Simba 3.5 vs Eleven v4: Hai bảng xếp hạng mâu thuẫn nhau, và chỉ một trong hai mới thực sự nói về sản phẩm của bạn

Đặt SpeechifyAI Simba 3.5 và ElevenLabs Eleven v4 lên cùng một bàn và kết quả phụ thuộc hoàn toàn vào bảng Artificial Analysis mà bạn đọc. Trên Controlled Voice — cùng tám giọng tham chiếu được nhân bản cho mọi mô hình tham gia — Simba 3.5 đứng đầu với 1,192 và Eleven v4 đứng thứ bảy với 1,155, khoảng cách 37 điểm mà các khoảng không giao nhau. Trên Provider Voice — dàn giọng riêng của từng nhà cung cấp — Eleven v4 đứng đầu với 1,340 và Simba 3.5 đứng thứ năm với 1,294, khoảng cách 46 điểm theo chiều ngược lại, cũng tách biệt rõ ràng. Cả hai con số đều không sai. Chúng đang đo các sản phẩm khác nhau, và con số bạn nên tin được quyết định bởi một câu hỏi về stack của bạn chứ không phải về một trong hai nhà cung cấp.

Hai hội đồng, và lý do tại sao chúng lại bất đồng hoàn toàn đến vậy

Controlled Voice giữ cố định người nói. Artificial Analysis nhân bản bốn giọng Mỹ và bốn giọng Anh, rồi cho mọi mô hình đọc cùng những câu thoại bằng chính những giọng đó, vì vậy khi người nghe so sánh hai mẫu, họ chỉ đang nghe chất lượng tổng hợp mà thôi. Provider Voice để mỗi nhà cung cấp đưa ra các giọng của riêng mình, nghĩa là người nghe đang đánh giá mô hình và dàn giọng cùng lúc — âm sắc, chất giọng vùng miền và những lựa chọn diễn xuất mà nhà cung cấp đã tuyển chọn.

ElevenLabs đã dành nhiều năm để xây dựng dàn giọng đó. Đó là phần của công ty hoàn toàn không phải là một mô hình, và chính vì thế mà bảng xếp hạng của nhà cung cấp có Eleven v4 và Eleven v4 Turbo ở hai vị trí đầu, với khoảng cách 32 mẫu rõ rệt giữa chúng và phần còn lại. Nếu bỏ dàn giọng đó đi, Eleven v4 rơi xuống vị trí thứ bảy. Vị thế của Speechify là hình ảnh phản chiếu: thứ năm khi có giọng riêng, thứ nhất khi không có chúng.

• Giọng nói được kiểm soát — SpeechifyAI Simba 3.5 hạng 1, Elo 1.192, khoảng từ 1.175 đến 1.209, 1.783 mẫu

• Giọng nói được kiểm soát — ElevenLabs Eleven v4 hạng 7, Elo 1.155, khoảng 1.143 đến 1.167, 3.221 mẫu

• Giọng nói được kiểm soát — ElevenLabs Eleven v4 Turbo hạng 6, Elo 1.156, khoảng 1.144 đến 1.168, 3.327 mẫu

Giọng nhà cung cấp — ElevenLabs Eleven v4 hạng 1, Elo 1.340, khoảng 1.325 đến 1.355, 2.742 mẫu

Giọng nói nhà cung cấp — ElevenLabs Eleven v4 Turbo hạng 2, Elo 1.339, khoảng tin cậy 1.323 đến 1.355

Giọng nhà cung cấp — SpeechifyAI Simba 3.5 hạng 5, Elo 1.294, khoảng 1.277 đến 1.311, 1.732 mẫu

• Giọng nhà cung cấp — Alibaba Qwen-Audio-3.1-TTS-Plus hạng 3 với 1,300, nằm giữa hai mục trên bảng xếp hạng đó

Cả hai khoảng cách đều lớn hơn các khoảng xung quanh chúng, nên không có thứ tự nào là chuyện may rủi. Chiến thắng 37 điểm ở hạng mục Controlled Voice của Simba 3.5 và chiến thắng 46 điểm ở hạng mục Provider Voice của Eleven v4 đều là những phép đo thực sự về những khía cạnh khác nhau. Điều đó thật bất thường — hầu hết các cặp mô hình đều cho kết quả giống nhau trên cả hai bảng — và đó chính là toàn bộ nội dung của phép so sánh này.

Câu hỏi quyết định điều đó

Nếu sản phẩm của bạn phát hành bất kỳ giọng nói nào nhà cung cấp đã chọn — giọng trợ lý mặc định, bản thu thuyết minh có sẵn, một giọng nội bộ duy nhất xuyên suốt ứng dụng — thì bạn đang mua thứ mà Provider Voice đo lường, và Eleven v4 thắng hạng mục đó với 46 điểm. Nếu sản phẩm của bạn cho phép người dùng chọn giọng nói, sao chép giọng của chính họ, hoặc mang một giọng thương hiệu cố định đến mọi ngôn ngữ, thì bạn đang mua thứ mà Controlled Voice đo lường, và Simba 3.5 thắng hạng mục đó với 37 điểm.

Có một bài kiểm tra thực tế có thể giải quyết việc này trong một buổi chiều: lấy ba phút âm thanh tham chiếu của chính bạn, nhân bản nó trên cả hai nền tảng và nghe thử. Một mô hình dẫn đầu bảng có kiểm soát là mô hình xử lý tốt giọng nói xa lạ. Một mô hình dẫn đầu bảng của nhà cung cấp là mô hình có gu về giọng nói. Đó là những kỹ năng khác nhau và khối lượng công việc của bạn chỉ cần một trong số đó.

Giá không sát, và đó cũng không phải là toàn bộ câu chuyện.

Eleven v4 có giá 0,08 USD cho mỗi nghìn ký tự, tức 80 USD mỗi triệu ký tự. Đó là mức giá trên trang định giá API của chính ElevenLabs và cũng là con số mà Artificial Analysis ghi nhận cho mô hình; giai đoạn khuyến mãi kéo dài đến giữa tháng 10 đã kết thúc, nên 80 USD là mức giá thường lệ chứ không phải giá ra mắt tạm thời. Eleven v4 Turbo chỉ bằng một nửa, ở mức 40 USD mỗi triệu ký tự.

Simba 3.5 niêm yết ở mức $15, $12 và $10 mỗi triệu ký tự trên các gói Starter, Pro và Scale — mức giảm so với $20, $16 và $12 khi ra mắt vào ngày 21 tháng 10. Cho đến hết ngày 21 tháng 11 năm 2026, dịch vụ sẽ tính phí theo mức giá của các mô hình cũ hơn: $10, $8 và $6. Sau ngày 22 tháng 11, bảng giá mới sẽ áp dụng và ưu đãi không còn.

• Eleven v4 — 80,00 USD mỗi triệu ký tự, giá niêm yết, không có khuyến mãi đang áp dụng

• Eleven v4 Turbo — $40.00 mỗi triệu ký tự

• Simba 3.5 — Starter $15.00, Pro $12.00, Scale $10.00 mỗi triệu ký tự, từ ngày 22 tháng 11

• Simba 3.5 — $10.00, $8.00 và $6.00 mỗi triệu ký tự đến hết ngày 21 tháng 11

• Simba 3.2 và Simba 3.0 — không thay đổi ở các mức giá $10, $8, $6 cho cùng các gói

Ở mức năm triệu ký tự mỗi tháng — khoảng một trăm giờ lời nói đã hoàn thiện — Eleven v4 tốn 400 đô la và Simba 3.5 tốn từ 50 đến 75 đô la tùy theo gói và ngày. Đó là hệ số từ năm đến tám lần. Bất kỳ ai trích dẫn mức 6,58 đô la của bảng xếp hạng cho Simba 3.5 là đang trích dẫn một mức giá gắn với gói không khớp với danh sách công bố của Speechify; hãy lập ngân sách từ bảng phân bậc ở trên.

Ngôn ngữ: 48 dưới một id so với hơn 90

Đây là điểm mà cuộc so sánh không còn là thế hòa mà bắt đầu trở thành một quyết định định tuyến. Simba 3.5 nói được 48 ngôn ngữ dưới một model id duy nhất, tăng từ sáu ngôn ngữ mà Simba 3.0 hỗ trợ, và mọi giọng trong danh mục — kể cả giọng đã nhân bản — đều nói được cả 48 ngôn ngữ với cùng một voice id. Tiếng Estonia và tiếng Quảng Đông rõ ràng không có trong danh sách. Eleven v4 bao phủ hơn 90 ngôn ngữ với giới hạn 10.000 ký tự mỗi yêu cầu, tức khoảng mười phút lời nói trước khi bạn phải chia nhỏ.

Bốn mươi tám ngôn ngữ là đủ cho hầu hết các dòng sản phẩm ở châu Âu, Mỹ Latinh và Đông Á, nhưng không đủ cho một danh mục sản phẩm thực sự toàn cầu. Chín mươi ngôn ngữ trở lên là đủ cho gần như mọi thứ, và nếu yêu cầu của bạn là “mọi locale mà chúng tôi bán hàng”, thì lập luận về chất lượng không còn quan trọng nữa — một trong hai lựa chọn này có thể đáp ứng công việc, còn lựa chọn kia thì có thể không.

Có một lưu ý về 48 mà nhà cung cấp nói thẳng ra còn hầu hết các bài đưa tin thì bỏ qua: giọng nói vẫn giữ chất giọng của bản ghi nguồn. Một giọng Mỹ được nhân bản nói tiếng Nhật sẽ nghe như người Mỹ nói tiếng Nhật. Hướng dẫn của chính Speechify là bắt đầu từ giọng được nhân viên chọn sẵn, vốn là giọng bản ngữ của từng ngôn ngữ, đó là lý do staff_pick_rank giờ xuất hiện trong endpoint voices. Tính năng chuyển giọng xuyên ngôn ngữ có sẵn; nhưng nó không phải là không mang chất giọng.

Độ trễ, nhân bản và hình dạng API

Speechify báo cáo thời gian đến âm thanh đầu tiên là 72 mili giây ở phân vị thứ 95 của các yêu cầu truyền phát dưới tải sản xuất, và thông lượng gấp 1,8 lần Simba 3.2 trên mỗi instance phục vụ. Đó là các số liệu của nhà cung cấp, chưa được tái lập. ElevenLabs không công bố con số tương đương cho chính Eleven v4. Con số độ trễ được đo duy nhất trong tài liệu Simba thì cũ hơn và hẹp hơn: Simba 3.2 ở mức trung vị 56 mili giây và 102 mili giây ở phân vị thứ 90 đối với byte đầu tiên phía máy chủ, được đo tại US East vào ngày 15 tháng 9 năm 2026 — một chỉ số khác với thời gian đến âm thanh đầu tiên và không thể áp dụng tương đương.

Tính năng nhân bản giọng nói là zero-shot và tự phục vụ trên cả hai, với khác biệt về ma sát đáng kể ở quy mô đội nhóm. Tính năng nhân bản của Simba 3.5 có sẵn trên các gói trả phí mà không cần phê duyệt. ElevenLabs cung cấp bản sao tức thì từ mười giây âm thanh cùng với gói nhân bản chuyên nghiệp của mình, và xác minh sự đồng ý của nó là cái phát triển hơn trong hai — một điểm có lợi cho bất kỳ ai triển khai giọng nói do người dùng cung cấp.

Các dạng yêu cầu không thể hoán đổi cho nhau, điều này đáng biết trước khi bạn viết một lớp trừu tượng. Speechify xác thực bằng bearer token, gửi văn bản dưới dạng input, mô hình dưới dạng model, và hoàn toàn không có đối tượng voice_settings. ElevenLabs dùng header riêng và tên trường riêng. Cả hai đều hỗ trợ streaming; hỗ trợ SSML của Speechify là một tập con, với break, prosody rate, prosody pitch, prosody volume và sub alias được áp dụng, còn các thẻ emphasis và emotion được chấp nhận nhưng bị bỏ qua.

Trường hợp mà router thực sự hữu ích ở đây

Cả hai mô hình đều không có trên OrcaRouter, và bài viết này không hề khẳng định điều ngược lại: dòng Simba được truy cập qua API riêng của Speechify và dòng ElevenLabs qua API của ElevenLabs. Thứ chúng tôi định tuyến là danh mục tổng hợp nhỏ hơn, tạo thành một nhóm đối chứng công bằng — openai/tts-1 với $15.00 mỗi triệu ký tự và openai/tts-1-hd với $30.00, cả hai đều theo giá niêm yết của nhà cung cấp, không cộng thêm gì.

Lập luận về định tuyến trong cặp đối đầu cụ thể này không phải là về chất lượng, vì câu trả lời về chất lượng vốn đã chia rẽ. Mà là ở chỗ hai bảng xếp hạng không đồng ý với nhau, giá chênh nhau từ năm đến tám lần, và cả hai sự thật này chỉ ổn định cho đến khi model kế tiếp ra mắt. Một stack có thể gửi cùng một kịch bản đến hai nhà cung cấp và so sánh trên âm thanh của chính nó sẽ có câu trả lời vẫn đứng vững qua lần chạy lại bảng xếp hạng tiếp theo; một stack gắn cứng vào một trong hai thì phải tranh cãi lại quyết định mỗi quý. Chuyển đổi dự phòng tự động cũng bao phủ trường hợp không ai đo điểm chuẩn — sự cố phía nhà cung cấp trong tuần ra mắt.

Một phán quyết trung thực, với chiếc cà vạt vẫn để nguyên.

Eleven v4 là mô hình tốt hơn nếu bạn cần độ phủ ngôn ngữ rộng, một dàn giọng nói được tuyển chọn sẵn mà bạn không phải tự xây dựng, bộ công cụ đồng thuận và nhân bản giọng nói trưởng thành nhất, hoặc vị trí dẫn đầu trên bảng xếp hạng nhà cung cấp trong một lĩnh vực gồm hàng trăm mô hình. Nó có giá cao gấp năm đến tám lần và mức giá đó không phải là giá khuyến mại.

Simba 3.5 là mô hình tốt hơn nếu giọng nói là của chính bạn — được nhân bản, thuộc sở hữu thương hiệu hoặc được chọn theo từng ngôn ngữ/khu vực — và nếu 48 ngôn ngữ bao phủ các thị trường bạn thực sự bán hàng. Nó dẫn đầu bảng xếp hạng giữ nguyên người nói, tức bảng dự báo hiệu suất trên một giọng nói mà nhà cung cấp chưa từng nghe. Nó cũng đang ở tuần thứ ba của một lịch giá đã thay đổi một lần, với việc chuyển đổi model-id diễn ra vào ngày 21 tháng 11, nên mức giá bạn đăng ký không nhất thiết là mức giá bạn sẽ trả vào tháng 12.

Điều mà cả hai bo mạch đều không cho bạn biết là người nghe của bạn thích cái nào hơn trên nội dung của bạn. Ba mươi bảy điểm Elo là một khoảng cách đáng kể và nó không thay thế cho một bài kiểm tra nghe với ba phút kịch bản của chính bạn bằng chính giọng của bạn. Hãy chạy bài kiểm tra đó trước khi bạn cam kết sản lượng cho bên nào.