Simba 3.5 與 Qwen-Audio-3.0-TTS：解決語言問題的兩種方法，但只有一種有文件記載

兩者SpeechifyAI Simba 3.5與Alibaba Qwen-Audio-3.0-TTS都會以英語以外的語言朗讀你的腳本。它們透過相反的路徑達成此事。Simba 3.5 公布了一份清單：48 種語言、一個模型 ID，所有型錄語音都能說這全部語言，而愛沙尼亞語和粵語被點名為例外。Qwen-Audio-3.0-TTS 則公布了一個指令欄位，而根據文件記載，讓它說荷蘭語的方式，是傳送這句話給它：「Speak in Dutch, slowly and clearly.」。其中一個是你可以據此建立地區設定矩陣的規格。另一個則是提示詞，而兩者之間的差異是這項比較中最有用的部分。

在這裡，年齡也很重要，而且是以一種通常不會如此的方式。Qwen-Audio-3.0-TTS 於 2026 年 7 月 20 日推出，此後在阿里巴巴產品陣容的頂端被 Qwen-Audio-3.1-TTS-Plus 取代，而後者目前佔據 Controlled Voice 排行榜第三名。3.0 Plus 等級仍列在清單中，也仍是在 Provider Voice 上實測排名較強的那一個。Simba 3.5 於 2026 年 10 月 21 日登場，其定價方案已實施三週，且期間已經修訂過一次。

數字，若存在就並排

Artificial Analysis 在兩個榜單上都為這兩個模型評分，這使其成為語音領域少數能進行同類對等比較、而不必從前代產品推估的對決之一。

• 受控語音 — SpeechifyAI Simba 3.5 排名第 1，Elo 1,192，正負 17，1,783 個樣本

• 可控語音 — Alibaba Qwen-Audio-3.0-TTS-Plus 排名第 10，Elo 1,130，正負 12，3,596 個樣本

• 供應商語音 — SpeechifyAI Simba 3.5 排名第 5，Elo 1,294，正負 17，1,732 個樣本

• 供應商語音 — Alibaba Qwen-Audio-3.0-TTS-Plus 排名第 10，Elo 1,264，正負 13，3,056 個樣本

• 受控語音 — Alibaba Qwen-Audio-3.1-TTS-Plus 排名第 3，Elo 1,176，正負 12 — 較新的 Alibaba 模型，也是值得關注的一款

• 看板價格 — Qwen-Audio-3.0-TTS-Plus 在兩個看板上均為每百萬字元 19.31 美元；Simba 3.5 標示為 6.58 美元，此為方案內含費率，與 Speechify 公佈的價目表不符

Simba 3.5 在受控榜單上領先 62 分，在供應商榜單上領先 30 分，且兩種情況下的區間都清楚分離。這是對 Simba 有利的一項明確品質結果；值得注意的是，無法解釋這一點的是：樣本數。Qwen-Audio-3.0-TTS-Plus 在其估計值背後擁有兩倍的受控語音投票，因此這是一個測量充分的 1,130，而不是雜訊較大的數字。

有趣之處在於阿里巴巴自家的產品線。Qwen-Audio-3.1-TTS-Plus 在受控榜單上比 Qwen-Audio-3.0-TTS-Plus 高出 46 分，這意味著現行世代的阿里巴巴模型比 3.0 更接近 Simba 3.5。任何拿 3.0 等級來比較的人，衡量的是已經改良過一次的模型。

四十八種已列出的語言對應一個指令欄位

Speechify 的文件對語音 API 而言異常具體。Simba 3.5 的 48 種語言可逐一列舉，每個型錄語音——以及每個付費方案的複製語音——都能說所有這些語言，而模型接受標準的 BCP-47 風格語言標籤，例如 ja-JP，且所列語言的任何地區變體都涵蓋在內。被排除的兩個語言，愛沙尼亞語和粵語，有明確點名。Speechify 也會標示每個地區設定中哪些語音是員工精選，並以 staff_pick_rank 欄位排序，因為語音會保留其來源錄音的口音，而其自身建議是使用該語言母語的語音來生成。

阿里巴巴的做法則朝另一個方向展現彈性。Qwen-Audio-3.0-TTS 接受以自然語言指令描述呈現方式——語速、情緒、角色人設——而針對目標語言，文件記載的技巧是在指令中直接說明，且指令必須與文本語言一致。它也透過 language_hints 與 hot_fix 支援明確的發音控制、SSML 與 LaTeX 輸入，以及行內情緒與非語言標籤，例如 [excited]、[sad]、[laughing] 和 [sighing]。非串流請求會傳回有效期為 24 小時的音訊 URL；串流則傳回 base64 區塊。該模型由新加坡與北京提供服務。

那套標籤詞彙確實是一大優勢，而 Simba 3.5 比不上它。Speechify 會套用 break、prosody rate、prosody pitch、prosody volume 與 sub alias；emphasis 和 emotion 標籤則會被接受，但不會套用。如果你的產品需要在句子中間笑一聲，或在句尾嘆口氣，Qwen-Audio-3.0-TTS 現在就能做到，Simba 3.5 則不能。

這個取捨一旦說清楚就很直接：Qwen 給你表達控制，並把語言支援留給文字描述；Speechify 給你一份可計數的語言清單，以及較窄的表達面向。對本地化流程來說，可計數的清單更有價值，因為語言地區矩陣是可以拿來測試、寫進工作說明書中報價，並作為建置失敗判準的東西。「用荷蘭語緩慢清楚地說」則是你必須親耳聽過才知道的事。

定價，轉換成可供比較的數字

阿里雲以人民幣按輸入字元計費，且北京與新加坡部署的區域費率不同。Qwen-Audio-3.0-TTS-Plus 在北京的價格為每 10,000 字元 ¥1.4；Flash 層級則為 ¥1.0。Artificial Analysis 將 Plus 層級標準化為每百萬字元 $19.31；若你要與以美元計價的供應商比較，而非編列區域預算，就應採用這個數字。每個列出的 Qwen-Audio 模型在北京區域均享有 100 萬個 token 的免費額度，自啟用或發布日起 90 天內有效，以較晚者為準。

Speechify 是以每百萬字元多少美元來公布價格，而且它已經改口過一次了：

• Simba 3.5，11 月 22 日起牌價 — Starter 每百萬 $15.00，Pro $12.00，Scale $10.00

• Simba 3.5，至 11 月 21 日 — 10.00 美元、8.00 美元和 6.00 美元，Simba 3.2 與 3.0 的費率

• Simba 3.5，10 月 21 日最初的上市價格表——20 美元、16 美元與 12 美元，後由 11 月 9 日的降價取代

• Simba 3.2 與 Simba 3.0 — 每百萬字元 $10、$8 與 $6，維持不變

按牌價計算，Simba 3.5 依方案不同，約落在 Qwen-Audio-3.0-TTS-Plus 牌價的一半到四分之三之間；而在優惠期間則為三分之一到一半。就絕對金額而言，兩者都不算貴——每月五百萬字元在任一方案下都低於 $100——因此除非你的內容目錄非常龐大，價格不太可能成為決定性因素。語言覆蓋範圍與表達控制大概才是。

11月21日這個日期會對這項決定產生什麼影響

Speechify 的 Simba 1.6 ID —— simba-english 與 simba-multilingual —— 已在 API 版本 2026-09-21 從選項中撤除。自 2026 年 11 月 21 日起，兩者在所有語言中都會由 Simba 3.5 提供，並以 simba-3.5 計費，且適用於任何仍可指定它們的 API 版本。若某個整合自夏季以來一直使用 simba-multilingual，則在該日期無需變更程式碼，就會變更語音並變更價格。

在這項比較中，阿里巴巴沒有對等的排定活動。Qwen-Audio-3.0-TTS 仍與 3.1 的各 SKU 並列列出，而 3.1 產品線採用不同的計費單位——是 token 而非字元——因此無法透過將一個價目表儲存格除以另一個來比較這兩代。如果你目前使用的是 3.0，那麼遷移到 3.1 是實質專案，而不是改一行 model id 就能完成；兩個層級之間 46 分的受控測試板差距，正是應該安排這項遷移的理由。

各自在什麼情況下才是正確的選擇

如果你的問題是在單一聲音 ID 下的廣度，就選 Simba 3.5：一個產品要在數十個地區市場用同一個品牌聲音出貨、一份舊有目錄必須用團隊裡沒人會說的語言重新渲染，或是一段無障礙朗讀得讓同一個克隆聲音跟著使用者從英文走到西班牙文，且聽起來不能像換了個人。可計數的語言清單、員工精選排名，以及無需核准的零樣本克隆，正是讓這件事成立的特色；而在受控評測板上領先 62 分，意味著即使聲音不是供應商挑選的那一個，品質依然站得住腳。

如果你的問題是效能而非涵蓋範圍，就選 Qwen-Audio-3.0-TTS：有聲書與播客工作，[excited] 標籤在這裡確實派得上用場；以華語為主的內容，阿里巴巴的語音目錄與發音控制最為深入；或是必須部署在新加坡或北京區域的情況。其指令欄位確實比 Speechify 所提供的更具表現力，而非串流的 URL 與 SSE 分塊路徑則涵蓋批次與即時渲染兩種情境。

OrcaRouter 並未提供這兩條產品線——Simba 是透過 Speechify 自家的 API 存取，Qwen 則是透過 Alibaba Cloud Model Studio——本文任何內容都不應被解讀為與此相反的宣稱。我們實際路由的是一個較小的合成語音目錄，在您測試時可作為中立對照組：openai/tts-1 每百萬字元 $15.00，以及 openai/tts-1-hd 每百萬字元 $30.00，兩者皆為供應商定價，未加任何加成，另有 google/gemini-3.1-flash-tts-preview。將同一份三分鐘腳本分別透過這些模型以及兩個候選模型渲染，是解決這個問題最便宜的方式——兩個排行榜只能把範圍縮小，無法給出答案。

兩家廠商都留給你自己設法解決的那部分

兩個模型都不會告訴你，它的非英語輸出對你的受眾來說是否夠好，競技場也不會：Controlled Voice 排行榜是一項以八種英語參考語音進行的英語評估，其中四種是美式、四種是英式。以英語測出的 62 分領先，並不能直接說明日語、波蘭語或巴西葡萄牙語的表現。Speechify 的答覆是指向各語區的員工精選；阿里巴巴的答覆則是指向操作說明和語音清單。兩者都是在要求你自己去聽。

這就是對這兩款模型最誠實的總結。其中一款較新、牌價較低、在英文上的實測表現更好，而且連支援語言數量都有明確記載。另一款則更具表現力、在中文相關工作上更成熟，正處於世代交替的中途，且是由指令欄位而非規格來控制。在真正為你帶來營收的那兩個地區設定上測試兩者，這場比較的其餘部分就會成為決勝的輔助依據，而不是決策本身。