Simba 3.5 กับ Eleven v4: ลีดเดอร์บอร์ดสองอันขัดแย้งกัน และมีเพียงอันเดียวเท่านั้นที่เกี่ยวกับผลิตภัณฑ์ของคุณ

นำ SpeechifyAI Simba 3.5 และ ElevenLabs Eleven v4มาวางบนโต๊ะเดียวกัน แล้วผลลัพธ์ก็ขึ้นอยู่กับว่าคุณอ่านกระดานใดของ Artificial Analysis ทั้งหมด บน Controlled Voice — ซึ่งใช้เสียงอ้างอิงที่โคลนมาแปดเสียงเดียวกันสำหรับผู้เข้าทดสอบทุกราย — Simba 3.5 อยู่อันดับหนึ่งที่ 1,192 และ Eleven v4 อยู่อันดับเจ็ดที่ 1,155 เป็นช่องว่าง 37 คะแนนที่ช่วงความเชื่อมั่นไม่ทับกัน ส่วนบน Provider Voice — ซึ่งใช้ชุดเสียงของผู้ให้บริการแต่ละรายเอง — Eleven v4 อยู่อันดับหนึ่งที่ 1,340 และ Simba 3.5 อยู่อันดับห้าที่ 1,294 เป็นช่องว่าง 46 คะแนนในทิศทางตรงกันข้าม และแยกกันได้ชัดเจนเช่นกัน ไม่มีตัวเลขใดผิด ทั้งสองกำลังวัดผลิตภัณฑ์ที่แตกต่างกัน และตัวเลขที่คุณควรเชื่อนั้นถูกกำหนดโดยคำถามเกี่ยวกับสแตกของคุณ ไม่ใช่เกี่ยวกับผู้ให้บริการรายใดรายหนึ่ง

คณะกรรมการทั้งสองชุด และเหตุใดจึงมีความเห็นขัดแย้งกันอย่างสิ้นเชิง

Controlled Voice ทำให้ผู้พูดคงที่ Artificial Analysis โคลนเสียงชาวอเมริกันสี่เสียงและเสียงชาวบริติชสี่เสียง และให้ทุกโมเดลพูดบทเดียวกันด้วยเสียงเดียวกันเหล่านั้น ดังนั้นผู้ฟังที่เปรียบเทียบตัวอย่างสองตัวอย่างจึงได้ยินเพียงคุณภาพการสังเคราะห์เสียงเท่านั้น Provider Voice ให้ผู้ให้บริการแต่ละรายเสนอเสียงของตนเอง ซึ่งหมายความว่าผู้ฟังกำลังตัดสินทั้งโมเดลและทีมนักพากย์ไปพร้อมกัน — น้ำเสียง สำเนียง และการเลือกวิธีการแสดงที่ผู้ให้บริการคัดสรรไว้

ElevenLabs ใช้เวลาหลายปีในการสร้างชุดเสียงนักพากย์นั้นขึ้นมา มันเป็นส่วนของบริษัทที่ไม่ใช่โมเดลเลย และเป็นเหตุผลว่าทำไมคณะกรรมการผู้ให้บริการจึงจัดให้ Eleven v4 และ Eleven v4 Turbo อยู่ในสองอันดับแรก โดยมีช่องว่าง 32 แซมเปิลที่ชัดเจนระหว่างสองรุ่นนี้กับรุ่นที่เหลือ ถ้าตัดชุดเสียงนักพากย์ออกไป Eleven v4 จะตกลงมาอยู่อันดับที่เจ็ด ตำแหน่งของ Speechify เป็นภาพสะท้อนตรงกันข้าม: อันดับที่ห้าเมื่อใช้เสียงของตัวเอง และอันดับหนึ่งเมื่อไม่มีเสียงเหล่านั้น

• เสียงควบคุม — SpeechifyAI Simba 3.5 อันดับ 1, Elo 1,192, ช่วง 1,175 ถึง 1,209, ตัวอย่าง 1,783

• เสียงที่ควบคุมได้ — ElevenLabs Eleven v4 อันดับ 7, Elo 1,155, ช่วง 1,143 ถึง 1,167, ตัวอย่าง 3,221 รายการ

• เสียงที่ควบคุมได้ — ElevenLabs Eleven v4 Turbo อันดับ 6, Elo 1,156, ช่วง 1,144 ถึง 1,168, ตัวอย่าง 3,327 รายการ

• เสียงของผู้ให้บริการ — ElevenLabs Eleven v4 อันดับ 1, Elo 1,340, ช่วง 1,325 ถึง 1,355, ตัวอย่าง 2,742 รายการ

• เสียงผู้ให้บริการ — ElevenLabs Eleven v4 Turbo อันดับ 2, Elo 1,339, ช่วง 1,323 ถึง 1,355

• เสียงผู้ให้บริการ — SpeechifyAI Simba 3.5 อันดับ 5, Elo 1,294, ช่วง 1,277 ถึง 1,311, ตัวอย่าง 1,732 รายการ

• ผู้ให้บริการเสียง — Alibaba Qwen-Audio-3.1-TTS-Plus อันดับ 3 ที่ 1,300 อยู่ระหว่างสองรายบนบอร์ดนั้น

ช่องว่างทั้งสองมีขนาดใหญ่กว่าช่วงรอบๆ ช่องว่างเหล่านั้น ดังนั้นไม่ว่าลำดับใดก็ไม่ใช่การโยนเหรียญ การชนะ 37 คะแนนใน Controlled Voice ของ Simba 3.5 และการชนะ 46 คะแนนใน Provider Voice ของ Eleven v4 ล้วนเป็นการวัดสิ่งต่างๆ ที่แตกต่างกันจริงๆ นั่นเป็นเรื่องผิดปกติ — คู่โมเดลส่วนใหญ่ให้ผลแบบเดียวกันบนบอร์ดทั้งสอง — และนั่นคือเนื้อหาทั้งหมดของการเปรียบเทียบนี้

คำถามที่ชี้ขาด

หากผลิตภัณฑ์ของคุณส่งมอบเสียงใดก็ตามที่ผู้ขายเลือก — ไม่ว่าจะเป็นเสียงผู้ช่วยเริ่มต้น แทร็กบรรยายสำเร็จรูป หรือเสียงแบรนด์เดียวที่ใช้ทั่วทั้งแอป — คุณกำลังซื้อสิ่งที่ Provider Voice วัดผลไว้ และ Eleven v4 ชนะในด้านนั้นด้วยคะแนนนำ 46 คะแนน หากผลิตภัณฑ์ของคุณให้ผู้ใช้เลือกเสียง โคลนเสียงของตนเอง หรือนำเสียงแบรนด์ที่กำหนดไว้ตายตัวไปใช้กับทุกภาษา คุณกำลังซื้อสิ่งที่ Controlled Voice วัดผลไว้ และ Simba 3.5 ชนะในด้านนั้นด้วยคะแนนนำ 37 คะแนน

มีแบบทดสอบเชิงปฏิบัติที่ช่วยตัดสินเรื่องนี้ได้ภายในบ่ายวันเดียว: เอาเสียงอ้างอิงของคุณเอง长约 3 นาที ไปโคลนบนทั้งสองแพลตฟอร์ม แล้วฟังผล โมเดลที่ขึ้นนำบอร์ดแบบควบคุมคือโมเดลที่จัดการกับเสียงที่ไม่คุ้นเคยได้ดี ส่วนโมเดลที่ขึ้นนำบอร์ดของผู้ให้บริการคือโมเดลที่มีรสนิยมดีในการเลือกเสียง สองสิ่งนี้เป็นทักษะที่ต่างกัน และงานของคุณต้องการเพียงอย่างใดอย่างหนึ่งเท่านั้น

ราคาไม่ใกล้เคียง และไม่ใช่เรื่องทั้งหมดเช่นกัน

Eleven v4 ประกาศราคาที่ 0.08 ดอลลาร์ต่อพันตัวอักษร ซึ่งเท่ากับ 80 ดอลลาร์ต่อล้านตัวอักษร นี่คืออัตราที่ระบุอยู่บนหน้าราคา API ของ ElevenLabs เอง และเป็นตัวเลขที่ Artificial Analysis บันทึกไว้สำหรับโมเดลนี้ ช่วงเวลาโปรโมชันที่ดำเนินไปจนถึงกลางเดือนตุลาคมได้สิ้นสุดลงแล้ว ดังนั้น 80 ดอลลาร์จึงเป็นตัวเลขที่เป็นมาตรฐานในปัจจุบัน ไม่ใช่ผลพวงจากการเปิดตัว Eleven v4 Turbo มีราคาเพียงครึ่งหนึ่งของจำนวนนั้น คือ 40 ดอลลาร์ต่อล้านตัวอักษร

Simba 3.5 มีราคาตามรายการที่ $15, $12 และ $10 ต่อล้านตัวอักษรสำหรับ Starter, Pro และ Scale ตามลำดับ — ลดลงจาก $20, $16 และ $12 ที่เปิดตัวเมื่อวันที่ 21 ตุลาคม ไปจนถึงวันที่ 21 พฤศจิกายน 2026 จะคิดเงินในอัตราของโมเดลรุ่นเก่าแทน: $10, $8 และ $6 หลังจากวันที่ 22 พฤศจิกายน ราคาตามรายการใหม่จะมีผล และข้อเสนอนี้จะไม่มีผล

• Eleven v4 — 80.00 ดอลลาร์สหรัฐต่อล้านตัวอักษร ราคาตามรายการ ไม่มีโปรโมชันที่ใช้งานอยู่

• Eleven v4 Turbo — $40.00 ต่อล้านตัวอักษร

• Simba 3.5 — Starter $15.00, Pro $12.00, Scale $10.00 ต่อล้านตัวอักษร ตั้งแต่ 22 พฤศจิกายน

• Simba 3.5 — $10.00, $8.00 และ $6.00 ต่อล้านตัวอักษรจนถึงวันที่ 21 พฤศจิกายน

• Simba 3.2 และ Simba 3.0 — ไม่เปลี่ยนแปลงที่ราคา $10, $8, $6 ในแพ็กเกจเดิม

ที่ 5 ล้านตัวอักษรต่อเดือน — ประมาณหนึ่งร้อยชั่วโมงของคำพูดที่เสร็จสมบูรณ์ — Eleven v4 มีค่าใช้จ่าย $400 และ Simba 3.5 มีค่าใช้จ่ายระหว่าง $50 ถึง $75 ขึ้นอยู่กับแผนและวันที่ นั่นคืออัตราส่วน 5 ถึง 8 เท่า ใครก็ตามที่อ้างราคา $6.58 จากลีดเดอร์บอร์ดสำหรับ Simba 3.5 กำลังอ้างอัตราที่ฝังอยู่ในแผนซึ่งไม่ตรงกับรายการที่เผยแพร่ของ Speechify; ให้จัดงบประมาณจากตารางระดับชั้นด้านบน

ภาษา: 48 ภายใต้ไอดีเดียว เทียบกับกว่า 90 ภาษา

นี่คือจุดที่การเปรียบเทียบไม่ใช่การเสมอกันอีกต่อไป แต่เริ่มกลายเป็นการตัดสินใจด้าน routing Simba 3.5 พูดได้ 48 ภาษาภายใต้ model id เดียว เพิ่มขึ้นจาก 6 ภาษาที่ Simba 3.0 รองรับ และทุกเสียงในแค็ตตาล็อก — รวมถึงเสียงที่โคลนมา — พูดได้ทั้ง 48 ภาษาด้วย voice id เดียวกัน ภาษาเอสโตเนียและภาษากวางตุ้งไม่ถูกระบุอยู่ในรายการอย่างชัดเจน Eleven v4 รองรับกว่า 90 ภาษา โดยมีขีดจำกัด 10,000 ตัวอักษรต่อคำขอ ซึ่งคิดเป็นคำพูดประมาณสิบ minutos ก่อนที่คุณจะต้องแบ่งเป็นท่อน

สี่สิบแปดภาษาเพียงพอสำหรับสายผลิตภัณฑ์ส่วนใหญ่ในยุโรป ลาตินอเมริกา และเอเชียตะวันออก แต่ยังไม่พอสำหรับแคตตาล็อกระดับโลกอย่างแท้จริง เก้าสิบกว่าภาษาเพียงพอสำหรับแทบทุกอย่าง และหากข้อกำหนดของคุณคือ “ทุกโลเคลที่เราขาย” การถกเถียงเรื่องคุณภาพก็หมดความสำคัญไป — หนึ่งในสองตัวเลือกนี้ทำงานได้ ส่วนอีกตัวอาจทำไม่ได้

มีข้อแม้เกี่ยวกับ 48 ที่ผู้ขายพูดออกมาตรง ๆ แต่สื่อส่วนใหญ่ข้ามไป นั่นคือ เสียงหนึ่งจะคงสำเนียงของการบันทึกต้นฉบับไว้ เสียงอเมริกันที่ถูกโคลนแล้วพูดภาษาญี่ปุ่นจะฟังดูเหมือนคนอเมริกันกำลังพูดภาษาญี่ปุ่น คำแนะนำของ Speechify เองคือให้เริ่มจากเสียงที่ทีมงานคัดสรรซึ่งเป็นเสียงเจ้าของภาษาของแต่ละภาษา ซึ่งเป็นเหตุผลว่าทำไม staff_pick_rank จึงปรากฏอยู่ใน voices endpoint การถ่ายโอนเสียงข้ามภาษานั้นทำได้ แต่ไม่ได้ปลอดจากสำเนียง

ความหน่วง การโคลน และรูปแบบ API

Speechify รายงานเวลาถึงเสียงแรก (time to first audio) ที่ 72 มิลลิวินาที ณ เปอร์เซ็นไทล์ที่ 95 ของคำขอสตรีมมิ่งภายใต้ภาระงานจริงในการผลิต และมีทรูพุตต่ออินสแตนซ์ที่ให้บริการเป็น 1.8 เท่าของ Simba 3.2 ตัวเลขเหล่านี้เป็นตัวเลขจากผู้จำหน่ายซึ่งยังไม่มีการจำลองซ้ำ ElevenLabs ไม่ได้เผยแพร่ตัวเลขที่เทียบเคียงได้สำหรับ Eleven v4 เอง ตัวเลขความหน่วงที่วัดได้เพียงตัวเดียวในเอกสารของ Simba นั้นเก่ากว่าและแคบกว่า นั่นคือ Simba 3.2 ที่ 56 มิลลิวินาที (มัธยฐาน) และ 102 มิลลิวินาที ณ เปอร์เซ็นไทล์ที่ 90 สำหรับไบต์แรกฝั่งเซิร์ฟเวอร์ ซึ่งวัดในภูมิภาค US East เมื่อวันที่ 15 กันยายน 2026 — เป็นเมตริกที่ต่างจากเวลาถึงเสียงแรกและไม่สามารถนำมาใช้แทนกันได้

การโคลนเสียงเป็นแบบ zero-shot และให้บริการด้วยตนเองทั้งสองเจ้า โดยมีความต่างในเรื่องความยุ่งยากที่สำคัญเมื่อใช้งานในระดับทีม การโคลนของ Simba 3.5 ใช้ได้บนแผนแบบเสียเงินโดยไม่ต้องขออนุมัติ ElevenLabs มีโคลนแบบทันทีจากเสียงสิบวินาทีพร้อมกับระดับโคลนระดับมืออาชีพ และการตรวจสอบความยินยอมของเจ้านี้พัฒนากว่าอีกเจ้าหนึ่ง — นับเป็นข้อได้เปรียบสำหรับใครก็ตามที่ให้บริการเสียงซึ่งผู้ใช้จัดหาเอง

รูปแบบคำขอไม่สามารถใช้แทนกันได้ ซึ่งควรรู้ไว้ก่อนคุณเขียน abstraction layer Speechify ยืนยันตัวตนด้วย bearer token ส่งข้อความเป็น input ส่ง model เป็น model และไม่มีออบเจ็กต์ voice_settings เลย ElevenLabs ใช้ header ของตัวเองและชื่อฟิลด์ของตัวเอง ทั้งสองรองรับ streaming ส่วนการรองรับ SSML ของ Speechify เป็นเพียงชุดย่อย โดยมีการใช้ break, prosody rate, prosody pitch, prosody volume และ sub alias ส่วนแท็ก emphasis และ emotion จะถูกยอมรับแต่ถูกละเลย

จุดไหนที่เราเตอร์ช่วยได้จริงในสถานการณ์นี้

โมเดลทั้งสองไม่ได้อยู่บน OrcaRouter และบทความนี้ไม่ได้อ้างเป็นอย่างอื่น: สาย Simba เข้าถึงผ่าน API ของ Speechify เอง ส่วนสาย ElevenLabs ผ่าน API ของ ElevenLabs สิ่งที่เรากำหนดเส้นทางคือแคตตาล็อกการสังเคราะห์เสียงที่เล็กกว่า ซึ่งสร้างกลุ่มควบคุมที่ยุติธรรม — openai/tts-1 ในราคา $15.00 ต่อล้านอักขระ และ openai/tts-1-hd ในราคา $30.00, ทั้งคู่ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่มใด ๆ.

ข้อโต้แย้งเรื่องการเลือกเส้นทางในการเปรียบเทียบเฉพาะคู่นี้ไม่ใช่เรื่องคุณภาพ เพราะผลด้านคุณภาพแยกกันอยู่แล้ว แต่เป็นเรื่องที่บอร์ดทั้งสองให้ผลไม่ตรงกัน ราคาต่างกัน 5 ถึง 8 เท่า และข้อเท็จจริงทั้งสองข้อนี้จะคงอยู่เพียงจนกว่าโมเดลถัดไปจะออกจำหน่าย สแต็กที่สามารถส่งสคริปต์เดียวกันไปยังผู้ให้บริการสองรายและเปรียบเทียบด้วยเสียงของตัวเองได้ จะมีคำตอบที่อยู่รอดจากการจัดอันดับรอบถัดไป ส่วนสแต็กที่ผูกติดตายตัวกับผู้ให้บริการรายใดรายหนึ่งจะต้องกลับมาถกเถียงการตัดสินใจใหม่ทุกไตรมาส การสลับสำรองอัตโนมัติยังครอบคลุมกรณีที่ไม่มีใครวัดประสิทธิภาพ — เหตุการณ์ฝั่งผู้ให้บริการระหว่างสัปดาห์เปิดตัว

คำตัดสินอย่างตรงไปตรงมา โดยยังคงผลเสมอไว้

Eleven v4 เป็นโมเดลที่ดีกว่าหากคุณต้องการความครอบคลุมภาษาที่กว้างขวาง นักพากย์เสียงที่คัดสรรแล้วซึ่งคุณไม่ต้องสร้างเอง เครื่องมือด้านความยินยอมและการโคลนเสียงที่สมบูรณ์ที่สุด หรือตำแหน่งผู้นำบนกระดานผู้ให้บริการที่ยังคงครองอันดับต้น ๆ ของสนามที่มีโมเดลหนึ่งร้อยโมเดล แต่มีค่าใช้จ่ายสูงกว่า 5 ถึง 8 เท่า และราคานี้ไม่ใช่ราคาโปรโมชัน

Simba 3.5 เป็นโมเดลที่ดีกว่าหากเสียงของคุณเป็นเสียงของคุณเอง — ไม่ว่าจะโคลนมา เป็นของแบรนด์ หรือเลือกตามแต่ละโลแคล — และหาก 48 ภาษาครอบคลุมตลาดที่คุณขายจริง ๆ มันนำอันดับบนกระดานที่ควบคุมผู้พูดให้คงที่ ซึ่งเป็นกระดานที่ทำนายประสิทธิภาพบนเสียงที่ผู้ขายไม่เคยได้ยินมาก่อน นอกจากนี้ยังเพิ่งเข้าสู่กำหนดการราคามาได้สามสัปดาห์ ซึ่งกำหนดการนี้เปลี่ยนไปแล้วครั้งหนึ่ง โดยมีการย้าย model-id ที่จะมีผลในวันที่ 21 พฤศจิกายน ดังนั้นตัวเลขที่คุณสมัครไว้อาจไม่ใช่ตัวเลขที่คุณจะจ่ายในเดือนธันวาคม

สิ่งที่บอร์ดทั้งสองไม่ได้บอกคุณก็คือผู้ฟังของคุณชอบตัวไหนเมื่อใช้กับคอนเทนต์ของคุณ Elo 37 คะแนนเป็นช่องว่างที่มีนัยสำคัญ และมันไม่ใช่สิ่งทดแทนการทดสอบการฟังด้วยสคริปต์ของคุณเองสามนาทีในเสียงของคุณเอง จงทำการทดสอบนั้นก่อนที่คุณจะทุ่มปริมาณให้กับตัวใดตัวหนึ่ง