Simba 3.5 vs Simba 3.2: 110 คะแนน Elo, 48 ภาษา และบิลที่เพิ่มขึ้นเป็นสองเท่าภายในเก้าวัน

เส้นทางการอัปเกรดภายในผู้จำหน่ายรายเดียวมักเป็นการเปรียบเทียบที่น่าสนใจน้อยที่สุดในบล็อกนี้ แต่ครั้งนี้ไม่ใช่เช่นนั้น เพราะ SpeechifyAI Simba 3.5 และ SpeechifyAI Simba 3.2 แตกต่างกันมากกว่าแค่หมายเลขเวอร์ชัน และความแตกต่างนั้นชี้ไปในทิศทางตรงกันข้าม Simba 3.5 ดีกว่า 110 คะแนน Elo บน Controlled Voice arena พูดได้ 48 ภาษาแทนที่จะเป็นภาษาเดียว และมีราคาตามรายการสูงกว่า 50% Simba 3.2 เร็วกว่าในตัวเลขความหน่วงเพียงตัวเดียวที่ใคร ๆ ก็วัดจริง มี allow-list ของเสียงที่ไม่จำกัดสิ่งใดอีกต่อไป และคงราคาเดิมไว้ ทีมที่ใช้งาน Simba 3.2 ในโปรดักชันต้องตัดสินใจจริงจังก่อนวันที่ 22 พฤศจิกายน และ "อัปเกรดไปเป็นตัวใหม่กว่า" ไม่ใช่คำตอบที่ถูกต้องโดยอัตโนมัติ

เริ่มจากวันที่ก่อน เพราะวันที่คือสิ่งที่ทำให้เรื่องนี้เร่งด่วนแทนที่จะเป็นเพียงเชิงวิชาการ Simba 3.2 เปิดตัวเมื่อวันที่ 8 กรกฎาคม 2026 ในฐานะโมเดลสตรีมมิ่งที่รองรับเฉพาะภาษาอังกฤษ และได้รับสถานะแนะนำจนถึงวันที่ 18 ตุลาคม Simba 3.5 ได้รับสถานะแนะนำเมื่อวันที่ 18 ตุลาคม เปิดตัวสู่สาธารณะเมื่อวันที่ 21 ตุลาคม มีการลดราคาตามรายการเมื่อวันที่ 9 พฤศจิกายน และในวันที่ 21 พฤศจิกายนจะกลายเป็นโมเดลเบื้องหลัง legacy id สองรายการที่กำลังจะเลิกใช้ Speechify ไม่ได้กำลังเลิกใช้ 3.2 — ยังคงอยู่ในรายการ ยังคงมีราคา และยังคงเรียกใช้ได้ — และนั่นคือเหตุผลที่แท้จริงว่าทำไมการเลือกจึงต้องอาศัยข้อดีเป็นหลัก ไม่ใช่กำหนดเวลา

ช่องว่างในอารีนาเป็นช่องว่างที่ใหญ่ที่สุดในประวัติศาสตร์ของโมเดลทั้งสอง

ทั้งสองโมเดลได้รับการให้คะแนนบนบอร์ดของ Artificial Analysis ทั้งสองบอร์ด บอร์ดแบบควบคุมจะตรึงผู้พูดให้คงที่ตลอดเสียงอ้างอิงที่โคลนจำนวนแปดเสียง ส่วนบอร์ดของผู้ให้บริการให้แต่ละผู้จำหน่ายใช้ชุดเสียงของตนเอง ช่องว่างระหว่างสองเจเนอเรชันนี้มีขนาดใหญ่กว่าบนบอร์ดแบบควบคุม ซึ่งเป็นบอร์ดที่ให้ข้อมูลได้มากกว่าจากทั้งสองบอร์ดสำหรับใครก็ตามที่โคลนเสียง

• เสียงแบบควบคุม — Simba 3.5 อันดับ 1, Elo 1,192 บวกหรือลบ 17, ช่วง 1,175 ถึง 1,209, ตัวอย่าง 1,783 รายการ

• เสียงควบคุม — Simba 3.2 อันดับ 14, Elo 1,082, บวกลบ 12, ช่วง 1,070 ถึง 1,094, 3,630 ตัวอย่าง

• เสียงจากผู้ให้บริการ — Simba 3.5 อันดับ 5, Elo 1,294 บวกลบ 17, ช่วง 1,277 ถึง 1,311, ตัวอย่าง 1,732

• Provider Voice — Simba 3.2 อันดับ 12, Elo 1,250, บวกลบ 11, ช่วง 1,239 ถึง 1,261, ตัวอย่าง 3,966

• ย้อนไปสองรุ่น — Simba 3.0 อันดับ 27 ที่ 1,035 controlled, อันดับ 41 ที่ 1,114 provider

ช่องว่างบนบอร์ดแบบควบคุมอยู่ที่ 110 คะแนน โดยมีช่วงที่ห่างกันด้วยพื้นที่ว่างมากกว่า 80 คะแนน นี่ไม่ใช่การรันซ้ำแบบเฉียดฉิว หากเทียบให้เห็นภาพ สิบอันดับแรกทั้งหมดของบอร์ดนั้นครอบช่วงเพียง 62 คะแนน ขณะที่ Simba หนึ่งรุ่นครอบคลุมช่วงเกือบสองเท่าของช่วงดังกล่าว ช่องว่างบนบอร์ดผู้ให้บริการเล็กกว่าที่ 44 คะแนน ซึ่งบอกสิ่งที่เป็นประโยชน์ได้ว่า ส่วนหนึ่งที่ 3.5 ปรับปรุงคือคุณภาพการสังเคราะห์เสียงสำหรับเสียงที่ไม่คุ้นเคย และอีกส่วนหนึ่งเป็นเพียงเสียงเริ่มต้นที่ดีขึ้นเท่านั้น

รูปแบบตามรุ่นยังสอดคล้องกันตลอดทั้งสามรีลีสเช่นกัน Simba 3.0 ถึง 3.2 ได้ 47 คะแนนบนบอร์ดควบคุม; 3.2 ถึง 3.5 ได้ 110 Speechify กำลังพัฒนาได้เร็วขึ้นกว่าเดิม และโมเดล 3.2 ที่เคยได้รับการแนะนำในเดือนกันยายนตอนนี้อยู่กลางตาราง

ภาษา: หก, หนึ่ง, สี่สิบแปด

นี่คือความแตกต่างที่เปลี่ยนสถาปัตยกรรม ไม่ใช่คะแนนคุณภาพ Simba 3.2 รองรับเฉพาะภาษาอังกฤษ — เสียงที่ไม่ใช่ภาษาอังกฤษจะได้รับ 400 โดยระบุ locale ที่ถูกปฏิเสธไว้ในข้อความ Simba 3.0 ครอบคลุมหกภาษาทั่วเจ็ด locale Simba 3.5 ครอบคลุม 48 ภาษาภายใต้ id เดียว โดยยกเว้นเอสโตเนียและกวางตุ้งอย่างชัดเจน และรวมตัวแปรระดับภูมิภาคไว้ในขอบเขต

สิ่งที่ทำให้ทั้ง 48 ภาษาใช้งานได้จริงคือเสียงนั้นเดินทางข้ามภาษาได้ ทุกเสียงในแคตตาล็อกพูดได้ทั้ง 48 ภาษาบน Simba 3.5 ด้วย voice id เดียวกัน และเสียงที่คุณโคลนเองในแพ็กเกจแบบเสียเงินก็เช่นกัน นี่คือฟีเจอร์ที่ไปป์ไลน์งานโลคัลไลเซชันรอคอยอยู่: เสียงแบรนด์ที่โคลนไว้หนึ่งเสียง สี่สิบแปดภาษา โดยไม่ต้องสลับเสียงตามแต่ละโลแคล ข้อแม้ของผู้ให้บริการคือเสียงจะคงสำเนียงจากการบันทึกต้นฉบับ และคำแนะนำคือให้สร้างด้วยเสียงที่คัดสรรโดยทีมงานซึ่งเป็นเจ้าของภาษาของแต่ละภาษา — ซึ่งเป็นเหตุผลว่าทำไม staff_pick_rank จึงปรากฏใน voices endpoint เมื่อวันที่ 18 ตุลาคม

บน Simba 3.2 เวิร์กโฟลว์ทั้งหมดนั้นไม่มีอยู่จริง เสียงเดียว ภาษาเดียว หากผลิตภัณฑ์ของคุณวางจำหน่ายในมากกว่าหนึ่งตลาด นี่ไม่ใช่ความแตกต่างด้านคะแนน แต่เป็นความแตกต่างระหว่างการผสานรวมหนึ่งครั้งกับผู้ให้บริการสองราย

ความหน่วง จุดที่โมเดลรุ่นเก่ายังคงชนะ

Speechify เผยแพร่ค่าความหน่วงที่วัดได้สำหรับ Simba 3.2 และมีเพียงคำกล่าวอ้างแบบรวมสำหรับ 3.5 โดยการวัดที่เผยแพร่ถือว่าดี วันที่ 9 ตุลาคม 2026 เมื่อจับเวลาจากไคลเอนต์ใน US East ผ่านการเชื่อมต่อแบบ warm Simba 3.2 มีเสียงที่ได้ยินครั้งแรกที่ค่ามัธยฐาน 47 มิลลิวินาทีผ่านสตรีมอินพุต WebSocket และ 64 มิลลิวินาทีผ่านสตรีม HTTP ซึ่งต่ำที่สุดในสิบสามปลายทางที่ Speechify จับเวลาในวันนั้นจากตำแหน่งดังกล่าว ไบต์แรกฝั่งเซิร์ฟเวอร์อยู่ที่ 56 ms ที่ p50 และ 102 ms ที่ p90 จากทราฟฟิกโปรดักชันที่วัดเมื่อวันที่ 15 กันยายน บริษัทระบุชัดเจนว่าทุกค่าเป็นเปอร์เซ็นไทล์ที่วัดได้ ไม่ใช่การรับประกัน และจากซูริก ภาพเปลี่ยนไป: 142 ms สำหรับโมเดล flash ของผู้จำหน่ายอีกราย เทียบกับ 145 และ 153 ms สำหรับเส้นทางสตรีมสองเส้นทางของบริษัทเอง

สำหรับ Simba 3.5 ตัวเลขที่บันทึกไว้เป็นคำกล่าวอ้างของผู้ขาย มากกว่าที่จะเป็นเปอร์เซ็นไทล์ที่เผยแพร่: 72 มิลลิวินาทีสำหรับเวลาถึงเสียงแรก สำหรับ 95% ของคำขอสตรีมมิ่งภายใต้โหลดโปรดักชัน และปริมาณงานต่ออินสแตนซ์ที่ให้บริการเป็น 1.8 เท่าของ Simba 3.2 ตัวเลขเหล่านี้ไม่สามารถนำไปเปรียบเทียบโดยตรงกับ p50 ที่วัดจากการเชื่อมต่อที่อุ่นแล้วได้ p95 ที่ 72 มิลลิวินาทีกับ p50 ที่ 47 มิลลิวินาทีอาจสอดคล้องกันโดยสมบูรณ์ และไม่มีใครนอก Speechify ที่ได้รันรอบการทดสอบที่จะยืนยันเรื่องนี้

ผลในทางปฏิบัติมีขอบเขตแคบแต่เป็นเรื่องจริง หากประสบการณ์ผู้ใช้ของผลิตภัณฑ์คุณเป็นผู้ช่วยเสียงที่ความเงียบหนึ่งร้อยมิลลิวินาทีเป็นสิ่งที่รับรู้ได้ คุณมีตัวเลขที่วัดได้สำหรับ {{1}}3.2{{/1}} และมีคำกล่าวอ้างสำหรับ {{2}}3.5{{/2}} และสิ่งที่ตรงไปตรงมาที่ควรทำคือวัด {{3}}3.5{{/3}} ด้วยตัวเองก่อนย้ายระบบ หากคุณกำลังเรนเดอร์เสียงลงไฟล์ ความหน่วงไม่มีความสำคัญ และส่วนนี้ไม่ใช้กับคุณ

ราคา: ข้อเสนอนี้จะสิ้นสุดวันที่ 21 พฤศจิกายน

ราคาของ Speechify สำหรับสองโมเดลนี้กำลังจะแยกจากกัน และ changelog ก็ระบุรายละเอียดไว้อย่างแม่นยำ

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

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

• Simba 3.5 รายการราคาเปิดตัวเดิมวันที่ 21 ตุลาคม — $20, $16 และ $12 ถูกแทนที่ด้วยการลดราคาเมื่อวันที่ 9 พฤศจิกายน

• Simba 3.2 — ไม่มีการเปลี่ยนแปลง โดยยังคงอยู่ที่ $10.00, $8.00 และ $6.00 ต่อล้านตัวอักษรในแพ็กเกจเดิม

จนถึงวันที่ 21 พฤศจิกายน ทั้งสองโมเดลมีราคาเท่ากันทุกประการ และ 3.5 ดีกว่าอย่างชัดเจน ตั้งแต่วันที่ 22 พฤศจิกายนเป็นต้นไป 3.5 มีราคาสูงขึ้น 50% ในทุกระดับ ในแพ็กเกจ Pro นั่นคือ $72 เทียบกับ $108 สำหรับ 9 ล้านอักขระ; ในแพ็กเกจ Scale คือ $280.80 เทียบกับ $468 สำหรับ 46.8 ล้านอักขระ ยอดคงเหลือไม่เปลี่ยนแปลง ดังนั้นในราคาตั้ง แพ็กเกจเดิมจะซื้ออักขระของโมเดลใหม่ได้น้อยลงหนึ่งในสาม

นั่นเป็นการตัดสินคุณค่าแบบตรงไปตรงมา ไม่ใช่กลลวง: 110 คะแนน Elo และภาษาเพิ่มอีก 47 ภาษาด้วยราคาที่สูงขึ้น 50% เป็นการแลกเปลี่ยนที่ดีสำหรับงานเกือบทุกประเภทที่ใช้คุณสมบัติใดคุณสมบัติหนึ่งจากสองอย่างนี้ และเป็นการแลกเปลี่ยนที่ไม่ดีสำหรับไปป์ไลน์ที่ใช้ภาษาอังกฤษเท่านั้นซึ่งพอใจกับคุณภาพของ 3.2 อยู่แล้ว

การย้ายระบบใช้เพียงบรรทัดเดียว และนั่นแหละคือกับดัก

เอกสารของ Speechify ชัดเจนเป็นพิเศษว่าการย้ายจาก 3.2 ไปเป็น 3.5 ไม่จำเป็นต้องเปลี่ยนเวอร์ชัน API: ให้ตั้งค่า model เป็น simba-3.5 ใช้ voice id ชุดเดิม รูปแบบเอาต์พุตเดิม speech marks เดิม และชุดย่อยของ SSML ที่ใช้งานเดิม คำขอที่ไม่ระบุ model จะยังคงถูก resolve ไปที่ simba-3.0 ดังนั้นค่าเริ่มต้นจะไม่ย้ายคุณแบบเงียบ ๆ

มีสองรายละเอียดที่ทำให้เรื่องเล่าบรรทัดเดียวนั้นซับซ้อนขึ้น อย่างแรกคือตอนนี้ภาษามีความสำคัญ: หากข้อความแตกต่างจากโลแคลของเสียง คุณต้องระบุให้ชัดเจน ไม่อย่างนั้น API จะใช้โลแคลของเสียง และคุณจะได้สำเนียงที่คุณไม่ได้ตั้งใจ อย่างที่สองคือวันที่ 21 พฤศจิกายนเอง ในวันนั้น ไอดี Simba 1.6 สองตัว คือ simba-english และ simba-multilingual จะหยุดให้บริการด้วยการฝึกแบบเดิม และเริ่มให้บริการด้วย Simba 3.5 โดยคิดค่าบริการในอัตราของ Simba 3.5 บนทุกเวอร์ชัน API ที่ยังระบุชื่อไอดีเหล่านี้ได้ การเชื่อมต่อที่ปักหมุดไว้กับไอดีเก่าจะเปลี่ยนเสียงและเปลี่ยนราคาในวันเดียวกัน โดยไม่ต้องแก้ไขโค้ด การทดสอบ 3.5 อย่างตั้งใจก่อนถึงตอนนั้นเป็นวิธีเดียวที่จะเลือกได้

ยังมีการปรับปรุงแบบเงียบ ๆ ที่ควรรู้ไว้ด้วย: เมื่อวันที่ 20 ตุลาคม prosody pitch และ prosody volume เริ่มถูกนำไปใช้กับ Simba 3.5, 3.2 และ 3.0 ซึ่งก่อนหน้านี้ค่าเหล่านี้ถูกยอมรับแต่ไม่ถูกนำไปใช้ หากวันนี้คุณส่งแอตทริบิวต์เหล่านั้นและไม่ต้องการการเปลี่ยนแปลงนี้ คำแนะนำของ Speechify เองคือให้ลบออก ส่วนแท็ก emphasis และ emotion ยังคงถูกยอมรับและไม่ถูกนำไปใช้กับทั้งสามโมเดล

OrcaRouter อยู่ในจุดใดของการอัปเกรดภายในกลุ่มผลิตภัณฑ์เดียวกัน

ไม่มีโมเดล Simba ตัวใดอยู่บน OrcaRouter — บริการนี้เข้าถึงได้ผ่าน API ของ Speechify เอง และไม่ควรตีความสิ่งใดในที่นี้ว่าเป็นการกล่าวอ้างเป็นอย่างอื่น สิ่งที่เราให้บริการคือแคตตาล็อกการสังเคราะห์เสียงที่คุณจะใช้เป็นตัวเปรียบเทียบควบคุมระหว่างการตัดสินใจ: openai/tts-1 ราคา 15.00 ดอลลาร์ต่อล้านอักขระ และ openai/tts-1-hd ราคา 30.00 ดอลลาร์ ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม.

สิ่งที่เราเตอร์ทำได้มีประโยชน์ในการย้ายระบบแบบนี้คือทำให้เส้นทางเดิมยังใช้งานได้ต่อไป enquanto พิสูจน์เส้นทางใหม่ รัน 3.5 บน API ของผู้ให้บริการกับทราฟฟิกจริงหนึ่งสัปดาห์ เก็บ 3.2 ไว้เป็นทางเลือกสำรอง และเปลี่ยนเส้นทางเลี่ยงเหตุขัดข้องแทนที่จะไปค้นพบมันในโปรดักชัน — การ failover อัตโนมัติไม่มีค่าใช้จ่ายเมื่อไม่มีอะไรล้มเหลว และช่วยให้มีเวลาครบตลอดช่วงเปิดตัวเมื่อมีบางอย่างล้มเหลว คีย์เดียวเดียวกันยังหมายความว่าเสียง OpenAI ที่คุณใช้อยู่แล้วยังเข้าถึงได้ ขณะที่คุณตัดสินใจว่าเจเนอเรชัน Simba ใดจะมาแทนที่มันหรือไม่

ควรรันตัวไหน ตามปริมาณงาน

อยู่ใน Simba 3.2 ต่อไปหากภาระงานของคุณเป็นภาษาอังกฤษ เสียงของคุณเป็นภาษาอังกฤษ เกณฑ์คุณภาพของคุณผ่านแล้วในเดือนกรกฎาคม และค่าที่วัดได้ 47 ms ของ first-audible-audio เป็นปัจจัยสำคัญในผลิตภัณฑ์ของคุณ คุณจ่ายในอัตราที่ต่ำกว่าจนถึง 21 พฤศจิกายนและตลอดไปหลังจากนั้น และไม่มีสิ่งใดใน 3.5 ที่ทำให้เอาต์พุตของคุณดีขึ้น ไม่มีวันที่เลิกสนับสนุนสำหรับ 3.2; Speechify กล่าวไว้อย่างชัดเจน

ย้ายไปใช้ Simba 3.5 หากข้อใดข้อหนึ่งต่อไปนี้เป็นจริง: คุณต้องการภาษาที่สอง คุณโคลนเสียงและต้องการ voice id เดียวกันในทุก locale เกณฑ์คุณภาพภาษาอังกฤษของคุณขยับแล้ว หรือคุณกำลังสร้างสิ่งใหม่ ช่องว่าง 110 คะแนนบนบอร์ดควบคุมถือเป็นการก้าวกระโดดข้ามรุ่นครั้งใหญ่ที่สุดที่ Speechify เคยสร้าง และความครอบคลุม 48 ภาษาไม่มีให้ใช้ด้วยวิธีอื่นใดภายในกลุ่มผลิตภัณฑ์นี้ ทำก่อนวันที่ 21 พฤศจิกายน หากคุณต้องการประเมินมันในอัตราของโมเดลรุ่นเก่า และระบุ model id อย่างชัดเจน เพื่อไม่ให้การปลดระวางโมเดลตัดสินใจแทนคุณ

ไม่ว่าคุณจะเลือกทางไหน การตัดสินใจนี้มีวันทบทวน ไม่ใช่คำตอบถาวร Simba 3.5 มีตัวอย่างเสียงควบคุม 1,783 ตัวอย่าง เทียบกับ 3,630 ตัวอย่างของ 3.2 ดังนั้นช่วงของมันจะแคบลง ราคาป้ายของมันปรับไปแล้วครั้งหนึ่งในสามสัปดาห์ และ Qwen-Audio-3.1-TTS-Plus ของ Alibaba ซึ่งอยู่ที่ 1,176 บนกระดานเดียวกัน ตามหลังเรือธง Simba รุ่นปัจจุบันอยู่ 16 คะแนน ในราคากระดานที่เทียบกันได้ — ใกล้พอที่การเปิดตัวครั้งถัดไปของฝ่ายใดฝ่ายหนึ่งจะทำให้ต้องกลับมาถามคำถามนี้อีกครั้ง