Simba 3.5 与 Qwen-Audio-3.0-TTS：解决语言问题的两种方式，其中只有一种有文档记录

两者SpeechifyAI Simba 3.5和Alibaba Qwen-Audio-3.0-TTS都能用英语以外的语言朗读你的脚本。它们通过截然相反的路径实现这一点。Simba 3.5 公布了一份清单：48 种语言、一个模型 ID，目录中的每个语音都能说全部这些语言，并明确指出爱沙尼亚语和粤语是例外。Qwen-Audio-3.0-TTS 则公布了一个指令字段，而其文档中让它说荷兰语的方法是向它发送句子“Speak in Dutch, slowly and clearly.”。其中一个是可据以构建区域设置矩阵的规范。另一个则是一条提示词，而二者之间的差异正是本次比较中最有用的部分。

在这里，模型的新旧程度也很重要，而通常并非如此。Qwen-Audio-3.0-TTS 于 2026 年 7 月 20 日发布，此后已被 Qwen-Audio-3.1-TTS-Plus 取代，后者位居阿里巴巴产品线顶端，目前占据 Controlled Voice 榜单第三名。3.0 Plus 档位仍在列，并且仍然是 Provider Voice 上实测排名更强的那个。Simba 3.5 于 2026 年 10 月 21 日推出，目前已进入定价方案的第三周，而该方案已经修订过一次。

数字，若存在则并排显示

Artificial Analysis 在两个榜单上对两款模型均进行了评分，这使其成为语音领域少数几组能够进行同类对比、而无需从上一代产品推断的对决之一。

• 受控语音 — SpeechifyAI Simba 3.5 排名第 1，Elo 1,192，误差 ±17，1,783 个样本

受控语音 — 阿里巴巴 Qwen-Audio-3.0-TTS-Plus 排名第 10，Elo 1,130，正负 12，样本量 3,596

• 提供商语音 — SpeechifyAI Simba 3.5 排名第 5，Elo 1,294，正负 17，1,732 个样本

• 提供商语音 — Alibaba Qwen-Audio-3.0-TTS-Plus 排名第 10，Elo 1,264，正负 13，3,056 个样本

• 可控语音——Alibaba Qwen-Audio-3.1-TTS-Plus 排名第3，Elo 1,176，正负12——这是较新的阿里巴巴模型，也是值得关注的一个

• 榜单价格——Qwen-Audio-3.0-TTS-Plus 在两个榜单上均为每百万字符 $19.31；Simba 3.5 标价为 $6.58，这是一个套餐内嵌费率，与 Speechify 公布的价目表不符

Simba 3.5 在受控榜上领先 62 分，在提供商榜上领先 30 分，而且这两种情况下的置信区间都清晰分离。这是一个明确有利于 Simba 的质量结果，也值得注意的是，无法解释这一点的因素：样本量。Qwen-Audio-3.0-TTS-Plus 的估计背后有双倍的受控语音投票，因此这是一个测量充分的 1,130，而不是噪声很大的结果。

有趣的微妙之处在于阿里巴巴自家的产品线。在受控评测榜上，Qwen-Audio-3.1-TTS-Plus 比 Qwen-Audio-3.0-TTS-Plus 高出 46 分，这意味着阿里巴巴当前一代模型比 3.0 模型更接近 Simba 3.5。任何拿 3.0 层级作比较的人，测量的都是一个已经改进过一次的模型。

四十八种列出的语言与一个指令字段对照

Speechify 的文档对于语音 API 而言具体得非同寻常。Simba 3.5 的 48 种语言可以逐一列举，每个目录中的语音——以及每个付费套餐的克隆语音——都能说所有这些语言，并且该模型接受标准的 BCP-47 风格语言标签，例如 ja-JP，已列出语言的任何地区变体都在范围内。被排除的两个语种——爱沙尼亚语和粤语——也被明确列出。Speechify 还会标记每个区域设置中哪些语音是员工精选，并用 staff_pick_rank 字段为其排名，因为语音会保留其源录音的口音，而其自身建议是使用该语言母语的语音来生成。

阿里巴巴的方案则朝着另一个方向体现出灵活性。Qwen-Audio-3.0-TTS 接受用自然语言描述表达方式的指令——语速、情感、人设——而针对目标语言的文档化做法是在指令中说明这一点，并且指令必须与文本语言保持一致。它还通过 language_hints 和 hot_fix 支持显式发音控制，支持 SSML 和 LaTeX 输入，以及 [excited]、[sad]、[laughing] 和 [sighing] 等内联情感与非语言标签。非流式请求返回有效期 24 小时的音频 URL；流式请求返回 base64 数据块。该模型在新加坡和北京提供服务。

那一套标签词汇是实打实的优势，而 Simba 3.5 并不具备与之匹配的能力。Speechify 会应用 break、prosody rate、prosody pitch、prosody volume 和 sub alias；emphasis 和 emotion 标签会被接受，但不会被应用。如果你的产品需要在一句中间加入笑声，或在句末加入一声叹息，Qwen-Audio-3.0-TTS 如今就能做到，而 Simba 3.5 不能。

一旦说明，这种权衡就很直接：Qwen 给你表达控制力，而把语言支持留给文字说明；Speechify 给你一份可枚举的语言列表和更窄的表达面。对于本地化流水线来说，可枚举的列表更有价值，因为语言区域矩阵是可以测试、可以写进工作说明书、也可以据此让构建失败的东西。“请用荷兰语缓慢而清晰地说”则是你必须亲耳去听的东西。

定价，换算成可比较的数字

Alibaba 按输入字符数以人民币对语音合成计费，北京和新加坡部署的区域费率不同。Qwen-Audio-3.0-TTS-Plus 在北京的标价为每 10,000 个字符 ¥1.4；Flash 档为 ¥1.0。Artificial Analysis 将 Plus 档归一化为每百万字符 $19.31，如果你要与以美元计价的供应商进行比较，而不是编制区域预算，则应使用这一数字。每个列出的 Qwen-Audio 模型在北京区域均享有 100 万 token 的免费额度，自激活或发布之日起 90 天内有效，以较晚者为准。

Speechify 按每百万字符的美元价格公布，而且已经改过一次主意了：

• Simba 3.5，11月22日起的标价——Starter 每百万 $15.00，Pro 每百万 $12.00，Scale 每百万 $10.00

• Simba 3.5，截至11月21日——10.00美元、8.00美元和6.00美元，Simba 3.2和3.0的费率

• {{1}}Simba 3.5，最初于10月21日发布的价格表为 $20、$16 和 $12，后被11月9日的降价所取代{{/1}}

• Simba 3.2 和 Simba 3.0 — 每百万字符 10 美元、8 美元和 6 美元，保持不变

按标价计算，根据套餐不同，Simba 3.5 的价格大约为 Qwen-Audio-3.0-TTS-Plus 牌价的二分之一到四分之三；在优惠活动期间，则为三分之一到二分之一。按绝对值来看，两者都不算贵——每月五百万字符，用哪一家都不到 100 美元——所以，除非你运营的内容目录非常庞大，价格不太可能是决定性因素。语言覆盖范围和表达控制能力可能才是。

11月21日这个日期会如何影响这一决定

Speechify 的 Simba 1.6 ID——{{1}}simba-english 和 simba-multilingual{{/1}}——已在 API 版本 2026-09-21 中从选择列表中撤下。2026 年 11 月 21 日，在任何仍能指定它们的 API 版本上，两者在所有语言中都将由 Simba 3.5 提供，并按 {{2}}simba-3.5{{/2}} 计费。自夏季以来一直运行 simba-multilingual 的集成，将在该日期无需更改代码就更换音色并改变价格。

在此对比中，阿里巴巴没有对应的计划活动。Qwen-Audio-3.0-TTS 仍与 3.1 SKU 并列列出，而 3.1 系列按不同的单位计费——按 token 而非字符——因此不能通过将一个价目表单元格除以另一个来比较这两代产品。如果你目前使用的是 3.0，那么迁移到 3.1 是一个实实在在的项目，而不是改一行模型 ID；两个层级之间 46 个百分点的受控评测差距，正是应当安排这项迁移的原因。

每种选择在什么情况下才是正确的

如果你的问题是在单一声音 ID 下实现广泛覆盖，就选 Simba 3.5：它能让一个产品在数十个语言区域中发布同一种品牌声音；能让历史内容库用团队里没人会说的语言重新渲染；也能用于无障碍朗读，让同一个克隆声音随着用户从英语切换到西班牙语，而听起来不像另一个人。计入统计的语言列表、员工精选排名，以及无需审批的零样本克隆，正是让这一切成立的功能；而在受控评测板上领先 62 分，意味着即使声音不是供应商挑选的那一个，质量也依然站得住。

如果问题在于性能而非覆盖范围，就选 Qwen-Audio-3.0-TTS：有声书和播客制作中，[excited] 标签能真正派上用场；以普通话为主的内容中，阿里巴巴的语音目录和发音控制最为深入；或者部署必须位于新加坡或北京区域。其指令字段确实比 Speechify 所展现的更富表现力，而且非流式 URL 和 SSE 分块路径同时覆盖批处理与实时渲染。

OrcaRouter 两条线路都不提供——Simba 通过 Speechify 自有 API 访问，Qwen 通过阿里云百炼（Alibaba Cloud Model Studio）访问——此处任何内容都不应被解读为相反的主张。我们实际路由的是一个规模更小的合成目录，在你测试时可作为中性对照：openai/tts-1，每百万字符 $15.00，以及 openai/tts-1-hd，价格为 $30.00，两者均按提供商标价，未添加任何加价，同时还有 google/gemini-3.1-flash-tts-preview。用这些以及两个候选对象渲染同一份三分钟脚本，是解决一个两个排行榜只能缩小范围的问题的最便宜方式。

两家厂商都留给你自己去弄明白的那部分

两个模型都不会告诉你，它们的非英语输出对你的受众来说是否足够好，竞技场也不会：Controlled Voice 榜单是一项英语语言评估，基于八个英语参考语音，四个美式、四个英式。以英语测得的 62 分领先，并不能直接说明日语、波兰语或巴西葡萄牙语的情况。Speechify 的回答是指向各地区的员工精选；阿里巴巴的回答是指向说明和语音列表。两者都是在请你亲自听一听。

这就是对这两者最诚实的结论。一个更新、标价更便宜、在英语上测得更好，而且文档细到语言数量。另一个表达力更强、在中文工作中更成熟、正处于代际过渡中途，并且由指令字段而非规格说明控制。在你真正带来收入的两个语言区域上分别测试两者，那么这次比较的其余部分就会成为决胜因素，而不是决定本身。