Speechify обяви, че водещият им модел за стрийминг text-to-speech, Simba 3.2, е №1 в класацията на Artificial Analysis за text-to-speech — най-обхватният независим бенчмарк за комерсиално достъпни AI гласови модели. Така Simba 3.2 изпреварва водещите модели на ElevenLabs, Cartesia, OpenAI, Google DeepMind и xAI. Това е и първият път, в който компания за потребителски tts оглавява световната класация. По индустриалните стандарти за качество Simba 3.2 вече широко се приема за най-добрия AI гласов модел на пазара. Освен това Simba 3.2 е №1 и в Voice Arena при моделите за реално време, което затвърждава лидерството на Speechify в двата ключови бенчмарка за разработчици и бизнес клиенти.
За Artificial Analysis
Класацията на Artificial Analysis е основната отправна точка за разработчици и бизнес купувачи при оценката на AI гласови модели. Тя провежда обективни тестове на всички налични модели, обновява се редовно с нови решения и се следи отблизо от екипи, които внедряват глас в продуктите си. За разлика от самостоятелно обявените резултати, тук не се разчита на самооценки. Затова Simba 3.2 се откроява като най-достъпния качествен модел за разработчици.
Какво означава класацията на Artificial Analysis за достъпността
Най-важното в класацията не е само високият резултат, а съотношението му с цената. Simba 3.2 струва $10 за 1 милион знака в началния план на Speechify и $6 за 1 милион в по-големия, което го прави най-икономичния модел в топ 10 на Artificial Analysis. Според ръководството цената е около 15 пъти по-ниска от ElevenLabs и 6 пъти по-ниска от Cartesia при равно или по-добро качество — Simba 3.2 е най-евтиният AI voice API с топ качество днес.
Това съчетание дълго се смяташе за невъзможно в text-to-speech индустрията. Най-добрите AI гласове бяха на цени, достъпни само за големи компании, а евтините решения изоставаха по качество. Simba 3.2 променя това, като дава най-добрия глас на всеки разработчик, стартъп или компания — независимо от бюджета.
Основателят на Speechify за „трите основи“
„Simba 3.2 е най-добрият ни модел досега, вече на разположение в Speechify.ai“, казва Клифф Уейтцман, основател и CEO на Speechify, в LinkedIn. „Създаден е за мащаб и усъвършенстван с милиони А/Б тестове в платформата ни. При tts API са важни три неща: цена, качество и закъснение. Simba 3.2 е на върха и по трите. Нямаме търпение да го изпробвате в собствените си решения.“
„Трите основи“, за които говори Уейтцман, са граница, която повечето AI voice компании смятат за непреодолима. Оптимизирането на един аспект обикновено влошава другите и всеки избира само по едно. Истинско върхово постижение и в трите се смята за почти невъзможно. Класацията на Artificial Analysis за първи път показва, че компромис не е нужен — Simba 3.2 е най-добрият избор за екипи, които разработват гласов софтуер.
Пет години от Stanford до върха
Семейството модели Simba започва като проект на съоснователя и Head of AI на Speechify Тайлър Уейтцман още от студентските му години в Stanford. Първите му експерименти с невронни гласови архитектури за курс по машинно обучение за пет години еволюират в моделите, които днес захранват услугите на Speechify за бизнес и крайни потребители и превръщат компанията в лидер в AI voice изследванията.
Размисляйки за успеха, Тайлър Уейтцман споделя в публикация в X: „Като студент в Stanford, CS229 с Andrew Ng събуди интереса ми към ML. Курсовият ми проект беше донастройка на Tacotron 2. Пет години по-късно новият модел на екипа ни в Speechify постигна SOTA. Чувството е нереално.“
Рохан Павулури, Chief Business Officer в Speechify и дългогодишен приятел на Тайлър Уейтцман, описа успеха като кулминация на ранно архитектурно решение в скорошно съобщение. „Можехме да се движим по-бързо, ако бяхме фокусирани само върху качеството, но потребителската ни ДНК изискваше архитектура, която позволява неограничена реч за $139/год. Така стигнахме до SOTA модел с най-добра цена — рядкост в AI, където по-доброто обикновено значи и по-скъпо.“
Потребителски мащаб — двигател на бизнес AI
Възможността на Speechify да предлага най-добрия AI глас на най-ниска цена сред водещите 10 се дължи на икономиката на потребителския им бизнес. Платформата им се използва от над 60 милиона души и тази година получи награда Apple Design Award на WWDC 2025 — знак, че продуктът е сред най-добрите AI гласови изживявания. За да обслужва абонатите си за $139 годишно, екипът е поставил ефективността като основна цел още от самото начало. Затова могат да предложат №1 модела на Artificial Analysis на тази цена, видима за всички разработчици.
„Това е историята на аутсайдера сред API компаниите“, казва Люк Олиф, Head of Developer Relations в Speechify, в прессъобщение. „Години наред оптимизирахме моделите си заради нуждите на милионите ни потребители — с едни от най-добрите гласове. Това ни позволява днес да предложим най-високо оценения API модел на почти най-ниската възможна цена. Повечето лаборатории гониха бенчмарка и ценообразуваха за големи клиенти. Ние изграждахме за слушателите и за мащаб.“
Наличност
Simba 3.2 вече е достъпен чрез SpeechifyAI Build — API за text-to-speech и гласово клониране, и захранва новата платформа SpeechifyAI Agents за voice агенти. Всичко е достъпно на speechify.ai с TypeScript и Python SDK, стрийминг с ниско забавяне, контрол на емоциите и SSML интонации. Включва и водеща технология за voice клониране — за разработчиците това е единен стек с най-добрия AI модел и мигновено гласово клониране на същата цена. Предстоят още езици и по-евтин модел.