Simba 3.5 vs Qwen-Audio-3.0-TTS: Två sätt att lösa språkproblemet, varav endast ett är dokumenterat

Både SpeechifyAI Simba 3.5 och Alibaba Qwen-Audio-3.0-TTS kommer att läsa ditt manus på andra språk än engelska. De når dit via motsatta vägar. Simba 3.5 publicerar en lista: 48 språk, ett modell-id, varje röst i katalogen talar alla dem, och estniska och kantonesiska anges som undantagen. Qwen-Audio-3.0-TTS publicerar ett instruktionsfält, och det dokumenterade sättet att få den att tala nederländska är att skicka meningen "Tala nederländska, långsamt och tydligt." Det ena är en specifikation som du kan bygga en språkmatris utifrån. Det andra är en prompt, och skillnaden mellan dem är det mest användbara i den här jämförelsen.

Ålder spelar roll här också, på ett sätt som det vanligtvis inte gör. Qwen-Audio-3.0-TTS lanserades den 20 juli 2026 och har sedan dess ersatts i toppen av Alibabas utbud av Qwen-Audio-3.1-TTS-Plus, som för närvarande innehar tredjeplatsen på Controlled Voice-tavlan. 3.0 Plus-nivån är fortfarande listad och fortfarande den med den starkare uppmätta positionen på Provider Voice. Simba 3.5 anlände den 21 oktober 2026 och är tre veckor in i ett prisschema som redan har reviderats en gång.

Siffrorna, sida vid sida där de finns

Artificial Analysis poängsätter båda modellerna på båda listorna, vilket gör detta till en av få matchningar inom talområdet där man kan jämföra lika med lika i stället för att extrapolera från en föregångare.

• Kontrollerad röst — SpeechifyAI Simba 3.5 rang 1, Elo 1 192, plus eller minus 17, 1 783 prover

• Kontrollerad röst — Alibaba Qwen-Audio-3.0-TTS-Plus rang 10, Elo 1 130, plus eller minus 12, 3 596 prover

• Leverantörsröst — SpeechifyAI Simba 3.5 rang 5, Elo 1 294, plus eller minus 17, 1 732 prover

• Leverantörsröst — Alibaba Qwen-Audio-3.0-TTS-Plus rang 10, Elo 1 264, plus eller minus 13, 3 056 prover

• Kontrollerad röst – Alibaba Qwen-Audio-3.1-TTS-Plus rank 3, Elo 1 176, plus eller minus 12 – den nyare Alibaba-modellen, och den att hålla koll på

• Pris på tavlan — Qwen-Audio-3.0-TTS-Plus 19,31 USD per miljon tecken på båda tavlorna; Simba 3.5 listas till 6,58 USD, en planinbäddad taxa som inte matchar Speechifys publicerade lista

Simba 3.5 leder med 62 poäng på den kontrollerade tavlan och 30 på leverantörstavlan, och intervallen separerar tydligt i båda fallen. Det är ett tydligt kvalitetsresultat till Simbas fördel, och det är värt att notera vad som inte förklarar det: antalet sampel. Qwen-Audio-3.0-TTS-Plus har dubbelt så många röster för kontrollerad röst bakom sin uppskattning, så det här är en välmätt 1 130 snarare än en brusig sådan.

Den intressanta detaljen är Alibabas egen serie. Qwen-Audio-3.1-TTS-Plus ligger 46 poäng över Qwen-Audio-3.0-TTS-Plus på den kontrollerade testtavlan, vilket innebär att Alibabas modell i nuvarande generation ligger mycket närmare Simba 3.5 än vad 3.0 gör. Den som jämför mot 3.0-nivån mäter en modell som redan har förbättrats en gång.

Fyrtioåtta listade språk mot ett instruktionsfält

Speechifys dokumentation är ovanligt konkret för ett tal-API. Simba 3.5:s 48 språk går att räkna upp, varje katalogröst – och varje klonad röst för betalplan – talar alla dem, och modellen tar en standardiserad språktagg i BCP-47-stil som ja-JP, med alla regionala varianter av ett listat språk inom ramen. Paret som utesluts, estniska och kantonesiska, anges. Speechify markerar också vilka röster som är personalens favoriter i varje språkområde och rangordnar dem med fältet staff_pick_rank, eftersom en röst behåller accenten från sin källinspelning och rekommendationen är att generera med en röst som är infödd i språket.

Alibabas metod är flexibel i en annan riktning. Qwen-Audio-3.0-TTS tar emot en instruktion i naturligt språk som beskriver framförandet – tempo, känsla, persona – och den dokumenterade tekniken för ett målspråk är att ange detta i instruktionen, där instruktionen måste matcha språket i texten. Den stöder också explicit uttalskontroll via language_hints och hot_fix, SSML- och LaTeX-indata samt inline-taggar för känslor och icke-verbala uttryck som [excited], [sad], [laughing] och [sighing]. Begäranden som inte streamas returnerar en ljud-URL som är giltig i 24 timmar; vid streaming returneras base64-delar. Modellen tillhandahålls från Singapore och Beijing.

Den taggvokabulären är en verklig fördel och Simba 3.5 matchar den inte. Speechify tillämpar break, prosody rate, prosody pitch, prosody volume och sub alias; emphasis- och emotion-taggar accepteras men tillämpas inte. Om din produkt behöver ett skratt mitt i en rad, eller en suck i slutet av en rad, gör Qwen-Audio-3.0-TTS det idag och Simba 3.5 gör det inte.

Avvägningen är enkel när den väl har formulerats: Qwen ger dig uttrycksmässig kontroll och lämnar språkstödet till prosan; Speechify ger dig en uppräknad språklista och en snävare uttrycksyta. För en lokaliseringspipeline är den uppräknade listan värd mer, eftersom en locale-matris är något man kan testa, citera i en arbetsbeskrivning och låta ett bygge falla på. ”Tala nederländska, långsamt och tydligt” är något man måste lyssna på.

Prissättning, omvandlad till ett nummer du kan jämföra

Alibaba fakturerar syntes per indatatecken i yuan, med regionala taxor som skiljer sig mellan distributionerna i Peking och Singapore. Qwen-Audio-3.0-TTS-Plus listas till ¥1,4 per 10 000 tecken i Peking; Flash-nivån ligger på ¥1,0. Artificial Analysis normaliserar Plus-nivån till $19,31 per miljon tecken, vilket är siffran att använda om du jämför mot en leverantör med dollarprissättning i stället för att bygga en regional budget. Varje listad Qwen-Audio-modell har en gratis kvot på en miljon token i Pekingregionen i 90 dagar från aktivering eller lansering, beroende på vilket som inträffar senast.

Speechify publicerar i dollar per miljon tecken och har redan ändrat sig en gång:

Simba 3.5, prislista från 22 november — $15.00 per miljon på Starter, $12.00 på Pro, $10.00 på Scale

• Simba 3.5, till och med 21 november — 10,00 $, 8,00 $ och 6,00 $, priserna för Simba 3.2 och 3.0

• Simba 3.5, ursprunglig lanseringslista den 21 oktober – $20, $16 och $12, ersatt av sänkningen den 9 november

• Simba 3.2 och Simba 3.0 — $10, $8 och $6 per miljon tecken, oförändrat

Till listpris ligger Simba 3.5 på mellan ungefär hälften och tre fjärdedelar av Qwen-Audio-3.0-TTS-Plus listpris beroende på plan, och under erbjudandeperioden är det en tredjedel till hälften. Inget av dem är dyrt i absoluta termer – fem miljoner tecken i månaden kostar under 100 dollar för båda – så priset är sannolikt inte den avgörande faktorn om du inte har en mycket stor katalog. Språktäckning och uttrycksfull kontroll är det förmodligen.

Vad datumet 21 november gör med detta beslut

Speechifys Simba 1.6-id:n – simba-english och simba-multilingual – drogs tillbaka från urvalet i API-version 2026-09-21. Den 21 november 2026 tillhandahålls båda av Simba 3.5 på alla språk och debiteras som simba-3.5, i alla API-versioner som fortfarande kan ange dem. En integration som har kört simba-multilingual sedan i somras kommer att byta röst och ändra pris det datumet utan någon kodändring.

Alibaba har ingen motsvarande schemalagd händelse i den här jämförelsen. Qwen-Audio-3.0-TTS finns fortfarande listad bredvid 3.1-SKU:erna, och 3.1-serien faktureras i en annan enhet – tokens i stället för tecken – så de två generationerna kan inte jämföras genom att dividera en cell i prislistan med en annan. Om du kör 3.0 i dag är migreringen till 3.1 ett riktigt projekt snarare än ett env rads byte av modell-id, och gapet på 46 punkter i den kontrollerade testpanelen mellan de två nivåerna är anledningen att schemalägga den.

Där var och en är rätt val

Välj Simba 3.5 om ditt problem är bredd under ett enda röst-id: en produkt som levererar en varumärkesröst över dussintals lokaler, en äldre katalog som måste renderas om på språk som ingen i teamet talar, eller en tillgänglighetsuppläsning där samma klonade röst måste följa användaren från engelska till spanska utan att låta som en annan person. Språklistan med antal, rankningen av personalens val och zero-shot-kloningen utan godkännande är funktionerna som gör att det fungerar, och ledningen med 62 poäng i den kontrollerade panelen innebär att kvaliteten håller när rösten inte är en som leverantören har valt.

Välj Qwen-Audio-3.0-TTS om ditt problem är prestanda snarare än täckning: ljudboks- och poddarbete där en [excited]-tagg är motiverad, innehåll med mandarin i första hand där Alibabas röstkatalog och uttalskontroller är som djupast, eller en driftsättning som måste ligga i en Singapore- eller Peking-region. Instruktionsfältet är genuint mer uttrycksfullt än vad Speechify erbjuder, och vägarna för icke-strömmande URL och SSE-chunkar täcker både batch- och live-rendering.

OrcaRouter tillhandahåller inte någon av dessa produktlinjer – Simba nås via Speechifys eget API, Qwen via Alibaba Cloud Model Studio – och ingenting här bör läsas som ett påstående om motsatsen. Det vi dirigerar är en mindre synteskatalog som fungerar som en neutral kontroll när du testar: openai/tts-1 till $15.00 per miljon tecken och openai/tts-1-hd till $30.00, båda till leverantörens listpris utan påslag, tillsammans med google/gemini-3.1-flash-tts-preview. Att rendera samma treminutersmanus genom dessa och genom båda kandidaterna är det billigaste sättet att avgöra en fråga som två ledartabeller bara kan snäva in.

Delen som båda leverantörerna lämnar åt dig att räkna ut

Ingen av modellerna kommer att berätta för dig om dess icke-engelska utdata är tillräckligt bra för din publik, och arenan kommer inte heller att göra det: Controlled Voice-tavlan är en engelskspråkig utvärdering på åtta engelska referensröster, fyra amerikanska och fyra brittiska. En 62-poängsledning mätt i engelska säger inget direkt om japanska, polska eller brasiliansk portugisiska. Speechifys svar är att peka på personalens val per språk; Alibabas är att peka på instruktioner och en röstlista. Båda ber dig att lyssna.

Det är den ärliga avslutningen om det här paret. Den ena är nyare, billigare enligt listpris, bättre mätt på engelska och dokumenterad ända ned till antalet språk. Den andra är mer uttrycksfull, mer etablerad i kinesiskspråkigt arbete, mitt i en generationsväxling och styrd av ett instruktionsfält snarare än en specifikation. Testa båda på de två språkversioner som faktiskt står för dina intäkter, så blir resten av jämförelsen en avgörare i sista hand snarare än själva beslutet.