Simba 3.5 so với Simba 3.2: 110 điểm Elo, 48 ngôn ngữ và một hóa đơn tăng gấp đôi chỉ trong chín ngày

Con đường nâng cấp trong cùng một nhà cung cấp thường là so sánh kém thú vị nhất trên blog này. Lần này thì không, bởi vì SpeechifyAI Simba 3.5 và SpeechifyAI Simba 3.2 khác nhau không chỉ ở số phiên bản và những khác biệt đó đi theo hướng ngược nhau. Simba 3.5 tốt hơn 110 điểm Elo trên Controlled Voice arena, nói được 48 ngôn ngữ thay vì một, và có giá niêm yết cao hơn 50%. Simba 3.2 nhanh hơn ở chỉ số độ trễ duy nhất mà người ta thực sự đo được, có danh sách cho phép giọng nói không còn hạn chế gì nữa, và giữ nguyên giá cũ. Một nhóm đang chạy Simba 3.2 trong môi trường sản xuất có một quyết định thực sự cần đưa ra trước ngày 22 tháng 11, và "nâng cấp lên bản mới hơn" không tự động là câu trả lời đúng.

Trước hết là các mốc thời gian, vì chính chúng khiến việc này trở nên cấp bách chứ không chỉ là lý thuyết. Simba 3.2 ra mắt ngày 8 tháng 7 năm 2026 dưới dạng mô hình streaming chỉ hỗ trợ tiếng Anh và được khuyến nghị cho đến ngày 18 tháng 10. Simba 3.5 được đánh dấu là khuyến nghị vào ngày 18 tháng 10, ra mắt công khai vào ngày 21 tháng 10, bị cắt giảm giá niêm yết vào ngày 9 tháng 11, và vào ngày 21 tháng 11 sẽ trở thành mô hình đứng sau hai id cũ đang ngừng sử dụng. Speechify không loại bỏ dần 3.2 — mô hình này vẫn được liệt kê, vẫn giữ giá và vẫn có thể gọi được — và đó chính là lý do lựa chọn phải được đưa ra dựa trên giá trị thực chất chứ không phải theo hạn chót.

Khoảng cách trên Arena là lớn nhất trong lịch sử của cả hai mô hình.

Cả hai mô hình đều được chấm điểm trên cả hai bảng của Artificial Analysis. Bảng có kiểm soát giữ nguyên người nói trên tám giọng tham chiếu đã được nhân bản; bảng của nhà cung cấp cho phép mỗi nhà cung cấp sử dụng dàn giọng riêng của mình. Khoảng cách giữa hai thế hệ này lớn hơn trên bảng có kiểm soát, bảng này mang tính thông tin cao hơn trong hai bảng đối với bất kỳ ai đang nhân bản giọng nói.

• Controlled Voice — Simba 3.5 hạng 1, Elo 1.192, cộng hoặc trừ 17, khoảng 1.175 đến 1.209, 1.783 mẫu

• Giọng nói được kiểm soát — Simba 3.2 hạng 14, Elo 1,082, cộng hoặc trừ 12, khoảng từ 1,070 đến 1,094, 3,630 mẫu

• Provider Voice — Simba 3.5 hạng 5, Elo 1.294, cộng hoặc trừ 17, khoảng 1.277 đến 1.311, 1.732 mẫu

• Provider Voice — Simba 3.2 hạng 12, Elo 1.250, cộng hoặc trừ 11, khoảng 1.239 đến 1.261, 3.966 mẫu

• Cách đây hai thế hệ — Simba 3.0 xếp hạng 27 ở mức 1.035 controlled, xếp hạng 41 ở mức 1.114 provider

Khoảng cách trên bảng đối chứng là 110 điểm, với các khoảng tách nhau bởi hơn 80 điểm không gian trống. Đây không phải là một lần chạy lại sát nút. Để so sánh, toàn bộ top 10 của bảng đó trải rộng 62 điểm; một thế hệ Simba bao phủ gần gấp đôi phạm vi đó. Khoảng cách trên bảng nhà cung cấp nhỏ hơn, ở mức 44 điểm, điều này cho thấy một điều hữu ích: một phần những gì 3.5 cải thiện là chất lượng tổng hợp trên các giọng nói lạ, và một phần chỉ đơn giản là âm thanh mặc định tốt hơn.

Mô hình qua các thế hệ cũng nhất quán qua ba bản phát hành. Simba 3.0 đến 3.2 là 47 điểm trên bảng kiểm soát; 3.2 đến 3.5 là 110. Speechify đang cải thiện việc này nhanh hơn trước, và mô hình 3.2 từng được khuyến nghị vào tháng 9 giờ đã ở giữa bảng xếp hạng.

Ngôn ngữ: sáu, một, bốn mươi tám

Đây là khác biệt làm thay đổi kiến trúc chứ không phải điểm chất lượng. Simba 3.2 chỉ hỗ trợ tiếng Anh — một giọng nói không phải tiếng Anh sẽ trả về 400 với locale bị từ chối được nêu trong thông báo. Simba 3.0 bao phủ sáu ngôn ngữ trên bảy locale. Simba 3.5 bao phủ 48 ngôn ngữ dưới một id, với tiếng Estonia và tiếng Quảng Đông bị loại trừ rõ ràng và các biến thể khu vực nằm trong phạm vi.

Điều khiến 48 ngôn ngữ trở nên khả dụng là giọng nói có thể được mang theo. Mọi giọng trong danh mục đều nói được cả 48 ngôn ngữ trên Simba 3.5 với cùng một voice id, và giọng bạn đã nhân bản trên gói trả phí cũng vậy. Đó chính là tính năng mà một pipeline bản địa hóa đã chờ đợi: một giọng thương hiệu được nhân bản, bốn mươi tám ngôn ngữ, không cần thay thế giọng theo từng locale. Lưu ý của nhà cung cấp là một giọng sẽ giữ khẩu âm của bản ghi nguồn, và hướng dẫn của họ là tạo bằng một giọng staff-pick bản ngữ của từng ngôn ngữ — đó là lý do staff_pick_rank xuất hiện trong endpoint voices vào ngày 18 tháng 10.

Trên Simba 3.2, toàn bộ quy trình đó không tồn tại. Một giọng nói, một ngôn ngữ. Nếu sản phẩm của bạn được phát hành ở nhiều hơn một thị trường, đây không phải là khác biệt về điểm số; đó là khác biệt giữa một tích hợp và hai nhà cung cấp.

Độ trễ, điểm mà mô hình cũ vẫn chiếm ưu thế

{{1}}Speechify công bố độ trễ đo được cho Simba 3.2 và chỉ đưa ra các tuyên bố tổng hợp cho 3.5, và kết quả đo được công bố là tốt.{{/1}} Vào ngày 9 tháng 10 năm 2026, khi tính thời gian từ một máy khách ở khu vực Đông Hoa Kỳ qua các kết nối đã ấm, Simba 3.2 đạt âm thanh nghe được đầu tiên với trung vị 47 mili giây qua luồng đầu vào WebSocket và 64 mili giây qua luồng HTTP — mức thấp nhất trong mười ba điểm cuối mà Speechify tính thời gian ngày hôm đó từ vị trí đó. {{2}}Byte đầu tiên phía máy chủ là 56 ms ở p50 và 102 ms ở p90 trên lưu lượng sản xuất được đo ngày 15 tháng 9.{{/2}} {{3}}Công ty nói rõ rằng mọi giá trị đều là một phân vị được đo chứ không phải bảo đảm, và rằng từ Zurich bức tranh thay đổi: 142 ms cho mô hình flash của một nhà cung cấp khác so với 145 và 153 ms cho hai đường luồng của chính họ.{{/3}}

Đối với Simba 3.5, các số liệu được ghi nhận là tuyên bố của nhà cung cấp chứ không phải các phân vị đã công bố: 72 mili giây thời gian đến âm thanh đầu tiên đối với 95% yêu cầu phát trực tuyến dưới tải production, và thông lượng gấp 1,8 lần Simba 3.2 trên mỗi instance phục vụ. Không thể so sánh trực tiếp những con số đó với p50 được đo trên các kết nối warm. Một p95 là 72 ms và một p50 là 47 ms có thể hoàn toàn nhất quán, và không ai bên ngoài Speechify đã chạy vòng đo có thể chứng minh điều đó.

Hệ quả thực tế tuy hẹp nhưng có thật. Nếu trải nghiệm người dùng của sản phẩm bạn là một trợ lý giọng nói, nơi mà một trăm mili giây im lặng là có thể nhận biết được, thì bạn có một con số đo được cho 3.2 và một tuyên bố cho 3.5, và việc trung thực cần làm là tự đo 3.5 trước khi chuyển đổi. Nếu bạn đang kết xuất âm thanh ra tệp, độ trễ là không liên quan và phần này không áp dụng cho bạn.

Giá: ưu đãi kết thúc vào ngày 21 tháng 11

Giá của Speechify cho hai mô hình này sắp phân kỳ, và nhật ký thay đổi trình bày rõ điều đó.

• Simba 3.5, từ ngày 22 tháng 11 — 15,00 USD mỗi triệu ký tự cho gói Starter, 12,00 USD cho gói Pro, 10,00 USD cho gói Scale

• Simba 3.5, đến hết ngày 21 tháng 11 — $10.00, $8.00 và $6.00, mức giá của các mẫu cũ hơn

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

• Simba 3.2 — không thay đổi ở mức $10.00, $8.00 và $6.00 mỗi triệu ký tự trên cùng các gói

Vì vậy, tính đến hết ngày 21 tháng 11, hai mô hình có chi phí hoàn toàn như nhau và 3.5 tốt hơn hẳn. Từ ngày 22 tháng 11, 3.5 đắt hơn 50% ở mọi gói. Với gói Pro, đó là $72 so với $108 cho chín triệu ký tự; với Scale, $280.80 so với $468 cho 46,8 triệu. Số dư không đổi, vì vậy với cùng một gói, khách hàng mua được ít hơn một phần ba số ký tự của mô hình mới theo giá niêm yết.

Đó là một phán đoán giá trị thẳng thắn chứ không phải một mẹo: 110 điểm Elo và thêm 47 ngôn ngữ với mức phí cao hơn 50% là một sự đánh đổi tốt cho gần như mọi khối lượng công việc sử dụng một trong hai tính năng đó, và là một sự đánh đổi tồi cho một pipeline chỉ dùng tiếng Anh vốn đã hài lòng với chất lượng của 3.2.

Di chuyển chỉ là một dòng, và đó chính là cái bẫy

Tài liệu của Speechify rõ ràng một cách bất thường rằng việc chuyển từ 3.2 lên 3.5 không yêu cầu thay đổi phiên bản API: đặt model thành simba-3.5, giữ nguyên các voice id, cùng các định dạng đầu ra, cùng các speech mark và cùng tập con SSML được áp dụng. Các yêu cầu bỏ qua model vẫn được phân giải thành simba-3.0, vì vậy mặc định sẽ không âm thầm chuyển bạn.

Hai chi tiết khiến câu chuyện một dòng trở nên phức tạp. Đầu tiên là ngôn ngữ giờ đây đã trở nên quan trọng: nếu văn bản khác với locale của giọng nói, bạn phải đặt nó một cách rõ ràng, nếu không API sẽ dùng locale của giọng nói và bạn sẽ nhận được một giọng điệu không như ý. Điều thứ hai là chính ngày 21 tháng 11. Vào ngày đó, hai id Simba 1.6, simba-english và simba-multilingual, sẽ không còn được phục vụ bởi quá trình huấn luyện cũ của chúng nữa và bắt đầu được phục vụ bởi Simba 3.5, với mức tính phí theo giá của Simba 3.5, trên mọi phiên bản API vẫn có thể gọi tên chúng. Một tích hợp được ghim vào các id cũ sẽ thay đổi giọng nói và thay đổi giá trong cùng một ngày mà không cần thay đổi mã. Việc kiểm thử 3.5 một cách có chủ đích trước thời điểm đó là cách duy nhất để lựa chọn.

Cũng có một cải tiến âm thầm đáng để biết: vào ngày 20 tháng 10, prosody pitch và prosody volume bắt đầu được áp dụng trên Simba 3.5, 3.2 và 3.0, trong khi trước đây chúng được chấp nhận và bị bỏ qua. Nếu hôm nay bạn gửi các thuộc tính đó và không muốn thay đổi này, lời khuyên của chính Speechify là hãy xóa chúng. Các thẻ emphasis và emotion vẫn được chấp nhận và không được áp dụng trên cả ba mô hình.

OrcaRouter phù hợp ở đâu trong một bản nâng cấp trong cùng dòng sản phẩm

Không mô hình Simba nào có trên OrcaRouter — dòng này được truy cập qua API riêng của Speechify, và không nội dung nào ở đây nên được hiểu là tuyên bố ngược lại. Thứ chúng tôi định tuyến là danh mục tổng hợp mà bạn sẽ dùng làm đối chứng trong khi quyết định: openai/tts-1 với giá $15.00 mỗi triệu ký tự và openai/tts-1-hd với giá $30.00, theo giá niêm yết của nhà cung cấp, không cộng thêm gì.

Điều hữu ích mà một router làm được trong một quá trình chuyển đổi như thế này là giữ cho đường cũ vẫn hoạt động được trong khi đường mới được kiểm chứng. Chạy 3.5 trên API của nhà cung cấp trong một tuần lưu lượng thật, giữ 3.2 làm phương án dự phòng, và định tuyến vòng qua sự cố thay vì phát hiện ra nó trên môi trường sản xuất — chuyển đổi dự phòng tự động không tốn gì khi không có gì hỏng và khi có sự cố thì mang lại trọn vẹn cửa sổ ra mắt. Cùng một khóa duy nhất cũng có nghĩa là giọng nói OpenAI mà bạn đã và đang sử dụng vẫn truy cập được trong khi bạn quyết định liệu một trong hai thế hệ Simba có thay thế nó hay không.

Nên chạy cái nào, tùy theo khối lượng công việc

Hãy tiếp tục dùng Simba 3.2 nếu khối lượng công việc của bạn là tiếng Anh, giọng đọc của bạn là tiếng Anh, chuẩn chất lượng của bạn đã đạt từ tháng 7 và con số 47 ms cho thời gian đến âm thanh nghe được đầu tiên đo được là yếu tố then chốt trong sản phẩm của bạn. Bạn đang trả mức giá thấp hơn cho đến hết ngày 21 tháng 11 và mãi mãi về sau, và không có gì trong 3.5 cải thiện đầu ra của bạn. Không có ngày ngừng hỗ trợ nào cho 3.2; Speechify đã nói rõ điều đó.

Chuyển sang Simba 3.5 nếu bất kỳ điều nào sau đây đúng: bạn cần ngôn ngữ thứ hai, bạn nhân bản giọng nói và muốn một voice id xuyên suốt các locale, chuẩn chất lượng tiếng Anh của bạn đã thay đổi, hoặc bạn đang xây dựng một thứ gì đó mới. Khoảng cách 110 điểm trên bảng kiểm soát là bước nhảy thế hệ lớn nhất mà Speechify từng tạo ra, và phạm vi 48 ngôn ngữ không có cách nào khác để có được trong dòng sản phẩm này. Hãy làm trước ngày 21 tháng 11 nếu bạn muốn đánh giá nó với mức giá của các mô hình cũ hơn, và đặt model id một cách rõ ràng để việc ngừng hỗ trợ không tự chọn thay bạn.

Dù bạn chọn hướng nào, quyết định này đều có ngày đánh giá lại thay vì một câu trả lời vĩnh viễn. Simba 3.5 có 1.783 mẫu giọng nói được kiểm soát, so với 3.630 của 3.2, nên khoảng tin cậy của nó sẽ thu hẹp. Giá niêm yết của nó đã thay đổi một lần trong ba tuần. Và Qwen-Audio-3.1-TTS-Plus của Alibaba, với 1.176 điểm trên cùng bảng xếp hạng, kém mẫu chủ lực hiện tại của Simba 16 điểm với mức giá tương đương trên bảng — đủ sát sao đến mức bản phát hành tiếp theo của bất kỳ bên nào cũng sẽ mở lại câu hỏi này.