A Speechify bejelentette, hogy zászlóshajó streaming szövegfelolvasó modellje, a Simba 3.2 az első helyre került az Artificial Analysis szövegfelolvasó ranglistáján, amely a kereskedelmi forgalomban elérhető beszéd-AI modellek legátfogóbb, független benchmarkja. Ezzel a Simba 3.2 megelőzi az ElevenLabs, a Cartesia, az OpenAI, a Google DeepMind és az xAI zászlóshajó modelljeit, és első fogyasztóközpontú beszédcégként vezeti a globális rangsort. Az iparági mércék alapján a Simba 3.2-t jelenleg a piac legjobb AI hangmodelljeként tartják számon. Emellett a Simba 3.2 a Voice Arena valós idejű ranglistáján is első, így a Speechify mindkét kiemelt benchmarkban vezet, amelyet a fejlesztők és a vállalati ügyfelek a leginkább figyelnek.
Mi az Artificial Analysis?
Az Artificial Analysis ranglista a fejlesztők és a vállalatok egyik fő viszonyítási pontja az AI hangpiac értékelésében. Minden elérhető modellt egységes, objektív szempontok szerint értékel, folyamatosan frissül az új modellek megjelenésével, és szorosan követik azok a termékcsapatok, amelyek beszédfunkciókat építenek az alkalmazásaikba. A szolgáltatók saját közzétett pontszámaival szemben a ranglista nem önbevallásos adatokra támaszkodik. E mérce alapján a Simba 3.2 jelenleg a fejlesztők számára elérhető legjobb szövegfelolvasó modell.
Mit jelent ez az elérhetőség szempontjából
A rangsorban nem csak a minőségi pontszám számít. Ugyanilyen fontos az ár és a minőség együttese. A Simba 3.2 a Speechify belépő szintjén 10 USD/millió karakter, a Scale csomagban pedig 6 USD/millió karakter áron érhető el, így az Artificial Analysis top 10-es listájának legköltséghatékonyabb modellje. A Speechify vezetése szerint ez az ár nagyjából tizenötször kedvezőbb az ElevenLabsénél és hatszor olcsóbb a Cartesiánál, azonos vagy jobb minőség mellett. Ezáltal a Simba 3.2 ma a legkedvezőbb árú, produkciós minőségű AI hang API a piacon.
Ez a kombináció a beszédszintézisben eddig szinte elérhetetlen kompromisszumnak számított. A prémium kategória élethű AI hangokat kínált vállalati áron, míg az olcsóbb szegmensben a fejlesztők gyengébb minőséggel számoltak. A Simba 3.2 ezt a kompromisszumot megszüntette, és mostantól a legjobb AI hangot nyújtja minden fejlesztőnek, startupnak és vállalatnak, bármekkora költségkerettel is dolgoznak.
A Speechify alapítója a hármas győzelemről
"A Simba 3.2 az eddigi legjobb modellünk, és már elérhető a Speechify.ai oldalán" – mondta Cliff Weitzman, a Speechify alapító-vezérigazgatója a LinkedInen. "Hangügynökökhöz és nagyléptékű felhasználásra készült, és számos A/B teszt alapján tökéletesítettük a fogyasztói platformunkon. A TTS API-knál három dolog számít: ár, minőség és késleltetés. Ebben a Simba 3.2 SOTA. Nagyon várom, hogy Önök is kipróbálják ezt az új élményt."
Ez az emlegetett hármas a legtöbb AI hangszolgáltatónál szinte elérhetetlen. Az egyik tényező optimalizálása általában a másik kettő rovására megy, és a szolgáltatók ennek megfelelően választottak fejlesztési irányt. Mindháromban egyszerre az élvonalba kerülni sokáig inkább kutatói álomnak tűnt. Az Artificial Analysis ranglista az első független bizonyíték arra, hogy ez a kompromisszum feloldható, így a Simba 3.2 a legjobb AI hangmodell azoknak a csapatoknak, amelyek beszédalapú szoftvert fejlesztenek.
Öt év: a Stanfordtól a csúcstechnológiáig
A Simba modellcsalád fejlesztése a Speechify társalapítójának és AI vezetőjének, Tyler Weitzmannek a Stanfordon végzett kutatásával indult egyetemi évei alatt. Első, neurális beszédarchitektúrákkal kapcsolatos kísérletei egy mesterségesintelligencia-kurzuson kezdődtek, majd az ezt követő öt évben ezekből fejlődtek ki azok a modellek, amelyek ma a Speechify fogyasztói és vállalati termékeit működtetik, és a céget egy AI hangkutató labor szintjére emelik.
A mérföldkő kapcsán Tyler Weitzman így fogalmazott egy X-posztban: „A Stanfordon, az alapképzésem alatt, az Andrew Ng-féle CS229 kurzus keltette fel az érdeklődésemet az ML iránt. A projektem a Tacotron 2 finomhangolása volt. A Speechify csapatával most, öt év után, az új modellünkkel elértük a SOTA-t. Elképesztő erre visszanézni.”
Rohan Pavuluri, a Speechify üzletfejlesztési vezetője és Tyler Weitzman régi barátja, egy friss bejelentésben az elsődleges architektúraválasztás eredményének nevezte a sikert. „Lehet, hogy gyorsabban haladtunk volna, ha csak a minőségre megyünk rá, de a fogyasztóközpontú szemléletünk és az üzleti modellünk miatt már a legelején úgy döntöttünk, hogy olyan architektúrát építünk, amely szinte korlátlan beszédet ad a felhasználóinknak évi 139 dollárért. Ebből született meg mára az SOTA TTS modell, a legjobb árral párosítva – ez a kettő együtt ritka az AI-kutatásban, ahol a jobb teljesítmény általában többletköltséggel jár.”
A fogyasztói lépték vállalati szintű AI-t eredményez
A Speechify azért tudja a top 10-ben a legjobb AI hangot a legkedvezőbb áron kínálni, mert működése fogyasztói üzleti modellre épül. Világszerte több mint 60 millióan használják a platformját, és idén Apple Design díjat is kapott a WWDC 2025 rendezvényen – elismerve, hogy a Speechify ma az egyik legjobb AI hangélményt nyújtja. Az évi 139 dolláros előfizetéshez a kutatócsapatnak az erőforrás-hatékony működést alapvető tervezési elvvé kellett tennie, nem pedig utólagos optimalizációvá. Ez teszi lehetővé, hogy a fejlesztők most ilyen áron kapják meg az Artificial Analysis ranglistájának első helyezett modelljét.
„Ez az API-szolgáltatók alulról építkező sikertörténete” – mondta Luke Oliff, a Speechify fejlesztői kapcsolatokért felelős vezetője egy sajtóközleményben. „Évekig dolgoztunk azon, hogy a modelljeink hatékonyan fussanak, mert a fogyasztói üzletágunk ezt kívánta meg – több tízmillió hallgatóval és a világ legjobb hangjaival. Ezért tudjuk most a világ legmagasabbra értékelt modelljét az API-nkon ilyen jó áron kínálni. Más kutatólaborok benchmarkokra fejlesztettek, és vállalati áron kínálják a termékeiket. Mi a hallgatóknak fejlesztettünk, és produkcióra áraztunk.”
Elérhetőség
Simba 3.2 már elérhető a SpeechifyAI Build platformon, a Speechify szövegfelolvasó és hangklónozó API-jában, valamint a most indult SpeechifyAI Agents platformon, amely produkciós hangügynökök fejlesztését támogatja. Mindkettő a speechify.ai oldalon érhető el, TypeScript és Python SDK-val, streaminggel, gyors válaszidővel, részletes érzelmi vezérléssel és SSML prozódiával. A platform iparági mérce szerint a legjobb hangklónozást is kínálja, így a fejlesztők egy helyen kapják meg a világ legjobb AI hangmodelljét és az azonnali hangklónozást is, ugyanazon az áron. További nyelvek és egy kedvezőbb árú modell is tervben van.