Speechify annoncerede i dag, at deres flagskibs-streaming tekst-til-tale-model, Simba 3.2, nu deler andenpladsen på Voice Arena, en uafhængig blindtest-benchmark, der regnes som den strengeste offentlige vurdering af AI-stemmekvalitet på markedet.
Blandt realtidsmodeller, som teams kan sætte i produktion i dag, er Simba 3.2 den højest bedømte i sin prisklasse og dermed det bedste AI-stemmevalg til realtid. Samme platform tilbyder også markedsledende stemmekloning, som udviklere kan bruge. I samme uge tog Simba 3.2 også førstepladsen på Artificial Analysis TTS leaderboard, hvilket styrker virksomhedens føring på de to vigtigste benchmarks for udviklere og virksomheder.
Om Voice Arena
Voice Arena er en uafhængig blindtest-benchmark, der vurderer AI-stemmer, som rigtige brugere oplever dem: med ørerne. Inspireret af Chatbot Arena-metoden præsenterer Voice Arena to lydklip (samme tekst, forskellige modeller) for natives, som stemmer på den mest naturlige. Stemmerne samles i en Elo-score for hver model og placeres på en liveopdateret rangliste, der viser reelle præferencer – ikke laboratoriemålinger.
Ingen selvevaluerede scores. Ingen leverandørvalgte eksempler. Ingen interne leverandørvurderinger. Alle modeller testes på samme tekst under lige vilkår, med balanceret stemmevalg pr. leverandør, ikke den 'bedste' stemme. Metoden dækker seks sprog og bruger tekst fra faktiske TTS-scenarier, fx voice-agenter, IVR, lydbøger og in-app-læsere. Undersøgelsen er udviklet med input fra Prof. Shinji Watanabe fra Carnegie Mellon University, en af de mest citerede forskere i stemmeteknologi.
Hvorfor Voice Arenas placering er vigtig
Voice Arena er vigtig, fordi den afspejler, hvordan markedet vælger. Virksomheder og udviklere oplever ikke spektralanalyse – de hører, hvordan stemmen lyder. Voice Arena er den eneste offentlige benchmark baseret på store lytterpaneler uden mulighed for manipulation. En høj placering på Voice Arena ses i branchen som det klareste signal fra virkeligheden på den bedste AI-stemme.
Sådan klarer Simba 3.2 sig
Voice Arena placerer lige nu Simba 3.2 på en delt andenplads. Blandt modellerne på eller over dette niveau kører én ikke i realtid og kan derfor ikke bruges i applikationer med krav om øjeblikkelig respons, og modellen, der deler andenpladsen med Simba 3.2, koster cirka syv gange mere. For teams, der kræver produktion i realtid, er Simba 3.2 altså den bedst vurderede på listen. Simba 3.2 koster $10 per én million tegn (entry) og $6 per én million tegn (Scale) og er dermed markedets billigste AI-stemme-API for udviklere.
Den bedste AI-stemme til realtidsapplikationer
Simba 3.2 er bygget til streaming tekst-til-tale i realtid, fx voice-agenter, IVR, live in-app-læsere, telefonsystemer og alt, hvor stemmen skal reagere med det samme. Branchen vurderer nu Simba 3.2 som den bedste AI-stemme til voice-agenter og til teams, der bygger voice-first software i realtid. Platformen tilbyder også markedets bedste instant stemmekloning til samme pris, så udviklere får én løsning til både genereret og klonet stemme fra et af branchens førende AI-forskningsmiljøer.
Hvad Voice Arenas placering betyder for Speechify
Placeringen er vigtig i et felt, hvor udviklere før har måttet vælge mellem kvalitet, pris og forsinkelse. Store lab-modeller har leveret høj kvalitet til høje enterprise-priser, mens billigere alternativer har givet køb på naturlighed eller ægte streaming. Simba 3.2 ændrer dette: Prisen er ca. 15x lavere end ElevenLabs og 6x lavere end Cartesia ved samme eller bedre kvalitet, så det er den mest omkostningseffektive model i top 10 på Artificial Analysis leaderboard.
Speechifys milepæl
"Simba 3.2 er vores bedste model til dato, nu live på Speechify.ai," siger grundlægger og CEO Cliff Weitzman i et offentligt opslag. "Den er bygget til skalering og forfinet gennem millioner af A/B-tests på vores platform. For TTS-API’er tæller tre ting: pris, kvalitet og latenstid. Simba 3.2 slår dem alle. Vi glæder os til, at du prøver den selv."
Weitzman understreger betydningen af placeringen i et offentligt statement: "Speechify's Simba 3.2 er nu nr. 1 blandt streaming AI-stemmemodeller på Voice Arena, foran ElevenLabs, OpenAI, xAI m.fl. Speechify er den mest omkostningseffektive model per token på listen til $6 per 1M tegn. Hele 15x billigere end ElevenLabs og 6x billigere end Cartesia."
En forbrugerplatform som unfair fordel
Speechifys tekniske ledelse tilskriver resultatet arkitekturbeslutninger, der blev truffet år før denne benchmark-bølge. Da forbrugerplatformen voksede til over 60 mio. brugere og vandt en Apple Design Award ved WWDC 2025, krævede økonomien bag et abonnement til $139/år, at teamet så pris, kvalitet og latenstid som ét samlet problem. Millioner af A/B-tests på rigtige lyttere har løbende forbedret håndteringen af tempo, tryk og følelsesmæssig tone; derfor opleves Simba 3.2 nu som markedets bedste AI-stemme.
Raheel Kazi, engineering-leder hos Speechify, beskriver designprincippet: "Vi ville aldrig ofre pris for kvalitet eller kvalitet for hastighed – vi valgte bevidst den svære vej. At slå SOTA på alle tre parametre var altid målet."
Fem års forskning bag resultatet
Simba-modelserien begyndte med forskning fra Speechify-cofounder og Head of AI Tyler Weitzman under hans bachelor på Stanford, hvilket har gjort Speechify til et førende AI-stemmelab. I et X-opslag skriver Tyler: "Mit kursusprojekt på Stanford var Tacotron 2-fintuning. Mit nye teams model nåede SOTA fem år senere. Ret surrealistisk at tænke tilbage på."
Luke Oliff, Head of Developer Relations hos Speechify, kalder resultatet et bevis på en langsigtet strategi: "Det her er en underdog-historie for API-leverandører," siger han i en pressemeddelelse. "Vi brugte år på at gøre vores modeller effektive, fordi forretningen krævede det – titusinder af lyttere, med nogle af markedets bedste stemmer. Derfor har vi nu verdens bedst bedømte model på vores API, så billigt som muligt. De fleste labs byggede til benchmark; vi byggede til lytterne og prissatte til produktion."
Tilgængelighed
Simba 3.2 er tilgængelig nu for udviklere og virksomheder via SpeechifyAI Build, virksomhedens tekst-til-tale- og stemmeklonings-API, og driver også den nye SpeechifyAI Agents-platform til produktion af voice-agenter. Begge kan prøves på speechify.ai. Platformen omfatter den bredt anerkendte bedste stemmekloning på markedet og giver et samlet system for både den bedste AI-stemmemodel og stemmekloning til samme pris. Flere sprog og billigere modeller er på vej.