Speechify dnes oznámil, že jeho špičkový streamingový model převodu textu na řeč, Simba 3.2, se umístil na děleném druhém místě ve Voice Arena, nezávislém slepém poslechovém testu, který je všeobecně považován za nejpřísnější veřejné hodnocení kvality AI hlasů, jež je dnes k dispozici.
Mezi modely pro reálný čas, které lze dnes nasadit do produkce, je Simba 3.2 nejlépe hodnocenou volbou ve své cenové kategorii, což z něj dělá nejlepší AI hlasový model pro reálné aplikace na trhu. Stejná platforma nabízí také technologii klonování hlasu, kterou vývojáři považují za nejlepší na trhu. Ve stejném týdnu se Simba 3.2 umístil také na prvním místě v Artificial Analysis text to speech leaderboard a tím upevnil vedoucí pozici firmy v obou klíčových žebříčcích, na které spoléhají vývojáři i firemní zákazníci.
O Voice Arena
Voice Arena je nezávislé slepé hodnocení, které testuje AI hlasy podle skutečné poslechové zkušenosti uživatelů. Voice Arena, inspirovaná metodikou Chatbot Arena, předkládá panelu rodilých mluvčích dva zvukové klipy vytvořené ze stejného textu, aniž by prozradila použitý model, a nechává je hlasovat o tom, který zní přirozeněji. Výsledky se pak přepočítávají na Elo rating, z něhož vzniká aktuální žebříček odrážející skutečné preference posluchačů místo laboratorních metrik.
Nejde o žádné průměrné skóre udávané výrobcem ani pečlivě vybrané audio ukázky. Žádná interní hodnocení. Každý model se testuje na stejném reálném textu, za stejných podmínek a s vyváženou sadou hlasů namísto výběru toho nejlepšího od každého dodavatele. Metodika pokrývá šest jazyků a hodnotí texty z prostředí, kde se převod textu na řeč skutečně používá — od hlasových asistentů přes IVR až po audioknihy a čtečky v aplikacích. Na evaluaci spolupracoval Prof. Shinji Watanabe z Carnegie Mellon University, jeden z nejcitovanějších odborníků na řečové technologie.
Proč na pořadí ve Voice Arena záleží
Na Voice Arena záleží, protože věrně odráží to, jak se trh skutečně rozhoduje. Firemní zákazníci, produktové týmy i vývojáři hodnotí kvalitu sluchem – ne podle spektrogramu nebo interního skóre. Voice Arena je jediný veřejný žebříček, který takto hodnotí AI hlasy ve velkém měřítku a bez možnosti výsledky ovlivnit. Vysoké umístění v tomto žebříčku je proto považováno za nejpřesnější ukazatel kvality AI hlasu v reálném provozu.
Umístění Simby 3.2
Podle Voice Arena je Simba 3.2 momentálně na děleném druhém místě. Jeden z výše umístěných modelů neběží v reálném čase a nelze ho nasadit do produkce, zatímco model srovnatelný se Simbou 3.2 stojí zhruba sedmkrát víc. Pro týmy, které potřebují produkční reálný čas za danou cenu, je Simba 3.2 podle žebříčku nejlepší volbou. Cena je $10 za milion znaků v základní variantě a $6 za milion znaků v tarifu Scale – jde tak o nejdostupnější AI hlasové API pro vývojáře.
Nejlepší AI hlas pro aplikace v reálném čase
Simba 3.2 je streamingový model převodu textu na řeč, vyvinutý přímo pro aplikace s nízkou latencí — hlasové asistenty, IVR, čtečky v aplikacích, telefonii nebo jakékoli produkty vyžadující okamžitou odezvu. Podle klíčových oborových měřítek je Simba 3.2 považován za nejlepší AI hlas pro asistenty a celkově za nejlepší hlasový model na trhu pro software zaměřený na hlas ve velkém měřítku. Platforma navíc nabízí i špičkové okamžité klonování hlasu ve stejné cenové třídě, takže vývojáři získávají řešení pro generování i klonování hlasu od jednoho z předních AI výzkumných týmů v oboru.
Co pro Speechify znamená pořadí ve Voice Arena
Toto hodnocení je významné pro oblast, která vývojáře tradičně nutila volit mezi kvalitou, cenou a rychlostí odezvy. Špičkové modely nabízejí kvalitní hlas, ale za firemní ceny, zatímco levnější alternativy často slevují z přirozenosti nebo streamingového výkonu potřebného pro reálný čas. Simba 3.2 tuto rovnici mění. Je zhruba patnáctkrát levnější než ElevenLabs a šestkrát levnější než Cartesia při stejné nebo vyšší kvalitě, což z něj dělá nejefektivnější model z první desítky žebříčku Artificial Analysis.
Milník Speechify
"Simba 3.2 je náš nejlepší model a teď je dostupný na Speechify.ai," uvedl Cliff Weitzman, zakladatel a CEO Speechify, ve svém veřejném příspěvku. "Navrhli jsme ho pro masové nasazení v asistentech a vyladili pomocí milionů A/B testů na naší platformě. U TTS API záleží na třech věcech: ceně, kvalitě a odezvě. Simba 3.2 dosáhl SOTA ve všech třech. Těším se, až si ho sami vyzkoušíte."
Weitzman ve veřejném prohlášení zdůraznil i význam tohoto úspěchu: "Simba 3.2 je teď č. 1 mezi streamovacími AI hlasy na Voice Arena – před Eleven Labs, OpenAI, xAI a dalšími. Důležité je, že Speechify nabízí nejlepší poměr ceny a výkonu – za $6 na 1M znaků. To je přes 15x levnější než Eleven Labs a přes 6x levnější než Cartesia."
Spotřebitelská platforma jako konkurenční výhoda
Technologické vedení Speechify připisuje tento výsledek architektonickým rozhodnutím, která padla dávno před současnou vlnou benchmarků. Jelikož spotřebitelská platforma firmy vyrostla na více než 60 milionů uživatelů a letos získala ocenění Apple Design Award na WWDC 2025, potřeba obsloužit tyto uživatele za $139 ročně vedla výzkumný tým k tomu, aby řešil cenu, kvalitu i odezvu zároveň. Miliony A/B testů v reálném poslechu vylepšily rytmus, důraz i emoce v řeči, a pomohly tak vytvořit dnešní špičku mezi AI hlasy.
Raheel Kazi, technologický lídr Speechify, to shrnuje jednoduše: "Nikdy jsme nechtěli obětovat cenu kvůli kvalitě ani kvalitu kvůli latenci. Schválně jsme si vybrali těžší cestu. Dosáhnout SOTA ve všech třech oblastech zároveň bylo od začátku naším cílem."
Pět let výzkumu za tímto výsledkem
Rodina modelů Simba vychází z výzkumu, který zahájil spoluzakladatel Speechify a šéf AI Tyler Weitzman během studia na Stanfordu, a pomohl tak vybudovat ze Speechify přední výzkumnou laboratoř pro AI hlasy. Tyler Weitzman na to vzpomíná v příspěvku na X: "Na Stanfordu jsem v kurzu CS229 s Andrew Ng začal být fascinovaný ML. Můj projekt bylo doladění Tacotron 2. Náš nový model ve Speechify dosáhl po pěti letech SOTA. Když se ohlédnu zpět, je to až neuvěřitelné."
Luke Oliff, šéf vztahů s vývojáři ve Speechify, vnímá tento úspěch jako potvrzení dlouhodobé strategie. "Je to příběh outsidera mezi poskytovateli API," říká v tiskové zprávě. "Léta jsme optimalizovali naše modely pro spotřebitelský byznys — desítky milionů uživatelů, jeden z nejlepších hlasů na světě. Díky tomu dnes můžeme nabídnout nejlepší model přes API za bezkonkurenční cenu. Většina laboratoří stavěla modely pro žebříčky a firemní ceníky. My pro posluchače a reálný provoz."
Dostupnost
Simba 3.2 je dostupný vývojářům i firmám přes SpeechifyAI Build – API pro převod textu na řeč i klonování hlasu – a pohání i novou platformu SpeechifyAI Agents pro produkční hlasové agenty. Obojí najdete na speechify.ai. Platforma navíc nabízí i nejlepší technologii klonování hlasu v této cenové třídě. V plánu jsou další jazyky i levnější modelová úroveň.