Simba 3.5 so với Qwen-Audio-3.0-TTS: Hai cách giải quyết vấn đề ngôn ngữ, nhưng chỉ một trong số đó được ghi lại trong tài liệu

Cả SpeechifyAI Simba 3.5 và Alibaba Qwen-Audio-3.0-TTS sẽ đọc kịch bản của bạn bằng các ngôn ngữ khác ngoài tiếng Anh. Chúng đạt được điều đó theo những con đường trái ngược nhau. Simba 3.5 công bố một danh sách: 48 ngôn ngữ, một model id, mọi giọng nói trong danh mục đều nói được tất cả các ngôn ngữ đó, và tiếng Estonia cùng tiếng Quảng Đông được nêu là các ngoại lệ. Qwen-Audio-3.0-TTS công bố một trường chỉ dẫn, và cách được tài liệu hóa để khiến nó nói tiếng Hà Lan là gửi cho nó câu "Speak in Dutch, slowly and clearly." Một trong hai là một đặc tả mà bạn có thể xây dựng một ma trận locale từ đó. Cái còn lại là một prompt, và sự khác biệt giữa chúng là điều hữu ích nhất trong so sánh này.

Độ tuổi ở đây cũng quan trọng, theo một cách mà thông thường không như vậy. Qwen-Audio-3.0-TTS đã ra mắt vào ngày 20 tháng 7 năm 2026 và kể từ đó đã bị Qwen-Audio-3.1-TTS-Plus thay thế ở vị trí cao nhất trong dải sản phẩm của Alibaba, sản phẩm hiện đang chiếm vị trí thứ ba trên bảng Controlled Voice. Dòng 3.0 Plus vẫn còn trong danh sách và vẫn là dòng có vị trí đo lường mạnh hơn trên Provider Voice. Simba 3.5 ra mắt ngày 21 tháng 10 năm 2026 và đã bước sang tuần thứ ba của một lịch giá mà nó đã sửa đổi một lần.

Các con số, đặt cạnh nhau ở những chỗ chúng tồn tại.

Artificial Analysis chấm điểm cả hai mô hình trên cả hai bảng xếp hạng, khiến đây trở thành một trong số ít những màn so tài trong lĩnh vực giọng nói mà ở đó bạn có thể so sánh trực tiếp những thứ tương đương với nhau thay vì ngoại suy từ một mô hình tiền nhiệm.

• Giọng nói được kiểm soát — SpeechifyAI Simba 3.5 hạng 1, Elo 1,192, cộng hoặc trừ 17, 1,783 mẫu

• Giọng nói được kiểm soát — Alibaba Qwen-Audio-3.0-TTS-Plus hạng 10, Elo 1.130, cộng hoặc trừ 12, 3.596 mẫu

• Giọng nói nhà cung cấp — SpeechifyAI Simba 3.5 hạng 5, Elo 1.294, cộng hoặc trừ 17, 1.732 mẫu

• Giọng nói nhà cung cấp — Alibaba Qwen-Audio-3.0-TTS-Plus hạng 10, Elo 1,264, cộng hoặc trừ 13, 3,056 mẫu

• Giọng nói được kiểm soát — Alibaba Qwen-Audio-3.1-TTS-Plus xếp hạng 3, Elo 1.176, cộng hoặc trừ 12 — mẫu Alibaba mới hơn, và là mẫu đáng theo dõi

• Giá niêm yết — Qwen-Audio-3.0-TTS-Plus $19,31 mỗi triệu ký tự trên cả hai bảng; Simba 3.5 được niêm yết ở mức $6,58, một mức giá gắn với gói không khớp với bảng giá công bố của Speechify

Simba 3.5 dẫn trước 62 điểm trên bảng kiểm soát và 30 điểm trên bảng nhà cung cấp, và các khoảng tách biệt rõ ràng trong cả hai trường hợp. Đó là một kết quả chất lượng rõ ràng có lợi cho Simba, và đáng lưu ý điều không giải thích cho kết quả đó: số lượng mẫu. Qwen-Audio-3.0-TTS-Plus có số phiếu bầu giọng nói được kiểm soát gấp đôi đằng sau ước tính của nó, vì vậy đây là con số 1.130 được đo đạc tốt chứ không phải một con số nhiễu.

Điểm đáng chú ý là dòng sản phẩm của chính Alibaba. Qwen-Audio-3.1-TTS-Plus cao hơn Qwen-Audio-3.0-TTS-Plus 46 điểm trên bảng kiểm soát, nghĩa là mô hình Alibaba thế hệ hiện tại gần với Simba 3.5 hơn nhiều so với bản 3.0. Bất kỳ ai so sánh với hạng 3.0 đều đang đo một mô hình đã từng được cải thiện một lần.

Bốn mươi tám ngôn ngữ được liệt kê so với một trường chỉ dẫn

Tài liệu của Speechify cụ thể một cách bất thường đối với một API giọng nói. 48 ngôn ngữ của Simba 3.5 có thể liệt kê được, mỗi giọng nói trong danh mục — và mỗi giọng nói nhân bản thuộc gói trả phí — đều nói được tất cả các ngôn ngữ đó, và mô hình nhận thẻ ngôn ngữ kiểu BCP-47 tiêu chuẩn, chẳng hạn như ja-JP, với mọi biến thể khu vực của một ngôn ngữ có trong danh sách đều nằm trong phạm vi. Cặp ngôn ngữ bị loại trừ, tiếng Estonia và tiếng Quảng Đông, được nêu rõ. Speechify cũng đánh dấu những giọng nói nào là lựa chọn của nhân viên trong từng miền địa phương và xếp hạng chúng bằng trường staff_pick_rank, vì một giọng nói giữ nguyên giọng điệu của bản ghi nguồn và khuyến nghị của chính họ là tạo bằng một giọng nói bản ngữ của ngôn ngữ đó.

Cách tiếp cận của Alibaba linh hoạt theo một hướng khác. {{1}}Qwen-Audio-3.0-TTS{{/1}} chấp nhận một chỉ dẫn bằng ngôn ngữ tự nhiên mô tả cách thể hiện — tốc độ, cảm xúc, cá tính — và kỹ thuật được tài liệu hóa cho một ngôn ngữ đích là nêu rõ điều đó trong chỉ dẫn, với yêu cầu chỉ dẫn phải khớp với ngôn ngữ của văn bản. Nó cũng hỗ trợ kiểm soát phát âm tường minh thông qua {{2}}language_hints{{/2}} và {{3}}hot_fix{{/3}}, đầu vào {{4}}SSML{{/4}} và {{5}}LaTeX{{/5}}, cùng các thẻ cảm xúc và phi ngôn từ nội tuyến như [excited], [sad], [laughing] và [sighing]. Các yêu cầu không streaming trả về một URL âm thanh có hiệu lực trong 24 giờ; chế độ streaming trả về các khối {{6}}base64{{/6}}. Mô hình được phục vụ từ {{7}}Singapore{{/7}} và {{8}}Bắc Kinh{{/8}}.

Bộ từ vựng thẻ đó là một lợi thế thực sự và Simba 3.5 không đáp ứng được. Speechify áp dụng các thẻ break, prosody rate, prosody pitch, prosody volume và sub alias; các thẻ emphasis và emotion được chấp nhận nhưng không được áp dụng. Nếu sản phẩm của bạn cần một tiếng cười ở giữa câu, hoặc một tiếng thở dài ở cuối câu, Qwen-Audio-3.0-TTS làm được điều đó ngay hôm nay còn Simba 3.5 thì không.

Sự đánh đổi rất rõ ràng khi đã nói ra: Qwen cho bạn khả năng kiểm soát biểu đạt và để việc hỗ trợ ngôn ngữ phụ thuộc vào câu chữ; Speechify cho bạn một danh sách ngôn ngữ đếm được và một bề mặt biểu đạt hẹp hơn. Đối với một pipeline bản địa hóa, danh sách đếm được đáng giá hơn, vì ma trận locale là thứ bạn có thể kiểm thử, trích dẫn trong bản mô tả phạm vi công việc, và dùng nó để khiến bản build thất bại. "Nói tiếng Hà Lan, chậm và rõ ràng" là thứ bạn phải lắng nghe.

Giá cả, được quy đổi thành một con số bạn có thể so sánh

Alibaba tính phí tổng hợp theo ký tự đầu vào bằng nhân dân tệ, với mức giá theo khu vực khác nhau giữa triển khai Bắc Kinh và Singapore. Qwen-Audio-3.0-TTS-Plus được niêm yết ở mức ¥1,4 cho mỗi 10.000 ký tự tại Bắc Kinh; gói Flash là ¥1,0. Artificial Analysis quy đổi gói Plus về $19,31 cho mỗi triệu ký tự, đây là con số nên dùng nếu bạn đang so sánh với nhà cung cấp định giá bằng đô la thay vì lập ngân sách theo khu vực. Mỗi mô hình Qwen-Audio được niêm yết có hạn mức miễn phí một triệu token tại khu vực Bắc Kinh trong 90 ngày kể từ khi kích hoạt hoặc phát hành, tùy thời điểm nào muộn hơn.

Speechify công bố mức giá bằng đô la cho mỗi triệu ký tự và đã thay đổi quyết định một lần rồi:

• Simba 3.5, bảng giá từ 22 tháng 11 — $15.00 mỗi triệu trên gói Starter, $12.00 trên Pro, $10.00 trên Scale

• Simba 3.5, đến hết ngày 21 tháng 11 — $10.00, $8.00 và $6.00, mức giá Simba 3.2 và 3.0

• Simba 3.5, danh sách ra mắt ban đầu ngày 21 tháng 10 — $20, $16 và $12, sau đó được thay thế bằng đợt giảm giá ngày 9 tháng 11

• Simba 3.2 và Simba 3.0 — $10, $8 và $6 mỗi triệu ký tự, không thay đổi

Theo giá niêm yết, Simba 3.5 nằm trong khoảng từ một nửa đến ba phần tư mức giá niêm yết của Qwen-Audio-3.0-TTS-Plus tùy theo gói, và trong thời gian khuyến mãi thì bằng một phần ba đến một nửa. Xét về giá trị tuyệt đối, cả hai đều không đắt — năm triệu ký tự mỗi tháng tốn dưới 100 USD ở cả hai bên — nên giá khó có khả năng là yếu tố quyết định trừ khi bạn đang vận hành một danh mục rất lớn. Độ phủ ngôn ngữ và khả năng kiểm soát biểu cảm nhiều khả năng mới là yếu tố quyết định.

Ngày 21 tháng 11 có tác động gì đến quyết định này

Các ID Simba 1.6 của Speechify — simba-english và simba-multilingual — đã bị rút khỏi danh sách lựa chọn tại phiên bản API 2026-09-21. Vào ngày 21 tháng 11 năm 2026, cả hai sẽ được Simba 3.5 phục vụ bằng mọi ngôn ngữ và được tính phí là simba-3.5, trên bất kỳ phiên bản API nào vẫn có thể chỉ định chúng. Một tích hợp đã chạy simba-multilingual từ mùa hè sẽ thay đổi giọng nói và thay đổi giá vào ngày đó mà không cần thay đổi mã.

Alibaba không có sự kiện theo lịch tương đương trong so sánh này. Qwen-Audio-3.0-TTS vẫn được liệt kê bên cạnh các SKU 3.1, và dòng 3.1 được tính phí theo một đơn vị khác — token thay vì ký tự — nên không thể so sánh hai thế hệ bằng cách chia một ô trong bảng giá này cho một ô khác. Nếu hiện tại bạn đang dùng 3.0, việc chuyển sang 3.1 là một dự án thực sự chứ không phải chỉ đổi một dòng ID model, và khoảng cách 46 điểm trên bảng đánh giá có kiểm soát giữa hai hạng chính là lý do để lên lịch thực hiện.

Khi mỗi lựa chọn đều là quyết định đúng

Hãy chọn Simba 3.5 nếu vấn đề của bạn là độ bao phủ dưới một ID giọng nói duy nhất: một sản phẩm phát hành một giọng thương hiệu trên hàng chục ngôn ngữ/khu vực, một kho nội dung cũ phải được kết xuất lại bằng những ngôn ngữ mà không ai trong nhóm nói được, hoặc một bản đọc trợ năng nơi cùng một giọng đã nhân bản phải theo người dùng từ tiếng Anh sang tiếng Tây Ban Nha mà không nghe như một người khác. Danh sách ngôn ngữ được kiểm đếm, xếp hạng do nhân viên bình chọn và tính năng nhân bản zero-shot không cần phê duyệt chính là những yếu tố giúp việc đó hiệu quả, còn lợi thế dẫn trước 62 điểm trên bảng có kiểm soát nghĩa là chất lượng vẫn giữ vững khi giọng nói không phải là giọng do nhà cung cấp chọn.

Chọn Qwen-Audio-3.0-TTS nếu vấn đề của bạn là hiệu năng chứ không phải độ phủ: công việc sách nói và podcast, nơi thẻ [excited] thực sự xứng đáng được dùng, nội dung ưu tiên tiếng Quan Thoại nơi danh mục giọng nói và các điều khiển phát âm của Alibaba là sâu nhất, hoặc một triển khai phải đặt tại khu vực Singapore hoặc Bắc Kinh. Trường hướng dẫn thực sự biểu cảm hơn những gì Speechify cung cấp, và các đường dẫn URL không streaming cùng đường dẫn chunk SSE bao phủ cả kết xuất hàng loạt lẫn trực tiếp.

OrcaRouter không cung cấp cả hai dòng này — Simba được truy cập qua API riêng của Speechify, còn Qwen qua Alibaba Cloud Model Studio — và không có gì ở đây nên được hiểu là một tuyên bố ngược lại. Thứ chúng tôi định tuyến là một danh mục tổng hợp nhỏ hơn, đóng vai trò đối chứng trung lập khi bạn kiểm thử: openai/tts-1 với giá 15,00 USD mỗi triệu ký tự và openai/tts-1-hd với giá 30,00 USD, cả hai đều theo giá niêm yết của nhà cung cấp, không cộng thêm phụ phí, cùng với google/gemini-3.1-flash-tts-preview. Kết xuất cùng một kịch bản ba phút qua những mô hình đó và qua cả hai ứng viên là cách rẻ nhất để giải quyết một câu hỏi mà hai bảng xếp hạng chỉ có thể thu hẹp lại.

Phần mà cả hai nhà cung cấp đều để bạn tự tìm ra

Cả hai mô hình đều sẽ không cho bạn biết liệu đầu ra không phải tiếng Anh của nó có đủ tốt cho khán giả của bạn hay không, và đấu trường cũng vậy: bảng Controlled Voice là một đánh giá bằng tiếng Anh trên tám giọng tham chiếu tiếng Anh, bốn giọng Mỹ và bốn giọng Anh. Một khoảng cách dẫn trước 62 điểm được đo bằng tiếng Anh không nói lên điều gì trực tiếp về tiếng Nhật, tiếng Ba Lan hay tiếng Bồ Đào Nha Brazil. Câu trả lời của Speechify là chỉ vào các lựa chọn của nhân viên theo từng ngôn ngữ; của Alibaba là chỉ vào hướng dẫn và danh sách giọng. Cả hai đều đang yêu cầu bạn lắng nghe.

Đó là kết luận trung thực cho cặp này. Một bên mới hơn, rẻ hơn theo giá niêm yết, được đo lường tốt hơn bằng tiếng Anh và được tài liệu hóa đến tận số lượng ngôn ngữ. Bên kia biểu đạt tốt hơn, có chỗ đứng vững hơn trong công việc tiếng Trung, đang ở giữa quá trình chuyển đổi thế hệ và được điều khiển bằng một trường chỉ dẫn thay vì một bản đặc tả. Hãy kiểm thử cả hai trên hai ngôn ngữ-vùng thực sự tạo ra doanh thu của bạn, và phần còn lại của so sánh này sẽ trở thành yếu tố phá hòa thay vì quyết định.