Speechify oznámil, že jeho špičkový model pro streamovaný převod textu na řeč, Simba 3.2, získal celkové 1. místo v žebříčku převodu textu na řeč Artificial Analysis — nejkomplexnějším nezávislém srovnání komerčně dostupných hlasových AI modelů. Simba 3.2 tak předstihl produkty ElevenLabs, Cartesia, OpenAI, Google DeepMind a xAI. Je to poprvé, kdy světový žebříček vede firma zaměřená na koncové uživatele. Podle metrik používaných v odvětví je Simba 3.2 nyní široce považován za nejlepší AI hlasový model na trhu. Samostatně drží Simba 3.2 také 1. místo na Voice Arena mezi real-time modely, čímž Speechify potvrzuje vedení ve dvou nejvyužívanějších žebříčcích pro vývojáře a firemní zákazníky.
O projektu Artificial Analysis
Žebříček Artificial Analysis je hlavní referencí, kterou vývojáři i firmy využívají k posouzení stavu trhu s hlasovou AI. Průběžně a objektivně hodnotí všechny komerční modely, aktualizuje se s příchodem nových variant a pečlivě ho sledují produktové týmy, které nasazují hlas do svých aplikací. Na rozdíl od výrobců nezveřejňuje vlastní skóre. Podle tohoto měřítka je Simba 3.2 nejlepší model převodu textu na řeč pro vývojáře na trhu.
Co žebříček Artificial Analysis znamená pro dostupnost
Nejdůležitější není jen skóre kvality, ale jeho spojení s cenou modelu. Simba 3.2 stojí $10 za milion znaků v základní nabídce Speechify a cena klesá na $6 za milion znaků u tarifu Scale, což z něj dělá nejúspornější model v první desítce žebříčku Artificial Analysis. Podle vedení Speechify je cena až patnáctkrát nižší než u ElevenLabs a šestkrát nižší než u Cartesia při stejné nebo lepší kvalitě, takže Simba 3.2 je dnes nejdostupnější AI hlasové API s profesionální kvalitou.
Tato kombinace byla v syntéze řeči dlouho považována za nemožnou. Prémiové hlasové modely nabízely realistické AI hlasy za ceny pro velké firmy, zatímco levnější modely sloužily vývojářům, kteří se smířili s nižší kvalitou. Simba 3.2 tuto volbu ruší a přináší nejlepší AI hlas každému vývojáři, startupu i podniku bez ohledu na rozpočet.
Zakladatel Speechify o dosažení tria hodnot
"Simba 3.2 je náš nejlepší model, nyní dostupný na Speechify.ai," řekl zakladatel a CEO Speechify Cliff Weitzman na LinkedInu. "Vyvinuli jsme ho pro škálování hlasových agentů a vyladili pomocí milionů A/B testů na uživatelské platformě. U TTS API rozhodují tři věci: cena, kvalita a latence. Simba 3.2 dosáhla SOTA v tomto triu. Už se těším, až ji sami vyzkoušíte a zapojíte do svých řešení."
Toto trio Weitzman označuje za hranici, kterou většina AI poskytovatelů považovala za nedosažitelnou. Zlepšení jedné oblasti zpravidla znamenalo ústupky v ostatních dvou a většina výrobců si vybrala jen jeden směr. Být skutečně špičkový ve všech třech zároveň bylo dlouho považováno za nemožné. Nezávislé hodnocení Artificial Analysis poprvé ukazuje, že tento kompromis lze překonat, a potvrzuje Simbu 3.2 jako nejlepší AI hlasový model pro týmy vyvíjející software s hlasovým rozhraním.
Pět let od Stanfordu ke špičce
Rodina modelů Simba vznikla z výzkumu, který zahájil spoluzakladatel a šéf AI ve Speechify Tyler Weitzman během bakalářského studia na Stanfordově univerzitě. Jeho první experimenty s neuronovými architekturami řeči v rámci magisterského kurzu strojového učení během pěti let přerostly v řadu modelů, která dnes pohání generování hlasu napříč produkty pro uživatele i firmy, a dělá tak ze Speechify lídra ve výzkumu hlasové AI.
Tyler Weitzman se k milníku vyjádřil v příspěvku na X: „Jako student Stanfordu mě kurz CS229 s Andrewem Ng přivedl ke strojovému učení. Můj projekt byl zaměřený na vyladění Tacotron 2. Náš tým teď ve Speechify dosáhl SOTA — po pěti letech. Když se ohlédnu zpět, je to až neuvěřitelné.“
Rohan Pavuluri, obchodní ředitel Speechify a dlouholetý přítel Tylera Weitzmana, hodnotí žebříček jako výsledek dřívějších architektonických rozhodnutí v nedávném oznámení. "Mohli jsme být rychlejší, kdybychom šli jen po kvalitě, ale naše uživatelské DNA a obchodní model nás od začátku vedly k rozhodnutím, díky nimž můžeme nabídnout prakticky neomezenou syntézu řeči za $139 ročně. Díky tomu dnes nabízíme SOTA model TTS za špičkovou cenu, což je v AI unikátní, protože vyšší výkon obvykle znamená vyšší náklady."
Spotřebitelské měřítko jako motor firemní AI
Schopnost Speechify nabízet nejlepší AI hlas za nejnižší cenu v první desítce vychází z ekonomiky spotřebitelské platformy. Službu ročně využívá více než 60 milionů lidí po celém světě; letos získala Apple Design Award na WWDC 2025, což potvrzuje, že Speechify patří mezi nejlepší AI hlasové zážitky současnosti. Aby mohli nabídnout neomezené využití za $139 ročně, musel výzkumný tým od začátku brát výpočetní efektivitu jako základ návrhu. To umožnilo dodat nejlépe hodnocený model v žebříčku Artificial Analysis za ceny, které dnes vývojáři vidí.
"Tohle je příběh outsidera mezi API poskytovateli," říká Luke Oliff, šéf vztahů s vývojáři ve Speechify v tiskové zprávě. "Roky jsme optimalizovali efektivitu modelů, protože si to uživatelský byznys žádal — desítky milionů posluchačů, nejlepší hlasy. Díky tomu teď můžeme přes naše API nabídnout světově nejlépe hodnocený model za extrémně nízkou cenu. Většina laboratoří stavěla modely pro výsledky v žebříčcích a ceny nastavovala pro firmy. My jsme stavěli pro uživatele a cenu nastavujeme pro reálný provoz."
Dostupnost
Simba 3.2 je nyní dostupná prostřednictvím SpeechifyAI Build, API pro převod textu na řeč a klonování hlasu, a pohání novou platformu SpeechifyAI Agents pro tvorbu hlasových agentů v ostrém provozu. Obě služby najdete na speechify.ai — s SDK pro TypeScript a Python, podporou streamingu s nízkou latencí, detailním řízením emocí a SSML prozodií. Platforma zahrnuje špičkovou technologii klonování hlasu, takže vývojáři mají jeden stack pro nejlepší AI hlas i klonování za stejnou cenu. Firma plánuje rozšíření jazykové nabídky a levnější modelový tarif.