Simba 3.5 對上 Eleven v4：這兩個排行榜說法不一，而只有其中一個真正關乎你的產品

把SpeechifyAI Simba 3.5與ElevenLabs Eleven v4放在同一張表上，結果完全取決於你讀的是哪一個 Artificial Analysis 排行榜。在 Controlled Voice 上——每位參賽者都使用相同的八個複製參考語音——Simba 3.5 以 1,192 排名第一，Eleven v4 以 1,155 排名第七，差距 37 分，且兩者的區間並不重疊。在 Provider Voice 上——各廠商自家語音陣容——Eleven v4 以 1,340 排名第一，Simba 3.5 以 1,294 排名第五，反方向差距 46 分，同樣有清楚分離。這兩個數字都沒有錯。它們衡量的是不同產品，而你是否該相信哪一個，取決於一個關於你的技術堆疊的問題，而不是關於任一廠商的問題。

這兩個董事會，以及它們為何如此徹底地意見相左

「受控語音」讓說話者保持不變。Artificial Analysis 複製四個美國聲音與四個英國聲音，並讓每個模型用這些相同聲音說出相同台詞，因此聽者比較兩個樣本時，只會聽到合成品質本身。「供應商語音」則讓各廠商提出自家聲音，這表示聽者是把模型與聲音陣容放在一起評判——包括廠商精心策劃的音色、口音與演繹選擇。

ElevenLabs 花了數年時間打造那套配音陣容。這是公司裡完全不是模型的部分，也是為什麼在供應商排行榜上，Eleven v4 和 Eleven v4 Turbo 佔據前兩名，且與其餘廠商之間有 32 個樣本的明顯差距。拿掉這套配音陣容，Eleven v4 就會落到第七名。Speechify 的處境正好相反：使用自家聲音時排第五，不使用時排第一。

• 受控語音 — SpeechifyAI Simba 3.5 排名第 1，Elo 1,192，區間 1,175 至 1,209，1,783 個樣本

受控語音 — ElevenLabs Eleven v4 排名第 7，Elo 1,155，區間 1,143 至 1,167，3,221 個樣本

• 受控語音 — ElevenLabs Eleven v4 Turbo 排名第 6，Elo 1,156，區間 1,144 至 1,168，3,327 個樣本

• 供應商語音 — ElevenLabs Eleven v4 排名第 1，Elo 1,340，區間 1,325 至 1,355，2,742 個樣本

供應商語音 — ElevenLabs Eleven v4 Turbo 排名第 2，Elo 1,339，區間 1,323 至 1,355

• 供應商語音 — SpeechifyAI Simba 3.5 排名第 5，Elo 1,294，區間 1,277 至 1,311，1,732 個樣本

• 供應商語音 — Alibaba Qwen-Audio-3.1-TTS-Plus 以 1,300 分排名第 3，在該排行榜上位於兩者之間

這兩個差距都大於其周圍的區間，因此兩種排序都不是隨機的拋硬幣結果。Simba 3.5 在 Controlled Voice 上 37 點的勝差，以及 Eleven v4 在 Provider Voice 上 46 點的勝差，都是針對不同事物的真實測量結果。這很不尋常——大多數模型組合在兩張榜單上的結果方向都一致——而這正是本次比較的全部內容。

決定一切的問題

如果你的產品出貨時採用供應商所選的任一語音——預設助理語音、現成旁白音軌、整個應用程式共用單一企業語音——你買的就是 Provider Voice 所測量的東西，而 Eleven v4 以 46 分的差距勝出。如果你的產品讓使用者挑選語音、複製自己的聲音，或為每種語言帶來固定品牌語音，你買的就是 Controlled Voice 所測量的東西，而 Simba 3.5 以 37 分的差距勝出。

有一個實測方法可以在一個下午內解決這個問題：拿你自己三分鐘的參考音訊，在兩個平台上分別克隆，然後聆聽。能在受控排行榜上領先的模型，是能妥善處理不熟悉聲音的模型。能在供應商排行榜上領先的模型，則是對聲音有品味的模型。這些是不同的能力，而你的工作負載只需要其中一種。

價格並不接近，而且也不是全貌。

Eleven v4 的定價為每千字元 0.08 美元，也就是每百萬字元 80 美元。這是 ElevenLabs 自家 API 定價頁面上的費率，也是 Artificial Analysis 為該模型列出的數字；持續到十月中旬的促銷期已經結束，因此 80 美元是現行價格，而非上市初期的暫時現象。Eleven v4 Turbo 則是其一半，每百萬字元 40 美元。

Simba 3.5 在 Starter、Pro 和 Scale 方案的定價分別為每百萬字元 $15、$12 和 $10，相較於 10 月 21 日推出時的 $20、$16 和 $12 有所調降。在 2026 年 11 月 21 日（含）之前，則改按較舊模型的費率計費：$10、$8 和 $6。11 月 22 日之後將適用新的價目表，此優惠不再適用。

• Eleven v4 — 每百萬字元 80.00 美元，定價，目前無促銷活動

• Eleven v4 Turbo — 每百萬字元 $40.00

Simba 3.5 — 自11月22日起，每百萬字元 $15.00 Starter、$12.00 Pro、$10.00 Scale

• Simba 3.5 — 每百萬字元 10.00 美元、8.00 美元和 6.00 美元，優惠至 11 月 21 日

• Simba 3.2 與 Simba 3.0 — 相同方案維持不變，仍為 $10、$8、$6 的費率

每月五百萬字元——約一百小時的成品語音——Eleven v4 的費用是 $400，而 Simba 3.5 依方案與日期不同，費用介於 $50 到 $75 之間。這是五到八倍的差距。任何人引用排行榜上 Simba 3.5 的 $6.58，所引用的是方案內含的費率，與 Speechify 公布的價目表不符；請依上方的方案層級表編列預算。

語言：單一 ID 下 48 種，對比 90 多種

這裡比較不再是不分勝負，而開始成為路由決策。Simba 3.5 在單一 model id 下支援 48 種語言，高於 Simba 3.0 涵蓋的六種；每個型錄語音——包括複製的語音——都以同一個 voice id 說這 48 種語言。愛沙尼亞語和粵語明確不在名單中。Eleven v4 涵蓋 90 多種語言，每次請求上限為 10,000 個字元，約等於十分鐘語音，之後就必須分塊。

四十八種語言對大多數歐洲、拉丁美洲與東亞產品線來說已經足夠，但對真正全球性的產品目錄來說還不夠。九十多種幾乎足以應付任何情況；而如果你的要求是「我們銷售所在的每一個地區設定」，品質方面的論點就不再重要——這兩者中有一個能勝任，另一個則未必。

關於這 48 項，有一個廠商公開講明、但大多數報導都會略過的注意事項：每個聲音都會保留其來源錄音的口音。用複製的美國聲音說日語，聽起來會像美國人在說日語。Speechify 自家的建議是，從各語言原生的 staff-pick 語音開始，這就是為什麼 voices 端點現在會出現 staff_pick_rank。跨語言語音轉移雖可使用，但並非沒有口音。

延遲、複製與 API 形式

Speechify 表示，在生產負載下的串流請求中，第 95 百分位的首次音訊時間為 72 毫秒，且每個服務執行個體的輸送量是 Simba 3.2 的 1.8 倍。這些是廠商數據，未經重現。ElevenLabs 並未針對 Eleven v4 本身公布可比較的數字。Simba 文件中唯一的實測延遲數據較舊且範圍較窄：Simba 3.2 的伺服器端首位元組中位數為 56 毫秒，第 90 百分位為 102 毫秒，於 2026 年 9 月 15 日在美國東部測得——這與首次音訊時間是不同的指標，不能直接套用。

兩者都提供零樣本、自助式的聲音複製，但當團隊規模擴大時，兩者在操作摩擦上的差異就顯得重要。Simba 3.5 的聲音複製功能在付費方案中即可使用，無需審核。ElevenLabs 除了專業級複製方案外，也提供以十秒音訊製作的即時複製，而且其同意驗證機制是兩者中較為完善的——對於任何要讓使用者自行提供聲音上線的人來說，這是一大優點。

請求格式並不能互換，這點在你撰寫抽象層之前值得先了解。Speechify 使用 bearer token 驗證，將文字以 input 傳送、模型以 model 傳送，而且完全沒有 voice_settings 物件。ElevenLabs 則使用自己的標頭與自己的欄位名稱。兩者都支援串流；Speechify 的 SSML 支援是子集，會套用 break、prosody rate、prosody pitch、prosody volume 與 sub alias，而 emphasis 與 emotion 標籤則會被接受但忽略。

路由器在這裡真正能派上用場的地方

這兩個模型都不在 OrcaRouter 上，而本文也未如此聲稱：Simba 系列是透過 Speechify 自家的 API 存取，ElevenLabs 系列則是透過 ElevenLabs 的 API 存取。我們實際路由的是較小的語音合成目錄，可作為公平的對照組——openai/tts-1 每百萬字元 $15.00 以及 openai/tts-1-hd 為 $30.00，兩者皆以供應商標價提供，未額外加價。

在這個特定對戰組合裡，路由之爭的重點不在品質，因為品質方面的答案早已各執一詞。真正的重點是：這兩塊板子意見相左、價格相差五到八倍，而這兩項事實都只能維持到下一款模型推出為止。一套能將同一份腳本送到兩家供應商、並以自己的音訊進行比較的技術堆疊，其答案能挺過下一次排行榜重跑；而一套硬綁在單一供應商上的堆疊，每季都得重新爭論一次這個決定。自動容錯移轉也涵蓋了沒人會做基準測試的那種情況——也就是上市週期間供應商端發生事故。

一個誠實的評斷，並保留平手結果

Eleven v4 是更好的模型，前提是你需要廣泛的語言涵蓋範圍、無須自行打造的精選語音陣容、最成熟的同意與聲音複製工具，或在百款模型競爭中長期穩居榜首的供應商排名領先地位。它的成本高出五到八倍，而且這個價格並非促銷價。

Simba 3.5 是更好的模型，前提是這些聲音屬於你自己——無論是複製的、品牌自有的，還是依地區挑選的——而且 48 種語言涵蓋了你實際銷售的市場。它在固定說話者的排行榜上領先，而那個排行榜最能預測模型在廠商從未聽過的聲音上的表現。此外，它採用新定價方案才三週，而該方案已經改過一次，還有一項 model-id 遷移將於 11 月 21 日實施，所以你註冊時的價格未必就是你 12 月要付的價格。

兩個排行榜都沒告訴你的是：你的聽眾在你的內容上比較偏好哪一個。Elo 相差三十七分是有意義的差距，但這不能取代用你自己的聲音、你自己的稿子錄三分鐘來做聆聽測試。在你要把大量內容押給其中任何一個之前，先做那項測試。