Simba 3.5 对比 Simba 3.2：110 个 Elo 积分、48 种语言，以及九天内翻倍的账单

同一厂商内部的升级路径通常是本博客上最无趣的对比。这次并非如此，因为SpeechifyAI Simba 3.5与SpeechifyAI Simba 3.2之间的差异不止是版本号，而且这些差异指向相反方向。Simba 3.5 在 Controlled Voice arena 上高出 110 Elo 分，支持 48 种语言而非 1 种，并且标价贵 50%。Simba 3.2 在目前唯一有人实际测量过的延迟数值上更快，其语音允许列表已不再限制任何内容，并保持原价。在生产环境中运行 Simba 3.2 的团队要在 11 月 22 日前做出一个真正的决定，而“升级到更新的版本”并不自动就是正确答案。

先说日期，因为正是这些日期让这件事成为紧迫的现实问题，而非纸上谈兵。Simba 3.2 于 2026 年 7 月 8 日作为仅支持英文的流式模型发布，并且一直作为推荐版本直至 10 月 18 日。Simba 3.5 于 10 月 18 日被标记为推荐版本，10 月 21 日正式公开发布，11 月 9 日下调了标价，而到 11 月 21 日，它将成为两个即将退役的旧版 id 背后的模型。Speechify 并没有弃用 3.2——它仍在列表中、仍有定价、仍可调用——而这恰恰说明，这个选择必须基于实际优劣，而不是基于截止日期。

这是两个模型各自历史上最大的竞技场分差。

两款模型在 Artificial Analysis 的两个榜单上均有评分。受控榜单在八个克隆参考音色之间保持说话人不变；供应商榜单则允许各厂商使用自己的音色阵容。对于任何要克隆声音的人来说，这两个榜单中信息量更大的是受控榜单，而两代模型之间的差距在该榜单上也更大。

• 受控语音 — Simba 3.5 排名第 1，Elo 1,192，±17，区间 1,175 至 1,209，1,783 个样本

• 受控语音 — Simba 3.2 排名第 14，Elo 1,082，正负 12，区间 1,070 至 1,094，3,630 个样本

• 提供方之声 — Simba 3.5 排名第 5，Elo 1,294，正负 17，区间 1,277 至 1,311，1,732 个样本

• 提供商之声 — Simba 3.2 排名第 12，Elo 1,250，正负 11，区间为 1,239 至 1,261，3,966 个样本

• 两代之前——Simba 3.0 在 1,035 个受控项中排名第 27，在 1,114 个提供商中排名第 41

受控榜上的差距为110分，且各区间之间留有超过80分的空白，彼此完全分开。这不是一次勉强重跑。作为参照，该榜单的前十名总共只跨越62分；而Simba的一代就覆盖了近两倍的范围。提供方榜上的差距较小，为44分，这说明了有用的一点：3.5 提升的一部分来自对陌生声音的合成质量，另一部分则只是默认声音更好。

这种代际更替的规律在三个版本上也保持一致。Simba 3.0 到 3.2 在受控榜单上提升了 47 分；3.2 到 3.5 则提升了 110 分。Speechify 在这方面的进步速度比以往更快，而九月时还被推荐的 3.2 模型如今已落到中游。

语言：六、一、四十八

这是改变架构而非质量评分的差异。Simba 3.2 仅支持英语——非英语语音会返回 400，并在消息中指明被拒绝的区域设置。Simba 3.0 覆盖七种区域设置下的六种语言。Simba 3.5 在同一个 id 下覆盖 48 种区域设置，明确排除爱沙尼亚语和粤语，并将地区变体纳入范围。

让这 48 种语言真正可用之处，在于声音能够通行。每一个目录声音都能在 Simba 3.5 上用同一个 voice id 说出全部 48 种语言，你在付费方案中克隆的声音也是如此。这正是本地化流程一直期待的功能：一个克隆的品牌声音，四十八种语言，无需按语言区域替换声音。厂商的提醒是，声音会保留其源录音的口音；其建议是使用每种语言母语者精选的声音来生成——这就是 staff_pick_rank 于 10 月 18 日出现在 voices 端点中的原因。

在 Simba 3.2 上，整套工作流并不存在。一种语音，一种语言。如果你的产品销往不止一个市场，这并非评分上的差异；而是“一次集成”与“两个供应商”之间的差异。

延迟方面，较旧的模型仍然更胜一筹

Speechify 公布了 Simba 3.2 的实测延迟，而对 3.5 只公布了汇总性声明，并且公布的测量结果良好。2026 年 10 月 9 日，从美国东部的一个客户端通过热连接计时，Simba 3.2 在 WebSocket 输入流上达到首次可听音频的中位数为 47 毫秒，在 HTTP 流上为 64 毫秒——这是 Speechify 当天从该位置计时的十三个端点中最低的。在 9 月 15 日测量的生产流量中，服务器端首字节在 p50 为 56 毫秒，在 p90 为 102 毫秒。该公司明确表示，每个数值都是测量得到的百分位数，而非保证，并且从苏黎世来看情况会发生变化：另一家供应商的 flash 模型为 142 毫秒，而其自身两条流路径分别为 145 毫秒和 153 毫秒。

对于 Simba 3.5，文档中给出的数字是厂商声明，而非公开发布的百分位数：在生产负载下，95% 的流式请求的首个音频时间为 72 毫秒；每个服务实例的吞吐量是 Simba 3.2 的 1.8 倍。这些数字无法与在热连接上测得的 p50 直接比较。72 毫秒的 p95 与 47 毫秒的 p50 完全可能是彼此一致的，而 Speechify 之外还没有任何人做过能够证实这一点的测试。

实际影响范围很窄，但确实存在。如果你的产品用户体验是语音助手，而其中 100 毫秒的静音就能被感知到，那么你有 3.2 的实测数据，以及关于 3.5 的宣称；诚实的做法是在迁移之前自己测量 3.5。如果你是将音频渲染到文件中，那么延迟无关紧要，本节不适用于你。

价格：优惠活动将于11月21日结束

Speechify 这两款模型的定价即将拉开差距，更新日志对此作了精确说明。

• Simba 3.5，自 11 月 22 日起 — Starter 每百万字符 15.00 美元，Pro 12.00 美元，Scale 10.00 美元

• Simba 3.5，截至11月21日——$10.00、$8.00 和 $6.00，即旧款的价格

• Simba 3.5，原定10月21日发布的价目表——20美元、16美元和12美元，后被11月9日的降价取代

• Simba 3.2 — 相同套餐下保持不变，每百万字符分别为 $10.00、$8.00 和 $6.00

截至11月21日，这两个模型的价格完全相同，而3.5严格更优。从11月22日起，3.5在每个档位的价格都高出50%。在Pro方案中，900万字符的价格是72美元对108美元；在Scale方案中，4680万字符是280.80美元对468美元。余额未变，因此按标价，同样的方案购买较新模型时所能买到的字符数少了三分之一。

这是一个直截了当的价值判断，而不是什么陷阱：以 50% 的溢价换取 110 个 Elo 分数和额外 47 种语言，对几乎所有会用到其中任一功能的工作负载来说都是一笔划算的交易；而对于一个已经满足于 3.2 质量的纯英语流水线来说，则是一笔不划算的买卖。

迁移只需一行代码，而这就是陷阱所在

Speechify 的文档异常明确地指出，从 3.2 迁移到 3.5 不需要更改 API 版本：将 model 设为 simba-3.5，保持相同的语音 ID、相同的输出格式、相同的语音标记，以及相同的已应用 SSML 子集。省略 model 的请求仍会解析为 simba-3.0，因此默认值不会悄悄将你切换过去。

有两个细节让这个一句话的故事变得复杂。第一个是语言现在很重要：如果文本与语音的区域设置不同，你必须显式设置它，否则 API 会使用语音的区域设置，你就会得到并非本意的口音。第二个是 11 月 21 日本身。在那一天，两个 Simba 1.6 ID——simba-english 和 simba-multilingual——将不再由它们旧的训练模型提供服务，而开始由 Simba 3.5 提供服务，并按 Simba 3.5 的费率计费；在所有仍能指定它们的 API 版本上都是如此。固定使用旧 ID 的集成将在同一天更改语音并更改价格，而无需更改代码。在那之前有意测试 3.5 是做出选择的唯一方式。

还有一项值得了解的静默改进：10 月 20 日起，韵律音高和韵律音量开始在 Simba 3.5、3.2 和 3.0 上生效，而此前它们只是被接受但被忽略。如果你今天发送了这些属性，且并不希望发生这一变化，Speechify 自己的建议是将其移除。强调和情感标签在这三个模型上仍然是被接受但未应用。

OrcaRouter 在同系列升级中的定位

Simba 的两个模型均不在 OrcaRouter 上——该产品线需通过 Speechify 自有 API 访问，本文任何内容都不应被理解为相反的说法。我们确实路由的是你在决策时可作为对照使用的合成目录：openai/tts-1，每百万字符 15.00 美元以及 openai/tts-1-hd，30.00 美元，按提供商标价，无任何加价。

在这样的迁移中，路由器真正有用的地方在于：它让旧路径在新路径得到验证的同时仍然可用。让 3.5 在供应商的 API 上承载一周真实流量，把 3.2 保留为回退方案，并在出现故障时绕开它，而不是等到生产环境中才发现它——自动故障转移在一切正常时没有任何成本，而一旦真的出故障，就能为整个发布窗口争取到保障。同一个密钥也意味着，在你决定是否由任一 Simba 代际来替换它时，你原本已经在用的 OpenAI 语音仍保持可访问。

按工作负载选择运行哪一个

如果你的工作负载是英语、语音是英语、质量门槛已在七月达到，并且实测 47 毫秒的首个可听音频指标对你的产品至关重要，那就继续使用 Simba 3.2。你在 11 月 21 日之前以及此后一直支付较低费率，而且 3.5 中没有任何内容能改善你的输出。3.2 没有弃用日期；Speechify 已明确说明这一点。

如果以下任一情况属实，就迁移到 Simba 3.5：你需要第二语言；你克隆语音并希望跨区域设置使用同一个语音 ID；你的英语质量门槛已经提高；或者你正在构建新项目。110 分的受控评测差距是 Speechify 迄今最大的代际跃升，而 48 种语言的覆盖在本系列内没有其他途径可获得。如果你想按旧模型的价格评估它，请在 11 月 21 日前完成，并明确设置模型 ID，以免停用机制替你做出选择。

无论你选择哪条路，这个决定都有一个复审日期，而不是永久答案。Simba 3.5 有 1,783 个受控语音样本，而 3.2 有 3,630 个，因此其区间将会收窄。它的标价在三周内已经变动过一次。而阿里巴巴的 Qwen-Audio-3.1-TTS-Plus 在同一榜单上为 1,176，以相近的榜单价格落后当前 Simba 旗舰 16 分——差距足够小，以至于任一方下一次发布都会重新引发这个问题。