Simba 3.5 vs Simba 3.2: 110 Elo-poäng, 48 språk och en räkning som fördubblas på nio dagar

Uppgraderingsvägen inom en och samma leverantör är vanligtvis den minst intressanta jämförelsen på den här bloggen. Den här är det inte, eftersom SpeechifyAI Simba 3.5 och SpeechifyAI Simba 3.2 skiljer sig åt mer än genom ett versionsnummer, och skillnaderna pekar i motsatta riktningar. Simba 3.5 är 110 Elo-poäng bättre på Controlled Voice-arenan, talar 48 språk i stället för ett och kostar 50 % mer enligt listpris. Simba 3.2 är snabbare på det enda latensmått som någon faktiskt har mätt, har en lista över tillåtna röster som inte längre begränsar något och behåller sitt gamla pris. Ett team som kör Simba 3.2 i produktion har ett verkligt beslut att fatta före 22 november, och ”uppgradera till den nyare” är inte automatiskt rätt svar.

Datumen först, eftersom det är de som gör detta brådskande snarare än akademiskt. Simba 3.2 släpptes den 8 juli 2026 som en engelskspråkig streamingmodell och rekommenderades till den 18 oktober. Simba 3.5 markerades som rekommenderad den 18 oktober, lanserades offentligt den 21 oktober, fick sitt listpris sänkt den 9 november och blir den 21 november modellen bakom två äldre id:n som fasas ut. Speechify avvecklar inte 3.2 – den finns kvar i listan, behåller sitt pris och går fortfarande att anropa – och det är just därför valet måste göras utifrån sakliga skäl snarare än en deadline.

Arenagapet är det största i någon av modellernas historia

Båda modellerna poängsätts på båda Artificial Analysis-tavlorna. Den kontrollerade tavlan håller talaren konstant över åtta klonade referensröster; leverantörstavlan låter varje leverantör använda sin egen uppsättning röster. Gapet mellan dessa två generationer är större på den kontrollerade tavlan, som är den mer informativa av de två för den som klonar en röst.

• Controlled Voice — Simba 3.5 rang 1, Elo 1 192, plus eller minus 17, intervall 1 175 till 1 209, 1 783 prover

• Kontrollerad röst — Simba 3.2 rang 14, Elo 1 082, plus eller minus 12, intervall 1 070 till 1 094, 3 630 prover

• Provider Voice — Simba 3.5 rank 5, Elo 1 294, plus eller minus 17, intervall 1 277 till 1 311, 1 732 sampel

• Leverantörsröst — Simba 3.2 rang 12, Elo 1 250, plus eller minus 11, intervall 1 239 till 1 261, 3 966 prover

• Två generationer tillbaka — Simba 3.0 rank 27 vid 1 035 kontrollerade, rank 41 vid 1 114 leverantör

Gapet på den kontrollerade tavlan är 110 poäng, med intervall som skiljs åt av mer än 80 poäng tomt utrymme. Det här är inte en marginell omkörning. För kontext: hela topp tio på den tavlan spänner över 62 poäng; en generation av Simba täcker nästan dubbelt så stort intervall. Gapet på leverantörstavlan är mindre, 44 poäng, vilket säger något användbart: en del av det som 3.5 förbättrade är synteskvaliteten på obekanta röster, och en del är helt enkelt ett bättre standardljud.

Generationsmönstret håller också i sig över tre utgåvor. Simba 3.0 till 3.2 var 47 poäng på den kontrollerade resultattavlan; 3.2 till 3.5 var 110. Speechify blir bättre på det här snabbare än tidigare, och 3.2-modellen som rekommenderades i september ligger nu i mitten av tabellen.

Språk: sex, ett, fyrtioåtta

Det här är skillnaden som förändrar arkitekturer snarare än kvalitetspoäng. Simba 3.2 är endast engelska — en röst på ett annat språk returnerar ett 400 med den avvisade språkversionen namngiven i meddelandet. Simba 3.0 täcker sex språk över sju språkversioner. Simba 3.5 täcker 48 under ett och samma id, med estniska och kantonesiska uttryckligen uteslutna och regionala varianter i omfattning.

Det som gör de 48 användbara är att rösten följer med. Varje katalogröst talar alla 48 på Simba 3.5 med samma voice id, och det gör även en röst du har klonat på en betald plan. Det är funktionen som en lokaliseringspipeline har väntat på: en klonad varumärkesröst, fyrtioåtta språk, inget röstutbyte per språk. Leverantörens förbehåll är att en röst behåller accenten från sin källinspelning, och deras rekommendation är att generera med en staff-pick-röst som är infödd i respektive språk – vilket är anledningen till att staff_pick_rank dök upp i voices-endpointen den 18 oktober.

I Simba 3.2 finns inte hela det arbetsflödet. En röst, ett språk. Om din produkt säljs på mer än en marknad är detta inte en poängskillnad; det är skillnaden mellan en integration och två leverantörer.

Latens, där den äldre modellen fortfarande vinner

Speechify publicerar uppmätt latens för Simba 3.2 och endast aggregerade påståenden för 3.5, och den publicerade mätningen är bra. Den 9 oktober 2026, med tidtagning från en klient i US East över varma anslutningar, nådde Simba 3.2 första hörbara ljud på en median på 47 millisekunder över WebSocket-indataströmmen och 64 millisekunder över HTTP-strömmen — det lägsta av de tretton slutpunkter som Speechify mätte den dagen från den platsen. Första byte på serversidan var 56 ms vid p50 och 102 ms vid p90 för produktionstrafik uppmätt 15 september. Företaget är tydligt med att varje värde är en uppmätt percentil snarare än en garanti, och att bilden förändras från Zürich: 142 ms för en annan leverantörs flash-modell mot 145 och 153 ms för sina egna två strömningsvägar.

För Simba 3.5 är de dokumenterade siffrorna leverantörens påståenden snarare än publicerade percentiler: 72 millisekunder till första ljud för 95 % av strömningsförfrågningarna under produktionslast, och 1,8 gånger Simba 3.2:s genomströmning per betjäningsinstans. Dessa kan inte jämföras direkt med en p50 mätt över varma anslutningar. En p95 på 72 ms och en p50 på 47 ms kan vara helt förenliga, och ingen utanför Speechify har kört den mätomgång som skulle fastställa det.

Den praktiska konsekvensen är begränsad men verklig. Om din produkts användarupplevelse är en röstassistent där hundra millisekunders tystnad är märkbar, har du ett uppmätt värde för 3.2 och ett påstående för 3.5, och det ärliga att göra är att mäta 3.5 själv innan du migrerar. Om du renderar ljud till en fil är latensen irrelevant och det här avsnittet gäller inte för dig.

Pris: erbjudandet upphör den 21 november

Speechifys prissättning för dessa två modeller är på väg att skilja sig åt, och ändringsloggen redogör för det exakt.

• Simba 3.5, från 22 november — $15,00 per miljon tecken 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 de äldre modellerna

Simba 3.5, ursprunglig lanseringslista för 21 oktober — $20, $16 och $12, ersattes av en prissänkning den 9 november

• Simba 3.2 — oförändrat till $10.00, $8.00 och $6.00 per miljon tecken på samma planer

Fram till och med den 21 november kostar de två modellerna exakt lika mycket och 3.5 är strikt bättre. Från och med den 22 november kostar 3.5 50 % mer på alla nivåer. På Pro-planen är det 72 USD mot 108 USD för nio miljoner tecken; på Scale, 280,80 USD mot 468 USD för 46,8 miljoner. Saldona är oförändrade, så samma plan ger en tredjedel färre tecken av den nyare modellen till listpris.

Det är en enkel värdebedömning snarare än en knepighet: 110 Elo-poäng och 47 extra språk för ett pristillägg på 50 % är en bra affär för nästan alla arbetsbelastningar som använder någon av funktionerna, och en dålig affär för en engelskspråkig pipeline som redan var nöjd med 3.2:s kvalitet.

Att migrera är en rad, och det är fällan.

Speechifys dokumentation är ovanligt tydlig med att flytten från 3.2 till 3.5 inte kräver någon ändring av API-version: ställ in model på simba-3.5, behåll samma röst-id:n, samma utdataformat, samma speech marks och samma tillämpade SSML-delmängd. Förfrågningar som utelämnar model löses fortfarande till simba-3.0, så standardvärdet flyttar dig inte i tysthet.

Två detaljer komplicerar den enradiga berättelsen. Den första är att språket nu spelar roll: om texten skiljer sig från röstens språkinställning måste du ange det uttryckligen, annars använder API:et röstens språkinställning och du får en accent som du inte avsåg. Den andra är 21 november i sig. Det datumet slutar de två Simba 1.6-id:na, simba-english och simba-multilingual, att betjänas av sin gamla träning och börjar betjänas av Simba 3.5, debiterade enligt Simba 3.5:s taxa, på alla API-versioner som fortfarande kan ange dem. En integration som är låst till de gamla id:na kommer att byta röst och byta pris samma dag utan en kodändring. Att testa 3.5 medvetet före dess är det enda sättet att välja.

Det finns också en tyst förbättring som är värd att känna till: den 20 oktober började prosody pitch och prosody volume tillämpas på Simba 3.5, 3.2 och 3.0, där de tidigare hade accepterats och ignorerats. Om du skickar dessa attribut i dag och inte ville ha ändringen är Speechifys eget råd att ta bort dem. Emphasis- och emotion-taggar accepteras fortfarande men tillämpas inte på någon av de tre modellerna.

Var OrcaRouter passar in i en uppgradering inom familjen

Ingen av Simba-modellerna finns på OrcaRouter – den vägen nås via Speechifys eget API, och ingenting här bör läsas som ett påstående om motsatsen. Det vi däremot routar är den synteskatalog du skulle använda som kontroll medan du bestämmer dig: openai/tts-1 till $15.00 per miljon tecken och openai/tts-1-hd till $30.00, till leverantörens listpris utan något påslag.

Det användbara en router gör i en migrering som den här är att göra den gamla vägen överlevnadsbar medan den nya bevisas. Kör 3.5 mot leverantörens API under en vecka med verklig trafik, behåll 3.2 som reserv och routa runt en incident i stället för att upptäcka den i produktion — automatisk failover kostar ingenting när ingenting går fel och köper hela lanseringsfönstret när något gör det. Samma enda nyckel innebär också att den OpenAI-röst du redan använde förblir nåbar medan du bestämmer om någon av Simba-generationerna ersätter den.

Vilken du ska köra, beroende på arbetsbelastning

Stanna kvar på Simba 3.2 om din arbetsbelastning är engelsk, dina röster är engelska, din kvalitetsribba redan uppnåddes i juli och den uppmätta siffran 47 ms till första hörbara ljud är bärande i din produkt. Du betalar den lägre avgiften till och med den 21 november och för alltid därefter, och inget i 3.5 förbättrar din output. Det finns inget avvecklingsdatum för 3.2; Speechify har sagt det uttryckligen.

Byt till Simba 3.5 om något av följande stämmer: du behöver ett andra språk, du klonar röster och vill ha ett röst-id över alla språkversioner, din kvalitetsribba för engelska har förändrats, eller du bygger något nytt. Gapet på 110 punkter i controlled-board är det största generationsklivet som Speechify har producerat, och täckningen på 48 språk är inte tillgänglig på något annat sätt inom den här familjen. Gör det före 21 november om du vill utvärdera det till de äldre modellernas priser, och ange modell-id:t explicit så att avvecklingen inte väljer åt dig.

Oavsett vilken väg du väljer har beslutet ett granskningsdatum i stället för ett permanent svar. Simba 3.5 har 1,783 kontrollerade röstprover jämfört med 3.2:s 3,630, så dess intervall kommer att minska. Dess listpris har redan ändrats en gång på tre veckor. Och Alibabas Qwen-Audio-3.1-TTS-Plus, med 1,176 på samma lista, ligger 16 poäng efter det nuvarande flaggskeppet från Simba till ett jämförbart pris på samma lista – tillräckligt nära för att nästa lansering på endera sidan ska öppna frågan igen.