Simba 3.5 與 Simba 3.2：110 Elo 分、48 種語言，以及九天內翻倍的帳單

同一家廠商內部的升級路徑，通常是這個部落格上最不有趣的比較。這次可不是，因為SpeechifyAI Simba 3.5與SpeechifyAI Simba 3.2之間的差異不只是一个版本號，而且這些差異指向相反的方向。Simba 3.5 在 Controlled Voice 競技場上高出 110 個 Elo 分，能說 48 種語言而非僅一種，且牌價貴了 50%。Simba 3.2 在唯一一個真正被測量過的延遲數字上更快，擁有一份已不再限制任何東西的語音允許清單，並維持其舊價格。在生產環境中運行 Simba 3.2 的團隊，在 11 月 22 日之前有一個真正的決定要做，而「升級到較新的版本」並不是理所當然的正確答案。

先說日期，因為正是這些日期讓這件事變得緊迫，而不只是學術討論。Simba 3.2 於 2026 年 7 月 8 日推出，是一款僅支援英文的串流模型，並獲推薦至 10 月 18 日。Simba 3.5 於 10 月 18 日被標示為推薦，10 月 21 日正式公開推出，11 月 9 日調降定價，並於 11 月 21 日成為兩個即將退役的舊版 ID 背後所使用的模型。Speechify 並未淘汰 3.2——它仍維持在清單上、仍維持定價，也仍可呼叫——而這正是為什麼必須依實際優劣做出選擇，而不是依截止期限來決定。

在任一模型的歷史中，這個 Arena 差距都是最大的。

兩個模型在 Artificial Analysis 的兩個榜單上都有評分。受控榜單在八個複製的參考語音上保持說話者不變；供應商榜單則讓各廠商使用自己的語音陣容。這兩代模型之間的差距在受控榜單上更大，而對於任何要複製語音的人來說，受控榜單是兩者中資訊量較高的一個。

• 受控語音 — Simba 3.5 排名第 1，Elo 1,192，正負 17，區間 1,175 至 1,209，1,783 個樣本

• 受控語音 — Simba 3.2 排名第 14，Elo 1,082，正負 12，區間 1,070 至 1,094，3,630 個樣本

• 供應商語音 — Simba 3.5 排名第 5，Elo 1,294，正負 17，區間 1,277 至 1,311，1,732 個樣本

• Provider Voice — Simba 3.2 排名第 12，Elo 1,250，正負 11，區間 1,239 至 1,261，3,966 個樣本

• 往前兩代 — Simba 3.0 在 1,035 個受控項目中排名第 27，在 1,114 個供應商項目中排名第 41

受控排行榜的差距為 110 分，其區間彼此之間留有超過 80 分的空白。這不是勉強重跑一次的結果。作為參照，該排行榜前十名總共只橫跨 62 分；Simba 一個世代就涵蓋了將近兩倍的範圍。供應商排行榜的差距較小，為 44 分，這說明了有用的事：3.5 改善的部分包括對不熟悉聲音的合成品質，而另一部分只是預設音色更好。

這種世代模式在三個版本之間也保持一致。Simba 3.0 到 3.2 在受控測試板上是 47 分；3.2 到 3.5 則是 110 分。Speechify 在這方面的進步速度比以往更快，而九月時還被推薦的 3.2 模型，現在已落到中段。

語言：六、一、四十八

這是會改變架構、而非品質分數的差異。Simba 3.2 僅支援英文——非英文語音會傳回 400，並在訊息中指明遭拒的語言地區設定。Simba 3.0 涵蓋六種語言、橫跨七個語言地區設定。Simba 3.5 在單一 ID 下涵蓋 48 種語言地區設定，明確排除愛沙尼亞語與粵語，並將地區變體納入範圍。

讓這 48 種語言可用的關鍵，在於聲音能夠通用。目錄中的每一個聲音都能在 Simba 3.5 上以同一個 voice id 說出全部 48 種語言，你在付費方案中克隆的聲音也一樣。這正是本地化管線引頸期盼的功能：一個克隆的品牌聲音、四十八種語言，不必按語言環境替換聲音。供應商的注意事項是，聲音會保留其原始錄音的口音；其建議是使用由員工精選、以各語言為母語的聲音來生成——這就是為什麼 staff_pick_rank 會於 10 月 18 日出現在 voices 端點中。

在 Simba 3.2 上，整套工作流程並不存在。一種語音，一種語言。如果你的產品要在多個市場推出，這不是評分高低之差，而是單一整合與兩家供應商之間的差別。

延遲：較舊的模型仍然勝出之處

Speechify 公布 Simba 3.2 的實測延遲，而對 3.5 僅公布彙總性聲明，且公布的測量結果良好。2026 年 10 月 9 日，以美國東部客戶端透過暖連線計時，Simba 3.2 在 WebSocket 輸入串流上達到首次可聽音訊的中位數為 47 毫秒，在 HTTP 串流上則為 64 毫秒——是 Speechify 當天在該地點計時的十三個端點中最低者。在 9 月 15 日測量的生產環境流量中，伺服器端首位元組在 p50 為 56 ms，在 p90 為 102 ms。該公司明確表示，每個數值都是實測百分位數而非保證，且從蘇黎世來看情況有所不同：另一家廠商的 flash 模型為 142 ms，而其自身兩條串流路徑則分別為 145 與 153 ms。

對 Simba 3.5 而言，文件記載的數字是廠商說法，而非已公布的百分位數：在生產負載下，95% 的串流請求首次音訊時間為 72 毫秒，以及每個服務執行個體的輸送量是 Simba 3.2 的 1.8 倍。這些不能直接與在暖連線下測得的 p50 相比。72 毫秒的 p95 與 47 毫秒的 p50 可能完全一致，而 Speechify 以外沒有人跑過能證實這一點的那一輪測試。

實際後果雖然有限，卻真實存在。如果你的產品使用者體驗是語音助理，而其中一百毫秒的靜默就能被察覺，那麼你手上有 3.2 的實測數字，以及 3.5 的宣稱數字；誠實的做法是在遷移前自行實測 3.5。如果你是將音訊渲染到檔案中，延遲就無關緊要，本節不適用於你。

價格：此優惠於11月21日結束

Speechify 這兩個模型的定價即將出現差異，而變更記錄精確地說明了這一點。

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

• Simba 3.5，至 11 月 21 日 — $10.00、$8.00 與 $6.00，為較舊機型的價格

• Simba 3.5，原定 10 月 21 日推出的價目表——$20、$16 與 $12，已被 11 月 9 日的降價取代

• Simba 3.2 — 維持不變，相同方案中每百萬字元為 $10.00、$8.00 和 $6.00

因此，截至 11 月 21 日，這兩個模型的價格完全相同，而 3.5 嚴格來說更好。從 11 月 22 日起，3.5 在每個層級的費用都高出 50%。在 Pro 方案上，九百萬字元是 72 美元對 108 美元；在 Scale 方案上，4,680 萬字元是 280.80 美元對 468 美元。餘額維持不變，因此同樣的方案按定價只能買到較新模型少三分之一的字元數。

這是直截了當的價值判斷，而不是什麼花招：對幾乎任何會用到這兩項功能之一的工作負載來說，以 50% 的溢價換取 110 Elo 分和 47 種額外語言是划算的交易；但對一個原本就已對 3.2 品質感到滿意的純英文管線來說，則不划算。

遷移只需一行，而這正是陷阱所在

Speechify 的文件異常清楚地說明，從 3.2 移到 3.5 不需要變更 API 版本：將 model 設為 simba-3.5，維持相同的 voice ids、相同的輸出格式、相同的 speech marks，以及相同的已套用 SSML 子集。省略 model 的請求仍會解析到 simba-3.0，因此預設不會悄悄把你移過去。

有兩個細節讓這個一句話版本變得複雜。第一，語言現在很重要：如果文字與語音的 locale 不同，你必須明確設定，否則 API 會採用語音的 locale，讓你得到非預期的口音。第二就是 11 月 21 日本身。在那一天，兩個 Simba 1.6 識別碼 simba-english 和 simba-multilingual 將停止由舊訓練提供服務，並開始由 Simba 3.5 提供服務，按 Simba 3.5 的費率計費，且適用於所有仍能指定它們的 API 版本。固定使用舊識別碼的整合，會在未變更程式碼的情況下，同一天改變語音並改變價格。在那之前刻意測試 3.5，是唯一能做出選擇的方法。

還有一項值得知道的低調改進：10 月 20 日起，Simba 3.5、3.2 和 3.0 開始套用韻律音高與韻律音量；先前這些屬性雖會被接受，卻遭到忽略。如果你目前會傳送這些屬性，且不希望這項變更，Speechify 官方建議將它們移除。強調與情緒標籤在三個模型上仍會被接受，但不會套用。

OrcaRouter 在同系列升級中的定位

兩個 Simba 模型都不在 OrcaRouter 上——這條產品線是透過 Speechify 自家的 API 存取，且不應將此處任何內容解讀為相反的主張。我們實際路由的是你在決策時會用作對照的合成目錄：openai/tts-1 每百萬字元 $15.00，以及 openai/tts-1-hd 為 $30.00，依供應商定價，未加收任何費用。

在像這樣的遷移中，路由器真正有用的地方，是讓舊路徑在新路徑尚未驗證完成前仍能繼續運作。用 3.5 在供應商的 API 上跑一週真實流量，保留 3.2 作為備援，並在事故發生時繞開它，而不是在正式環境中才發現——自動容錯移轉在沒有故障時不花任何成本，而在真的出問題時，則能換來整個上線窗口的保障。同一把單一金鑰也代表，在你決定是否由任一 Simba 世代取代它之前，你原本已在使用的 OpenAI 語音仍可繼續使用。

依工作負載，該執行哪一個

若你的工作負載是英文、你的語音是英文、你的品質門檻已於七月達成，且實測的 47 ms 首個可聽音訊數據對你的產品至關重要，就繼續使用 Simba 3.2。你在 11 月 21 日前以及之後永久都支付較低費率，而 3.5 中沒有任何內容能改善你的輸出。3.2 沒有淘汰日期；Speechify 已明確表示過。

若下列任一情況成立，就改用 Simba 3.5：你需要第二種語言、你會複製語音且希望各語言地區共用同一個語音 ID、你的英文品質標準已經提高，或者你正在打造全新的東西。110 分的控制板差距是 Speechify 歷來最大的世代躍進，而 48 種語言的涵蓋範圍在這個系列中沒有其他取得方式。如果你想以舊模型的價格評估它，請在 11 月 21 日前完成，並明確設定 model id，以免淘汰機制替你做出選擇。

無論你選哪一邊，這項決定都有一個檢視日期，而不是永久答案。Simba 3.5 有 1,783 個受控語音樣本，而 3.2 有 3,630 個，因此其區間將會收窄。它的定價已在三週內變動過一次。而阿里巴巴的 Qwen-Audio-3.1-TTS-Plus 在同一排行榜上為 1,176，在相近的榜單價格下，落後目前 Simba 旗艦 16 分——差距小到任一方下次發布新版本時，這個問題就會再次浮現。