Simba 3.5 vs Eleven v4: De två topplistorna är inte överens, och bara en av dem handlar om din produkt

Ställ SpeechifyAI Simba 3.5 och ElevenLabs Eleven v4 i samma tabell, och resultatet beror helt och hållet på vilken Artificial Analysis-resultattavla du läser. På Controlled Voice – samma åtta klonade referensröster för varje deltagare – ligger Simba 3.5 etta på 1,192 och Eleven v4 sjua på 1,155, en skillnad på 37 poäng där intervallen inte överlappar varandra. På Provider Voice – varje leverantörs egen röstuppsättning – ligger Eleven v4 etta på 1,340 och Simba 3.5 femma på 1,294, en skillnad på 46 poäng i motsatt riktning, också med tydlig separation. Inget av talen är fel. De mäter olika produkter, och vilket du bör lita på avgörs av en fråga om din stack snarare än om någon av leverantörerna.

De två styrelserna, och varför de är så totalt oeniga

Controlled Voice håller talaren konstant. Artificial Analysis klonar fyra amerikanska och fyra brittiska röster och låter varje modell säga samma repliker med samma röster, så en lyssnare som jämför två prover hör enbart synteskvaliteten. Provider Voice låter varje leverantör presentera sina egna röster, vilket innebär att lyssnaren bedömer modellen och röstbesättningen tillsammans – klangfärgen, accenten och de skådespelarval som leverantören har valt ut.

ElevenLabs har ägnat år åt att bygga upp den röstuppsättningen. Det är den del av företaget som inte är en modell alls, och det är därför som leverantörstabellen har Eleven v4 och Eleven v4 Turbo på de två översta platserna, med 32 samples av klar luft mellan dem och resten. Tar man bort röstuppsättningen hamnar Eleven v4 på sjunde plats. Speechifys position är spegelbilden: femma med sina egna röster, etta utan dem.

• Kontrollerad röst — SpeechifyAI Simba 3.5 rang 1, Elo 1 192, intervall 1 175 till 1 209, 1 783 prover

• Kontrollerad röst — ElevenLabs Eleven v4, rang 7, Elo 1 155, intervall 1 143–1 167, 3 221 prover

• Kontrollerad röst — ElevenLabs Eleven v4 Turbo rang 6, Elo 1 156, intervall 1 144 till 1 168, 3 327 prover

• Leverantörsröst — ElevenLabs Eleven v4 rang 1, Elo 1 340, intervall 1 325 till 1 355, 2 742 prover

• Leverantörsröst — ElevenLabs Eleven v4 Turbo rank 2, Elo 1 339, intervall 1 323 till 1 355

• Leverantörsröst — SpeechifyAI Simba 3.5 rang 5, Elo 1 294, intervall 1 277 till 1 311, 1 732 prover

• Leverantörsröst — Alibaba Qwen-Audio-3.1-TTS-Plus rank 3 vid 1 300, mellan de två på den listan

Båda skillnaderna är större än intervallen runt dem, så ingen av ordningarna är en ren slump. Simba 3.5:s 37-poängsseger i Controlled Voice och Eleven v4:s 46-poängsseger i Provider Voice är båda verkliga mätningar av olika saker. Det är ovanligt – de flesta modellpar hamnar likadant på båda resultattavlorna – och det är hela innehållet i den här jämförelsen.

Frågan som avgör det

Om din produkt levereras med vilken röst leverantören än har valt – en standardröst för assistenten, ett färdigt berättarspår, en enda företagsröst genom en app – köper du det som Provider Voice mätte, och Eleven v4 vinner det med 46 poäng. Om din produkt låter användare välja en röst, klona sin egen eller ta med en fast varumärkesröst till alla språk, köper du det som Controlled Voice mätte, och Simba 3.5 vinner det med 37.

Ett praktiskt test avgör saken på en eftermiddag: ta tre minuter av ditt eget referensljud, klona det på båda plattformarna och lyssna. En modell som toppar den kontrollerade resultattavlan är en modell som hanterar en obekant röst väl. En modell som toppar leverantörernas resultattavla är en modell med god smak för röster. Det är olika färdigheter, och för din arbetsbelastning behövs bara en av dem.

Priset är inte i närheten, och det är inte hela historien heller

Eleven v4 listas till $0,08 per tusen tecken, vilket är $80 per miljon. Det är priset på ElevenLabs egen API-prissida och den siffra som Artificial Analysis anger för modellen; kampanjperioden som pågick fram till mitten av oktober har upphört, så $80 är det gällande beloppet snarare än en lanseringsartefakt. Eleven v4 Turbo är hälften så dyrt, $40 per miljon.

Simba 3.5 listas till $15, $12 och $10 per miljon tecken för Starter, Pro och Scale – en sänkning från $20, $16 och $12 som det lanserades till den 21 oktober. Till och med den 21 november 2026 debiteras det i stället enligt de äldre modellernas priser: $10, $8 och $6. Efter den 22 november gäller den nya prislistan och erbjudandet gäller inte.

• Eleven v4 — $80.00 per miljon tecken, listpris, ingen aktiv kampanj

• Eleven v4 Turbo — 40,00 USD per miljon tecken

• Simba 3.5 — $15.00 Starter, $12.00 Pro, $10.00 Scale per miljon tecken, från och med 22 november

• Simba 3.5 – 10,00 $, 8,00 $ och 6,00 $ per miljon tecken till och med 21 november

• Simba 3.2 och Simba 3.0 — oförändrade till priserna $10, $8, $6 för samma planer

Fem miljoner tecken i månaden – cirka hundra timmar färdigt tal – gör att Eleven v4 kostar $400 och Simba 3.5 kostar mellan $50 och $75 beroende på plan och datum. Det är en faktor fem till åtta. Den som citerar topplistans $6.58 för Simba 3.5 citerar en planbunden taxa som inte matchar Speechifys publicerade prislista; budgetera utifrån nivåtabellen ovan.

Språk: 48 under ett id mot 90-plus

Det är här jämförelsen slutar vara oavgjord och börjar bli ett dirigeringsbeslut. Simba 3.5 talar 48 språk under ett enda modell-id, upp från de sex som Simba 3.0 täckte, och varje katalogröst – inklusive en klonad sådan – talar alla 48 med samma röst-id. Estniska och kantonesiska finns uttryckligen inte med i listan. Eleven v4 täcker över 90 språk med en gräns på 10 000 tecken per begäran, vilket är ungefär tio minuters tal innan du måste stycka upp det.

Fyrtioåtta språk räcker för de flesta europeiska, latinamerikanska och östasiatiska produktlinjer och inte för en genuint global katalog. Nittio plus räcker för nästan vad som helst, och om ditt krav är "varje språkversion vi säljer i" spelar kvalitetsargumentet ingen roll — en av dessa två kan klara jobbet och den andra kanske inte.

Det finns en varning på 48:an som leverantören säger rakt ut och som de flesta genomgångar hoppar över: en röst behåller accenten från sin källinspelning. En klonad amerikansk röst som talar japanska kommer att låta som en amerikan som talar japanska. Speechifys egen vägledning är att utgå från den personalvalda rösten som är infödd i respektive språk, vilket är anledningen till att staff_pick_rank nu visas i voices-slutpunkten. Röstöverföring mellan språk är tillgänglig; den är inte accentfri.

Latens, kloning och API:ets utformning

Speechify uppger 72 millisekunder till första ljud vid 95:e percentilen av streamingförfrågningar under produktionslast, och 1,8 gånger Simba 3.2:s genomströmning per serveringsinstans. Det är leverantörssiffror som inte har reproducerats. ElevenLabs publicerar ingen jämförbar siffra för Eleven v4 i sig. Den enda uppmätta latenssiffran i Simba-dokumentationen är äldre och snävare: Simba 3.2 vid 56 millisekunder i median och 102 millisekunder vid 90:e percentilen för första byte på serversidan, uppmätt i US East den 15 september 2026 – ett annat mått än tid till första ljud och inte överförbart.

Röstkloning är zero-shot och självbetjäning på båda, med en skillnad i friktion som spelar roll i teamskala. Simba 3.5-kloning är tillgänglig på betalplaner utan godkännande. ElevenLabs erbjuder omedelbara kloner från tio sekunders ljud tillsammans med sin professionella kloningsnivå, och dess samtyckesverifiering är den mer utvecklade av de två — en fördel för den som lanserar användartillhandahållna röster.

Förfrågningsformerna är inte utbytbara, vilket är värt att känna till innan du skriver ett abstraktionslager. Speechify autentiserar med en bearer-token, skickar texten som input, modellen som model och har inget voice_settings-objekt alls. ElevenLabs använder sin egen header och sina egna fältnamn. Båda stöder streaming; Speechifys SSML-stöd är en delmängd, där break, prosody rate, prosody pitch, prosody volume och sub alias tillämpas och emphasis- och emotion-taggar accepteras men ignoreras.

Där en router faktiskt hjälper här

Ingen av modellerna finns på OrcaRouter, och den här artikeln påstår inte motsatsen: Simba-serien nås via Speechifys eget API och ElevenLabs-serien via ElevenLabs. Det vi faktiskt routar är den mindre synteskatalogen som utgör en rättvis kontrollgrupp – openai/tts-1 för 15,00 USD per miljon tecken och openai/tts-1-hd för 30,00 USD, båda till leverantörens listpris utan något påslag.

Routningsargumentet i just den här jämförelsen handlar inte om kvalitet, eftersom svaret på kvalitetsfrågan redan är delat. Det handlar om att de två resultattavlorna inte är eniga, att priserna skiljer sig med en faktor fem till åtta och att båda förhållandena bara gäller fram till att nästa modell släpps. En stack som kan skicka samma manus till två leverantörer och jämföra mot sitt eget ljudunderlag har ett svar som överlever nästa omkörning av resultattavlan; en stack som är hårdkopplad till en av dem måste ompröva beslutet varje kvartal. Automatisk failover täcker också det fall som ingen benchmarkar – en incident på leverantörssidan under en lanseringsvecka.

Ett ärligt omdöme, med slipsen kvar

Eleven v4 är den bättre modellen om du behöver bred språktäckning, en kurerad röstbesättning som du inte behöver bygga upp, de mest mogna verktygen för samtycke och kloning, eller en leverantör som har legat i toppen av ett fält med hundra modeller. Den kostar fem till åtta gånger så mycket och priset är inte ett kampanjpris.

Simba 3.5 är den bättre modellen om dina röster är dina egna – klonade, ägda av varumärket eller valda per språkversion – och om 48 språk täcker de marknader du faktiskt säljer i. Den toppar listan som håller talaren konstant, vilket är listan som förutsäger prestanda för en röst som leverantören aldrig har hört. Den är också tre veckor in i ett prisschema som redan har ändrats en gång, med en model-id-migrering som sker den 21 november, så priset du registrerar dig till är inte nödvändigtvis priset du betalar i december.

Det som ingen av topplistorna berättar för dig är vilken av dem som dina lyssnare föredrar för ditt innehåll. Trettiosju Elo-poäng är en betydande skillnad, och det ersätter inte ett lyssningstest på tre minuter av ditt eget manus i din egen röst. Gör det testet innan du satsar stora volymer på någon av dem.