Speechify обяви днес, че водещият ѝ модел за стрийминг текст към говор, Simba 3.2, е на споделено второ място във Voice Arena — независима класация със „сляпо прослушване“, смятана за най-строгата публична оценка на качеството на AI гласовете досега.
Сред моделите в реално време, които могат да се внедрят още днес, Simba 3.2 е най-високо оцененият в този ценови клас и се утвърждава като най-добрия AI гласов модел в реално време на пазара. Същата платформа предлага и най-добрата технология за клониране на глас, достъпна за разработчици. През същата седмица Simba 3.2 стана и №1 в класацията на Artificial Analysis за текст към говор, затвърждавайки лидерската позиция на компанията в двете най-важни класации за разработчици и корпоративни клиенти.
За Voice Arena
Voice Arena е независима класация със „сляпо прослушване“, която оценява AI гласовете така, както ги възприемат реалните слушатели: по слух. По подобие на широко използваната методика на Chatbot Arena за езикови модели, Voice Arena представя на панели от носители на езика два аудиоклипа със същия текст, без да посочва кой модел стои зад кой запис, и ги кара да гласуват кой звучи по-естествено. Вотът се обобщава в Elo рейтинг, който показва предпочитанията на слушателите в реално време, а не лабораторни метрики.
Няма самооценки или усреднени мнения. Няма подбрани от доставчика аудиопримери. Няма вътрешно оценяване от самия доставчик. Всеки модел се тества с един и същ реален текст при едни и същи условия, с балансирани гласове за всеки доставчик, а не само с най-добрия му глас. Методологията обхваща 6 езика и включва текстове от реални приложения – от гласови агенти и IVR до аудиокниги и четци в приложения. Оценяването е разработено с помощта на проф. Шинджи Ватанабе от Карнеги Мелън – един от най-цитираните учени в областта.
Защо класирането на Voice Arena е важно
Voice Arena е важна, защото отразява как избира реалният пазар. Купувачите, продуктовите екипи и разработчиците не гледат спектрограми или вътрешни рейтинги, а слушат как звучи гласът. Voice Arena е единственият публичен бенчмарк, който измерва точно това в мащаб и без възможност за манипулация. Високият резултат във Voice Arena е най-близкият до реалността сигнал за най-добър AI глас в момента.
Класиране на Simba 3.2
В момента Voice Arena поставя Simba 3.2 на споделено второ място. Моделите над него не работят в реално време и не са подходящи за приложения с незабавна реакция, а моделът със сходен резултат като Simba 3.2 е около седем пъти по-скъп. Затова за екипи, които изграждат продукт с изискване за жив глас на производствена цена, Simba 3.2 е най-високо оцененият избор. Simba 3.2 струва $10 за 1 млн. знака и $6 за 1 млн. знака в тарифа Scale – най-достъпният AI аудио API днес.
Най-добрият AI глас за приложения в реално време
Simba 3.2 е модел за стрийминг текст към говор, създаден специално за приложения в реално време като гласови агенти, IVR, четци в приложения, телефонни системи и продукти с нужда от незабавна реакция. По всички водещи критерии в индустрията Simba 3.2 вече се смята за водещ AI глас за гласови агенти и за най-добрия избор за гласов софтуер в мащаб. Същата платформа осигурява и най-доброто мигновено клониране на глас на тази цена, давайки на разработчиците единна система за генерирана и клонирана реч от водеща AI лаборатория.
Какво означава класирането за Speechify
Класацията е важна за сектор, който досега принуждаваше разработчиците да избират между качество, цена и забавяне. Водещите модели предлагат високо качество на гласа, но на цени, подходящи за корпоративни договори, докато по-достъпните правят компромис с естествеността или бързината. Simba 3.2 обръща това уравнение: приблизително 15 пъти по-евтин от ElevenLabs и 6 пъти по-евтин от Cartesia при сравнимо или по-добро качество – най-икономичният модел в топ 10 на Artificial Analysis.
Постижението на Speechify
„Simba 3.2 е най-добрият ни модел досега и вече е наличен на Speechify.ai“, казва Клиф Вайцман, съосновател и CEO на Speechify, в свой публичен пост. „Създаден е да захранва гласови агенти в мащаб и е усъвършенстван с милиони A/B тестове на потребителската ни платформа. В TTS API три неща са ключови: цена, качество, бързина. Simba 3.2 постигна SOTA и в трите. Много се вълнувам да го видите в действие!
Вайцман подчерта още значението на резултата в публично изявление. „Simba 3.2 вече е №1 стрийминг AI модел във Voice Arena, пред Eleven Labs, OpenAI, xAI и други. Още по-важно – Speechify е най-икономичният модел на токен в цялата класация: $6 за 1M знака – над 15 пъти по-евтино от Eleven Labs и 6+ пъти от Cartesia.“
Потребителската платформа — нечестно предимство
Техническото ръководство на Speechify отдава резултата на архитектурни решения, взети още преди години. Докато потребителската платформа на компанията нарасна до 60+ млн. потребители и получи Apple Design Award на WWDC 2025, нуждата да се обслужва тази база за $139 годишно принуди екипа да разглежда цена, качество и бързина като един общ проблем. Милиони A/B тестове с реални прослушвания непрекъснато усъвършенстват ритъма, интонацията и емоцията, създавайки това, което мнозина вече смятат за най-доброто AI гласово изживяване досега.
Рахил Кази, ръководител инженеринг в Speechify, обобщава принципа така: „Никога не искахме да жертваме цената заради качеството или обратното – нито пък скоростта. Съзнателно избрахме по-трудния път. Да постигнеш SOTA и в трите наведнъж – точно затова го направихме.“
Пет години проучвания зад резултата
Семейството модели Simba започва с изследвания, инициирани от съоснователя и Head of AI в Speechify Тайлър Вайцман още като студент в Станфорд, които превърнаха Speechify във водеща AI лаборатория за глас. В пост в X Вайцман казва: „Като студент в CS229 при Andrew Ng се запалих по ML. Проектът ми беше фина настройка на Tacotron 2. Пет години по-късно новият модел в Speechify постигна SOTA. Звучи нереално.“
Люк Олиф, Head of Developer Relations в Speechify, описва резултата като потвърждение на дългосрочна стратегия. „Това е историята на аутсайдера сред API доставчиците“, казва в пресрелийз. „Години наред работихме върху ефективни модели, защото бизнесът ни го изискваше – милиони слушатели, едни от най-добрите гласове. Това ни позволява сега да предложим водещ модел в API на най-ниската цена. Повечето лаборатории го правят за класации и цени за корпоративни клиенти. Ние го правим за слушателите и на цена, подходяща за масово внедряване.“
Наличност
Simba 3.2 е достъпен още днес за разработчици и бизнес чрез SpeechifyAI Build – API за текст към говор и клониране на глас, и вече задвижва новата платформа SpeechifyAI Agents за създаване на гласови агенти в продукционна среда. И двете са налични на speechify.ai. Платформата предлага и най-доброто гласово клониране на пазара, осигурявайки единна среда за водещ AI глас в този ценови клас и най-бързо клониране на глас. Предстоят още езици и по-икономична тарифа като част от плана.