Speechify šiandien paskelbė, kad jos pažangiausias srautinis teksto į kalbą modelis Simba 3.2 užėmė antrą vietą Voice Arena – nepriklausomame anoniminiame klausytojų reitinge, laikomame griežčiausiu viešu AI balsų kokybės vertinimu.
Tarp šiuo metu realiuoju laiku veikiančių ir gamyboje diegiamų modelių Simba 3.2 yra geriausiai įvertintas savo kainų kategorijoje — tai geriausias AI balsas realaus laiko programoms. Toje pačioje platformoje siūlomas ir plačiai pripažintas geriausias balso klonavimas. Tuo pačiu laikotarpiu Simba 3.2 užėmė 1 vietą Artificial Analysis teksto į kalbą reitinge, dar labiau sustiprindamas įmonės lyderystę dvejose kūrėjams svarbiausiose platformose.
Apie Voice Arena
Voice Arena yra nepriklausomas anoniminis balso AI reitingas, kuriame modeliai vertinami taip, kaip juos girdi tikri naudotojai — savo ausimis. Remiantis gerai žinoma Chatbot Arena metodika, gimtakalbių komisijai pateikiami du identiško teksto garso įrašai, neatskleidžiant, kuris modelis juos sugeneravo. Klausytojai balsuoja už natūraliau skambantį variantą. Balsai paverčiami Elo reitingu, kuris nuolat atnaujinamas ir realiai atspindi klausytojų nuomonę, o ne laboratorinius rodiklius.
Čia nėra pačių tiekėjų pateiktų vidutinių įvertinimų. Nėra tiekėjų atrinktų pavyzdžių. Nėra vidinių testų. Visi modeliai tikrinami su tais pačiais realaus pasaulio tekstais tomis pačiomis sąlygomis, naudojant subalansuotą balso tipų rinkinį, o ne specialiai parinktą geriausiai skambantį balsą. Metodika apima šešias kalbas ir vertina tekstus iš tikrų srautinio naudojimo scenarijų — nuo balso asistentų ir IVR iki audioknygų. Vertinimas sukurtas bendradarbiaujant su Carnegie Mellon universiteto prof. Shinji Watanabe — vienu labiausiai cituojamų balso tyrėjų pasaulyje.
Kodėl Voice Arena reitingas svarbus
Voice Arena svarbus todėl, kad atspindi tikrus rinkos pasirinkimus. Įmonės, produktų komandos ir kūrėjai AI balsus vertina ne pagal spektrą, o pagal tai, kaip jie skamba. Tai vienintelis viešas reitingas, kuris tiksliai matuoja balsų vertinimą realiu mastu ir statistiškai reikšmingai, neleisdamas nė vienam tiekėjui paveikti rezultatų. Aukšta vieta Voice Arena laikoma svarbiausiu kokybės ženklu industrijoje.
Kaip vertinamas Simba 3.2
Voice Arena šiuo metu Simba 3.2 skiria bendrą antrą vietą. Iš aukščiau arba tiek pat įvertintų modelių vienas neveikia realiuoju laiku ir nenaudojamas gamyboje, o su Simba 3.2 lygiavertis modelis kainuoja maždaug 7 kartus brangiau. Praktikoje komandoms, kurioms svarbus realaus laiko veikimas ir kaina, Simba 3.2 yra geriausias pasirinkimas. Jis kainuoja tik $10 už 1 mln. simbolių pradiniame plane ir $6 už 1 mln. simbolių Scale plane — tai šiuo metu pigiausia AI balso API.
Geriausias AI balsas realaus laiko programoms
Simba 3.2 yra srautinis teksto į kalbą modelis, sukurtas realiam laikui: balso agentams, IVR, gyvam skaitymui, telefonijai ir produktams, kuriems reikia momentinio atsako. Pagal visus industrijos standartus Simba 3.2 dabar laikomas geriausiu AI balsu balso agentams ir geriausiu rinkoje balso modeliu komandoms, diegiančioms realiai naudojamą programinę įrangą. Toje pačioje platformoje siūlomas ir geriausias momentinis balso klonavimas už tą pačią kainą, todėl kūrėjai gali naudoti tą pačią sistemą tiek generuotam, tiek klonuotam balsui vienoje šiuo metu pirmaujančioje AI balso laboratorijoje.
Ką Speechify reiškia Voice Arena reitingas
Šis reitingas svarbus sričiai, kurioje anksčiau tekdavo rinktis tarp kokybės, kainos ir uždelsimo. Didžiųjų laboratorijų modeliai dažnai siūlydavo kokybę tik už verslo lygio kainą, o pigesni variantai aukodavo natūralumą ar srautinį veikimą. Simba 3.2 tai keičia: jis yra apie 15 kartų pigesnis už ElevenLabs ir 6 kartus pigesnis už Cartesia, išlaikydamas tokią pačią ar geresnę kokybę, todėl tai efektyviausias modelis Artificial Analysis lyderių dešimtuke.
Speechify pasiekimas
„Simba 3.2 yra mūsų geriausias modelis, dabar prieinamas per Speechify.ai,“ sakė įkūrėjas ir CEO Cliff Weitzman viešame įraše. „Jis skirtas didelio masto balso agentams ir ištobulintas pagal milijonų A/B testų mūsų vartotojų platformoje rezultatus. TTS API svarbiausi trys dalykai: kaina, kokybė ir uždelsimas. Simba 3.2 pasiekė SOTA visose srityse. Išbandykite ir pritaikykite patys.“
Viešame pranešime, skelbdamas apie laimėjimą, Weitzman dar kartą pabrėžė šio rezultato svarbą: „Speechify’s Simba 3.2 tapo 1 vietos srautiniu AI balso modeliu Voice Arena reitinge, aplenkdamas Eleven Labs, OpenAI, xAI ir kitus. Be to, Speechify yra efektyviausias visame reitinge – $6 už 1M simbolių. Tai daugiau nei 15x pigiau už Eleven Labs ir virš 6x pigiau už Cartesia.“
Vartotojų platforma kaip pranašumas
Speechify inžinerijos komanda šią sėkmę sieja su sprendimais, priimtais dar prieš prasidedant dabartiniam reitingo ciklui. Vartotojų platformai išaugus iki 60 mln. naudotojų ir laimėjus Apple Design Award per WWDC 2025, kainos, kokybės ir uždelsimo klausimas buvo sprendžiamas kompleksiškai. Milijonai realių A/B bandymų nuolat formavo tai, kaip modelis valdo tempą, akcentus ir emocijas, todėl pavyko pasiekti geriausią AI balso patirtį.
Inžinerijos vadovas Raheel Kazi reziumavo: „Niekada nenorėjome aukoti kainos dėl kokybės ar kokybės dėl uždelsimo. Sąmoningai pasirinkome sunkesnį kelią. Pasiekti SOTA visose trijose srityse vienu metu buvo mūsų tikslas nuo pat pradžių.“
Penkerių metų tyrimas už šio rezultato
Simba modelių serija prasidėjo nuo tyrimo, kurį Speechify bendraįkūrėjas ir AI vadovas Tyler Weitzman pradėjo dar studijuodamas Stanforde. Tai padėjo Speechify tapti viena pirmaujančių balso AI tyrimų laboratorijų. Prisiminęs šį etapą X įraše, Tyler Weitzman rašė: „Stanforde susidomėjimą ML paskatino CS229 su Andrew Ng. Kursinis darbas buvo apie Tacotron 2 tobulinimą. O dabar, po 5 metų, mūsų komandos modelis pasiekė SOTA. Skamba neįtikėtinai.“
Speechify kūrėjų ryšių vadovas Luke Oliff šį pasiekimą įvardijo kaip ilgalaikės strategijos rezultatą: „Tai API tiekėjų nevykėlio istorija,“ sakė Oliffas spaudos pranešime. „Metų metus kūrėme efektyvius modelius, nes to reikalavo dešimtys milijonų klausytojų. Todėl dabar savo API siūlome geriausiai įvertintą modelį už prieinamą kainą. Kitos laboratorijos kūrė modelius reitingams ir siūlė juos tik verslo rinkai, o mes kūrėme tikriems klausytojams ir realiam diegimui.“
Prieinamumas
Simba 3.2 jau prieinamas kūrėjams ir įmonėms per SpeechifyAI Build – teksto į kalbą ir balso klonavimo API, suteikiančią galimybę kurti gamybai paruoštus balso agentus naujoje SpeechifyAI Agents platformoje. Abu produktai prieinami per speechify.ai. Platformoje taip pat siūloma geriausiai įvertinta balso klonavimo technologija, leidžianti naudoti tiek AI balso modelį, tiek momentinį balso klonavimą už tą pačią kainą. Papildomos kalbos ir dar pigesnis modelis jau planuojami.