот вопрос срочным, а не академическим. Simba 3.2 вышла 8 июля 2026 года как потоковая модель только на английском языке и была рекомендована до 18 октября. Simba 3.5 получила статус рекомендованной 18 октября, была публично запущена 21 октября, её цена по прайс-листу была снижена 9 ноября, а 21 ноября она становится моделью, стоящей за двумя выводимыми из эксплуатации устаревшими идентификаторами. Speechify не признаёт 3.2 устаревшей — она остаётся в списке, сохраняет цену и остаётся доступной для вызова — и именно поэтому выбор нужно делать по существу, а не из-за дедлайна.

Разрыв на арене — самый большой за всю историю каждой из моделей.

Обе модели оцениваются на обеих таблицах Artificial Analysis. В контролируемой таблице диктор остаётся неизменным для восьми клонированных эталонных голосов; в таблице провайдеров каждый вендор использует собственный набор голосов. Разрыв между этими двумя поколениями больше в контролируемой таблице, которая из двух более информативна для тех, кто клонирует голос.

• Controlled Voice — Simba 3.5, ранг 1, Elo 1 192, ±17, интервал 1 175–1 209, 1 783 образца

• Контролируемый голос — Simba 3.2, место 14, Эло 1 082, плюс-минус 12, интервал от 1 070 до 1 094, 3 630 образцов

• Provider Voice — Simba 3.5, 5-е место, Elo 1 294, плюс-минус 17, интервал от 1 277 до 1 311, 1 732 выборки

• Provider Voice — Simba 3.2, место 12, Elo 1 250, плюс-минус 11, интервал от 1 239 до 1 261, 3 966 выборок

• Две поколения назад — Simba 3.0: 27-е место при 1 035 контролируемых, 41-е место при 1 114 провайдерах.

Разрыв на контролируемом лидерборде составляет 110 баллов, причём интервалы разнесены более чем на 80 баллов пустого пространства. Это не маргинальный повторный прогон. Для контекста: вся десятка лучших на этом лидерборде охватывает 62 балла; одно поколение Simba покрывает почти вдвое больший диапазон. Разрыв на провайдерском лидерборде меньше — 44 балла, и это кое-что полезное говорит: часть того, что улучшила версия 3.5, — это качество синтеза на незнакомых голосах, а часть — просто лучший звук по умолчанию.

Закономерность смены поколений также прослеживается во всех трёх выпусках. Переход от Simba 3.0 к 3.2 составил 47 баллов на контрольном стенде; от 3.2 к 3.5 — 110. Speechify улучшается в этом быстрее, чем раньше, и модель 3.2, которую рекомендовали в сентябре, сейчас находится в середине таблицы.

Языки: шесть, один, сорок восемь

Это различие меняет архитектуры, а не оценки качества. Simba 3.2 поддерживает только английский — голосовой ввод на языке, отличном от английского, возвращает 400, а в сообщении указывается отклонённая локаль. Simba 3.0 охватывает шесть языков в семи локалях. Simba 3.5 охватывает 48 языков под одним id, при этом эстонский и кантонский явно исключены, а региональные варианты входят в область охвата.

То, что делает эти 48 пригодными к использованию, — это переносимость голоса. Каждый голос из каталога воспроизводит все 48 на Simba 3.5 с одним и тем же voice id, и то же самое делает голос, клонированный вами на платном тарифе. Это та функция, которую ждал конвейер локализации: один клонированный голос бренда, сорок восемь языков, без подмены голоса для каждой локали. Оговорка поставщика состоит в том, что голос сохраняет акцент исходной записи, а его рекомендация — генерировать с помощью голоса из staff pick, являющегося носителем каждого языка; поэтому staff_pick_rank появился в эндпоинте voices 18 октября.

В Simba 3.2 весь этот рабочий процесс отсутствует. Один голос, один язык. Если ваш продукт поставляется более чем на один рынок, это не разница в оценке; это разница между одной интеграцией и двумя вендорами.

Задержка — здесь старая модель всё ещё выигрывает

Speechify публикует измеренную задержку для Simba 3.2 и лишь агрегированные утверждения для 3.5, и опубликованный показатель хорош. 9 октября 2026 года при замере с клиента в восточной части США по «прогретым» соединениям Simba 3.2 достигала первого слышимого аудио за медианные 47 миллисекунд через входной поток WebSocket и 64 миллисекунды через HTTP-поток — это самый низкий показатель среди тринадцати эндпоинтов, которые Speechify замеряла в тот день из этого местоположения. На стороне сервера первый байт составил 56 мс на p50 и 102 мс на p90 для продакшен-трафика, измеренного 15 сентября. Компания прямо указывает, что каждое значение — измеренный процентиль, а не гарантия, и что из Цюриха картина меняется: 142 мс для flash-модели другого поставщика против 145 и 153 мс для двух собственных потоковых путей.

Для Simba 3.5 задокументированные цифры — это заявления вендора, а не опубликованные перцентили: 72 миллисекунды до первого звука для 95% стриминговых запросов под производственной нагрузкой и в 1,8 раза большая пропускная способность на один обслуживающий экземпляр, чем у Simba 3.2. Их нельзя напрямую сравнивать с p50, измеренным на прогретых соединениях. p95 в 72 мс и p50 в 47 мс могут быть полностью согласованы, и никто за пределами Speechify не провёл раунд, который это установил бы.

Практическое следствие узкое, но реальное. Если пользовательский опыт вашего продукта — это голосовой помощник, в котором сто миллисекунд тишины уже заметны, у вас есть измеренное значение для 3.2 и заявление для 3.5, и честный подход — самому измерить 3.5 перед миграцией. Если вы рендерите аудио в файл, задержка не имеет значения, и этот раздел к вам не относится.

Цена: предложение заканчивается 21 ноября

Цены Speechify на эти две модели вот-вот разойдутся, и в журнале изменений это точно изложено.

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

• Simba 3.5, по 21 ноября — $10.00, $8.00 и $6.00, тарифы для более старых моделей

• Simba 3.5, первоначальный список запуска от 21 октября — $20, $16 и $12; заменён снижением от 9 ноября

• Simba 3.2 — без изменений: $10.00, $8.00 и $6.00 за миллион символов в тех же тарифных планах

До 21 ноября включительно обе модели стоят ровно одинаково, и 3.5 строго лучше. С 22 ноября 3.5 стоит на 50% больше на каждом тарифе. На тарифе Pro это $72 против $108 за девять миллионов символов; на Scale — $280,80 против $468 за 46,8 млн. Балансы не изменились, поэтому тот же тариф по прайс-листу дает на треть меньше символов более новой модели.

Это прямое оценочное суждение, а не уловка: 110 очков Elo и 47 дополнительных языков за 50%-ную надбавку — хороший обмен почти для любой рабочей нагрузки, использующей любую из этих двух возможностей, и плохой для чисто англоязычного пайплайна, который уже устраивало качество 3.2.

Миграция — это одна строка, и в этом ловушка.

Документация Speechify на удивление ясно указывает, что переход с 3.2 на 3.5 не требует изменения версии API: задайте для model значение simba-3.5, сохраните те же идентификаторы голосов, те же форматы вывода, те же речевые метки и то же применяемое подмножество SSML. Запросы, в которых model не указан, по-прежнему сопоставляются с simba-3.0, поэтому значение по умолчанию не переключает вас незаметно.

Две детали усложняют историю, которая умещается в одну строку. Первая: теперь язык имеет значение. Если язык текста отличается от локали голоса, его нужно задать явно, иначе API использует локаль голоса, и вы получите акцент, которого не хотели. Вторая — само 21 ноября. В этот день два идентификатора Simba 1.6, simba-english и simba-multilingual, перестают обслуживаться своей прежней обученной моделью и начинают обслуживаться Simba 3.5 по тарифу Simba 3.5 — во всех версиях API, в которых их всё ещё можно указать. Интеграция, привязанная к старым идентификаторам, в тот же день сменит голос и цену без изменения кода. Единственный способ сделать выбор — целенаправленно протестировать 3.5 до этого.

Также есть одно незаметное улучшение, о котором стоит знать: 20 октября параметры prosody pitch и prosody volume начали применяться на Simba 3.5, 3.2 и 3.0, где раньше они принимались, но игнорировались. Если вы отправляете эти атрибуты сегодня и не хотите этого изменения, сама Speechify советует удалить их. Теги emphasis и emotion по-прежнему принимаются, но не применяются на всех трёх моделях.

Как OrcaRouter вписывается в обновление внутри семейства

Ни одна из моделей Simba не представлена на OrcaRouter — доступ к этой линейке осуществляется через собственный API Speechify, и ничто здесь не должно восприниматься как утверждение об обратном. Что мы действительно маршрутизируем, так это каталог синтеза, который вы могли бы использовать в качестве контрольного ориентира при принятии решения: openai/tts-1 по $15.00 за миллион символов и openai/tts-1-hd по $30.00, по прейскурантной цене провайдера без каких-либо наценок.

Полезное свойство маршрутизатора в такой миграции — обеспечить живучесть старого пути, пока новый доказывает свою надёжность. Запустите 3.5 на API поставщика на неделю реального трафика, оставьте 3.2 как резервный вариант и обходите инцидент, а не обнаруживайте его в продакшене — автоматическое переключение при сбое ничего не стоит, когда сбоев нет, а когда сбой происходит, окупает всё окно запуска. Тот же самый ключ также означает, что голосовой сервис OpenAI, который вы уже используете, остаётся доступным, пока вы решаете, заменит ли его какое-либо из поколений Simba.

Что запускать, в зависимости от рабочей нагрузки

Оставайтесь на Simba 3.2, если ваша рабочая нагрузка связана с английским языком, ваши голоса — английские, ваша планка качества уже была достигнута в июле, а измеренный показатель в 47 мс до первого слышимого звука критически важен для вашего продукта. Вы платите по более низкому тарифу до 21 ноября и далее бессрочно, и ничего в 3.5 не улучшает ваш результат. Для 3.2 нет даты прекращения поддержки; Speechify заявила об этом прямо.

Переходите на Simba 3.5, если верно хотя бы одно из следующего: вам нужен второй язык, вы клонируете голоса и хотите один идентификатор голоса для всех локалей, планка качества английского сместилась или вы создаёте что-то новое. Разрыв в 110 баллов на контролируемом стенде — это самый крупный поколенческий скачок, который произвела Speechify, а покрытие 48 языков недоступно каким-либо иным способом внутри этого семейства. Сделайте это до 21 ноября, если хотите оценить её по тарифам старых моделей, и явно задайте идентификатор модели, чтобы вывод из эксплуатации не сделал выбор за вас.

Как бы вы ни поступили, у этого решения есть дата пересмотра, а не постоянный ответ. У Simba 3.5 — 1 783 образца контролируемого голоса против 3 630 у 3.2, поэтому его интервал сузится. Его каталожная цена уже менялась один раз за три недели. А Qwen-Audio-3.1-TTS-Plus от Alibaba с 1 176 баллами в том же рейтинге отстаёт на 16 пунктов от текущего флагмана Simba при сопоставимой цене в рейтинге — достаточно близко, чтобы следующий релиз любой из сторон снова открыл этот вопрос.