Simba 3.5 กับ Qwen-Audio-3.0-TTS: สองแนวทางในการแก้ปัญหาภาษา ซึ่งมีเพียงแนวทางเดียวเท่านั้นที่ได้รับการจัดทำเอกสาร
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 226 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 83 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 177 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 52 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 131 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 64 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 185 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 186 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 122 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 312 tok/s
ทั้งSpeechifyAI Simba 3.5และAlibaba Qwen-Audio-3.0-TTSจะอ่านสคริปต์ของคุณในภาษาที่ไม่ใช่ภาษาอังกฤษ ทั้งสองไปถึงจุดนั้นด้วยเส้นทางที่ตรงกันข้าม Simba 3.5 เปิดเผยรายการหนึ่ง: 48 ภาษา, ไอดีโมเดลเดียว, เสียงทุกเสียงในแค็ตตาล็อกพูดได้ทุกภาษาเหล่านั้น และเอสโตเนียกับกวางตุ้งถูกระบุชื่อเป็นข้อยกเว้น Qwen-Audio-3.0-TTS เปิดเผยฟิลด์คำสั่ง และวิธีที่เอกสารระบุไว้เพื่อทำให้มันพูดภาษาดัตช์คือส่งประโยค “Speak in Dutch, slowly and clearly.” ให้มัน หนึ่งในนั้นเป็นข้อกำหนดที่คุณใช้สร้างเมทริกซ์โลแคลได้ อีกอันเป็นพรอมต์ และความแตกต่างระหว่างสองสิ่งนี้คือสิ่งที่มีประโยชน์ที่สุดในการเปรียบเทียบนี้
อายุก็มีผลตรงนี้เช่นกัน ในลักษณะที่ปกติมักไม่เป็นเช่นนั้น Qwen-Audio-3.0-TTS เปิดตัวเมื่อวันที่ 20 กรกฎาคม 2026 และนับจากนั้นได้ถูกแทนที่ในตำแหน่งสูงสุดของกลุ่มผลิตภัณฑ์ Alibaba โดย Qwen-Audio-3.1-TTS-Plus ซึ่งเป็นรุ่นที่ครองอันดับสามบนกระดาน Controlled Voice ในปัจจุบัน ระดับ 3.0 Plus ยังคงอยู่ในรายการ และยังเป็นรุ่นที่มีตำแหน่งซึ่งวัดผลได้แข็งแกร่งกว่าบน Provider Voice Simba 3.5 มาถึงเมื่อวันที่ 21 ตุลาคม 2026 และกำลังเข้าสู่สัปดาห์ที่สามของกำหนดการราคาที่ได้ปรับไปแล้วหนึ่งครั้ง
ตัวเลข โดยวางเคียงข้างกันในตำแหน่งที่มีอยู่
Artificial Analysis ให้คะแนนทั้งสองโมเดลบนทั้งสองบอร์ด ทำให้การจับคู่เปรียบเทียบนี้เป็นหนึ่งในไม่กี่กรณีในวงการเสียงพูดที่คุณสามารถเปรียบเทียบแบบเดียวกันกับแบบเดียวกันได้ แทนที่จะต้องอนุมานจากรุ่นก่อนหน้า
• เสียงแบบควบคุม — SpeechifyAI Simba 3.5 อันดับ 1, Elo 1,192 บวกหรือลบ 17, 1,783 ตัวอย่าง
• เสียงแบบควบคุม — Alibaba Qwen-Audio-3.0-TTS-Plus อันดับ 10, Elo 1,130 บวกหรือลบ 12, 3,596 ตัวอย่าง
• เสียงผู้ให้บริการ — SpeechifyAI Simba 3.5 อันดับ 5, Elo 1,294 บวกหรือลบ 17, 1,732 ตัวอย่าง
• ผู้ให้บริการเสียง — Alibaba Qwen-Audio-3.0-TTS-Plus อันดับ 10, Elo 1,264, บวกหรือลบ 13, 3,056 ตัวอย่าง
• เสียงที่ควบคุมได้ — Alibaba Qwen-Audio-3.1-TTS-Plus อันดับ 3, Elo 1,176 บวกหรือลบ 12 — โมเดล Alibaba ที่ใหม่กว่า และเป็นตัวที่ต้องจับตามอง
• ราคาบนบอร์ด — Qwen-Audio-3.0-TTS-Plus $19.31 ต่อล้านตัวอักษรบนทั้งสองบอร์ด; Simba 3.5 ระบุไว้ที่ $6.58 ซึ่งเป็นอัตราที่ฝังอยู่ในแผนและไม่ตรงกับรายการที่ Speechify เผยแพร่
Simba 3.5 นำอยู่ 62 คะแนนบนบอร์ดแบบควบคุม และ 30 คะแนนบนบอร์ดผู้ให้บริการ โดยช่วงความเชื่อมั่นแยกกันอย่างชัดเจนในทั้งสองกรณี นี่เป็นผลลัพธ์ด้านคุณภาพที่ตรงไปตรงมาในทางที่ดีต่อ Simba และน่าสังเกตว่าสิ่งใดไม่ได้อธิบายผลนี้ นั่นคือจำนวนตัวอย่าง Qwen-Audio-3.0-TTS-Plus มีคะแนนเสียงเสียงแบบควบคุมรองรับการประมาณค่ามากกว่าเป็นสองเท่า ดังนั้นนี่คือค่า 1,130 ที่วัดได้อย่างดี ไม่ใช่ค่าที่เต็มไปด้วยสัญญาณรบกวน
จุดน่าสนใจคือไลน์ผลิตภัณฑ์ของ Alibaba เอง Qwen-Audio-3.1-TTS-Plus อยู่สูงกว่า Qwen-Audio-3.0-TTS-Plus 46 คะแนนบนบอร์ดควบคุม ซึ่งหมายความว่าโมเดล Alibaba รุ่นปัจจุบันใกล้เคียงกับ Simba 3.5 มากกว่าที่รุ่น 3.0 เป็น ใครก็ตามที่เปรียบเทียบกับระดับ 3.0 กำลังวัดโมเดลที่ได้รับการปรับปรุงมาแล้วครั้งหนึ่ง
สี่สิบแปดภาษาที่ระบุไว้เทียบกับฟิลด์คำสั่ง
เอกสารประกอบของ Speechify มีความชัดเจนเป็นรูปธรรมผิดปกติสำหรับ API ด้านเสียงพูด ภาษาทั้ง 48 ภาษาของ Simba 3.5 สามารถแจกแจงได้ครบถ้วน เสียงจากแคตตาล็อกทุกเสียง — และเสียงโคลนจากแผนแบบชำระเงินทุกเสียง — พูดได้ทั้ง 48 ภาษา และโมเดลรับแท็กภาษาแบบมาตรฐานสไตล์ BCP-47 เช่น ja-JP โดยครอบคลุมตัวแปรระดับภูมิภาคใด ๆ ของภาษาที่อยู่ในรายการ มีการระบุชื่อคู่ภาษาที่ถูกยกเว้นไว้ ได้แก่ ภาษาเอสโตเนียและภาษากวางตุ้ง Speechify ยังทำเครื่องหมายว่าเสียงใดเป็นเสียงที่ทีมงานคัดเลือกในแต่ละ locale และจัดอันดับด้วยฟิลด์ staff_pick_rank เนื่องจากเสียงหนึ่ง ๆ ยังคงสำเนียงของการบันทึกต้นฉบับ และคำแนะนำของ Speechify เองคือให้สร้างเสียงด้วยเสียงที่เป็นเจ้าของภาษานั้น
แนวทางของ Alibaba มีความยืดหยุ่นในอีกทิศทางหนึ่ง Qwen-Audio-3.0-TTS รองรับคำสั่งภาษาธรรมชาติที่อธิบายการส่งเสียง — จังหวะ อารมณ์ บุคลิก — และเทคนิคที่ระบุไว้ในเอกสารสำหรับภาษาเป้าหมายคือการระบุสิ่งนั้นในคำสั่ง โดยคำสั่งต้องตรงกับภาษาของข้อความ นอกจากนี้ยังรองรับการควบคุมการออกเสียงอย่างชัดเจนผ่าน language_hints และ hot_fix อินพุตแบบ SSML และ LaTeX รวมถึงแท็กอารมณ์และอวัจนภาษาแบบอินไลน์ เช่น [excited], [sad], [laughing] และ [sighing] คำขอแบบไม่สตรีมมิงจะคืน URL เสียงที่ใช้ได้ 24 ชั่วโมง ส่วนแบบสตรีมมิงจะคืนชังก์แบบ base64 โมเดลให้บริการจากสิงคโปร์และปักกิ่ง
ชุดคำสั่งแท็กนั้นเป็นข้อได้เปรียบที่แท้จริง และ Simba 3.5 ไม่ได้เทียบเท่ากับสิ่งนั้น Speechify ใช้แท็ก break, prosody rate, prosody pitch, prosody volume และ sub alias ส่วนแท็ก emphasis และ emotion ได้รับการยอมรับแต่ไม่ได้นำไปใช้ หากผลิตภัณฑ์ของคุณต้องการเสียงหัวเราะกลางประโยค หรือเสียงถอนหายใจท้ายประโยค Qwen-Audio-3.0-TTS ทำได้แล้ววันนี้ แต่ Simba 3.5 ทำไม่ได้
การแลกเปลี่ยนนี้ตรงไปตรงมาเมื่อพูดออกมาแล้ว: Qwen มอบการควบคุมด้านการแสดงออกให้คุณ และปล่อยให้การรองรับภาษาเป็นเรื่องของถ้อยคำบรรยาย ส่วน Speechify มอบรายการภาษาที่นับได้และพื้นผิวด้านการแสดงออกที่แคบกว่า สำหรับไปป์ไลน์การแปลภาษาท้องถิ่น รายการที่นับได้นั้นมีค่ามากกว่า เพราะเมทริกซ์โลแคลเป็นสิ่งที่คุณทดสอบได้ อ้างอิงในขอบเขตงานได้ และทำให้บิลด์ล้มเหลวได้ "พูดภาษาดัตช์ ช้า ๆ และชัดเจน" เป็นสิ่งที่คุณต้องฟังด้วยตัวเอง
ราคา แปลงเป็นตัวเลขที่คุณเปรียบเทียบได้
Alibaba คิดค่าบริการสังเคราะห์เสียงตามจำนวนอักขระอินพุตเป็นหยวน โดยมีอัตราตามภูมิภาคที่แตกต่างกันระหว่างการติดตั้งใช้งานในปักกิ่งและสิงคโปร์ Qwen-Audio-3.0-TTS-Plus มีราคาอยู่ที่ ¥1.4 ต่อ 10,000 อักขระในปักกิ่ง ส่วนระดับ Flash อยู่ที่ ¥1.0 Artificial Analysis ปรับมาตรฐานระดับ Plus ให้เป็น $19.31 ต่อหนึ่งล้านอักขระ ซึ่งเป็นตัวเลขที่ควรใช้หากคุณกำลังเปรียบเทียบกับผู้ให้บริการที่คิดราคาเป็นดอลลาร์ แทนที่จะจัดทำงบประมาณระดับภูมิภาค โมเดล Qwen-Audio แต่ละรุ่นที่ระบุไว้มีโควต้าฟรีหนึ่งล้านโทเคนในภูมิภาคปักกิ่งเป็นเวลา 90 วันนับจากวันเปิดใช้งานหรือวันวางจำหน่าย แล้วแต่วันใดมาทีหลัง
Speechify เผยแพร่ราคาเป็นดอลลาร์ต่อล้านตัวอักษร และเคยเปลี่ยนใจมาแล้วครั้งหนึ่ง:
• Simba 3.5 ราคาตามรายการตั้งแต่ 22 พฤศจิกายน — $15.00 ต่อล้านใน Starter, $12.00 ใน Pro, $10.00 ใน Scale
• Simba 3.5 ถึง 21 พฤศจิกายน — $10.00, $8.00 และ $6.00 ซึ่งเป็นราคาของ Simba 3.2 และ 3.0
• Simba 3.5 รายการราคาเปิดตัวครั้งแรกเมื่อวันที่ 21 ตุลาคม — $20, $16 และ $12 ถูกแทนที่ด้วยการปรับลดราคาเมื่อวันที่ 9 พฤศจิกายน
• Simba 3.2 และ Simba 3.0 — $10, $8 และ $6 ต่อล้านตัวอักษร ไม่เปลี่ยนแปลง
ในราคาตามรายการ Simba 3.5 อยู่ระหว่างประมาณครึ่งถึงสามในสี่ของราคาบอร์ดของ Qwen-Audio-3.0-TTS-Plus ขึ้นอยู่กับแพ็กเกจ และในช่วงโปรโมชันจะอยู่ที่หนึ่งในสามถึงครึ่ง ทั้งสองแบบไม่ถือว่าแพงในแง่ราคาสัมบูรณ์ — ห้าล้านตัวอักษรต่อเดือนอยู่ใต้ $100 ไม่ว่าจะเลือกแบบไหน — ดังนั้นราคาจึงไม่น่าเป็นปัจจัยชี้ขาด เว้นแต่คุณมีแค็ตตาล็อกขนาดใหญ่มาก ความครอบคลุมด้านภาษาและการควบคุมการแสดงออกน่าจะเป็นปัจจัยชี้ขาดมากกว่า
วันที่ 21 พฤศจิกายนส่งผลต่อการตัดสินใจนี้อย่างไร
ID Simba 1.6 ของ Speechify — {{1}}simba-english{{/1}} และ {{2}}simba-multilingual{{/2}} — ถูกถอนออกจากการเลือกใน API เวอร์ชัน 2026-09-21 ในวันที่ 21 พฤศจิกายน 2026 ทั้งสองจะให้บริการโดย Simba 3.5 ในทุกภาษาและเรียกเก็บเงินเป็น simba-3.5 บน API เวอร์ชันใดก็ตามที่ยังระบุชื่อเหล่านี้ได้ การผสานรวมที่ใช้ simba-multilingual มาตั้งแต่ช่วงฤดูร้อนจะเปลี่ยนเสียงและเปลี่ยนราคาในวันที่นั้นโดยไม่ต้องแก้โค้ด
ในการเปรียบเทียบนี้ Alibaba ไม่มีกิจกรรมตามกำหนดการที่เทียบเท่ากัน Qwen-Audio-3.0-TTS ยังคงถูกระบุอยู่ข้าง SKU 3.1 และไลน์ 3.1 คิดค่าบริการด้วยหน่วยที่ต่างออกไป — โทเค็นแทนที่จะเป็นตัวอักษร — ดังนั้นจึงเทียบสองรุ่นนี้ไม่ได้ด้วยการหารช่องหนึ่งในเรตการ์ดด้วยอีกช่องหนึ่ง หากวันนี้คุณใช้ 3.0 อยู่ การย้ายไป 3.1 ถือเป็นโปรเจกต์จริง ไม่ใช่แค่การเปลี่ยน model id บรรทัดเดียว และช่องว่าง 46 พอยต์บนบอร์ดควบคุมระหว่างสองระดับนี้คือเหตุผลที่ควรจัดตารางการย้าย
ในกรณีที่แต่ละอย่างเป็นตัวเลือกที่ถูกต้อง
เลือก Simba 3.5 หากปัญหาของคุณคือความหลากหลายภายใต้ voice id เดียว ไม่ว่าจะเป็นผลิตภัณฑ์ที่ส่งมอบเสียงแบรนด์เดียวในหลายสิบ locale, แคตตาล็อกเก่าที่ต้องเรนเดอร์ใหม่เป็นภาษาที่ไม่มีใครในทีมพูด หรือการอ่านเพื่อการเข้าถึงที่เสียงโคลนเดียวกันต้องติดตามผู้ใช้จากภาษาอังกฤษไปสู่ภาษาสเปนโดยไม่ฟังดูเป็นคนละคน รายการภาษาที่นับจำนวนได้ การจัดอันดับโดยทีมงาน และการโคลนแบบ zero-shot โดยไม่ต้องอนุมัติ คือฟีเจอร์ที่ทำให้สิ่งนั้นทำงานได้ และการนำอยู่ 62 คะแนนบน controlled board หมายความว่าคุณภาพยังคงอยู่เมื่อเสียงไม่ใช่เสียงที่ผู้ขายเลือกเอง
เลือก Qwen-Audio-3.0-TTS หากปัญหาของคุณคือประสิทธิภาพมากกว่าความครอบคลุม: งานหนังสือเสียงและพอดแคสต์ที่แท็ก [excited] คุ้มค่ากับการใช้งาน เนื้อหาที่เน้นภาษาจีนกลางเป็นหลักซึ่งแค็ตตาล็อกเสียงและการควบคุมการออกเสียงของ Alibaba มีความลึกที่สุด หรือการติดตั้งใช้งานที่ต้องอยู่ในภูมิภาคสิงคโปร์หรือปักกิ่ง ฟิลด์คำสั่งมีความสามารถในการแสดงออกมากกว่าสิ่งที่ Speechify เปิดเผยอย่างแท้จริง และเส้นทาง URL แบบไม่สตรีมมิ่งและ SSE chunk ครอบคลุมทั้งการเรนเดอร์แบบแบตช์และแบบสด
OrcaRouter ไม่ได้ให้บริการทั้งสองไลน์นี้ — Simba เข้าถึงได้ผ่าน API ของ Speechify เอง ส่วน Qwen ผ่าน Alibaba Cloud Model Studio — และไม่ควรตีความสิ่งใดในที่นี้ว่าเป็นการอ้างเป็นอย่างอื่น สิ่งที่เราให้บริการคือแคตตาล็อกการสังเคราะห์เสียงที่เล็กกว่า ซึ่งทำหน้าที่เป็นตัวควบคุมที่เป็นกลางเมื่อคุณทดสอบ: openai/tts-1 ราคา $15.00 ต่อล้านอักขระ และ openai/tts-1-hd ราคา $30.00, ทั้งคู่ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม พร้อมด้วย google/gemini-3.1-flash-tts-preview การเรนเดอร์สคริปต์ความยาวสามนาทีเดียวกันผ่านรายการเหล่านี้และผ่านทั้งสองตัวเลือกคือวิธีที่ประหยัดที่สุดในการคลี่คลายคำถามที่กระดานจัดอันดับสองแห่งทำได้เพียงทำให้แคบลงเท่านั้น
ส่วนที่ผู้ขายทั้งสองรายปล่อยให้คุณคิดเอง
ไม่มีโมเดลใดจะบอกคุณได้ว่าผลลัพธ์ที่ไม่ใช่ภาษาอังกฤษของตนดีพอสำหรับผู้ฟังของคุณหรือไม่ และอารีนาก็ไม่บอกเช่นกัน: บอร์ด Controlled Voice เป็นการประเมินในภาษาอังกฤษจากเสียงอ้างอิงภาษาอังกฤษแปดเสียง เป็นอเมริกันสี่เสียงและบริติชสี่เสียง การนำหน้า 62 คะแนนที่วัดในภาษาอังกฤษไม่ได้บอกอะไรโดยตรงเกี่ยวกับภาษาญี่ปุ่น ภาษาโปแลนด์ หรือโปรตุเกสแบบบราซิล คำตอบของ Speechify คือการชี้ไปที่ตัวเลือกที่ทีมงานคัดสรรสำหรับแต่ละ locale ส่วนของ Alibaba คือการชี้ไปที่คำแนะนำและรายการเสียง ทั้งสองฝ่ายกำลังขอให้คุณฟังเอง
นั่นคือบทสรุปที่ตรงไปตรงมาสำหรับคู่นี้ ตัวหนึ่งใหม่กว่า ราคาป้ายถูกกว่า วัดผลในภาษาอังกฤษได้ดีกว่า และมีเอกสารระบุรายละเอียดลงลึกถึงจำนวนภาษาที่รองรับ อีกตัวสื่อความได้หลากหลายกว่า เป็นที่ยอมรับมากกว่าในงานด้านภาษาจีน อยู่ระหว่างการเปลี่ยนผ่านสู่รุ่นใหม่ และถูกควบคุมด้วยฟิลด์คำสั่งแทนที่จะเป็นสเปก ทดสอบทั้งสองตัวบนสองโลแคลที่สร้างรายได้จริงให้คุณ แล้วส่วนที่เหลือของการเปรียบเทียบนี้จะกลายเป็นตัวตัดสินเมื่อเสมอกันมากกว่าจะเป็นตัวตัดสินใจหลัก
