Speechify kunngjorde i dag at deres ledende strømmetekst-til-tale-modell, Simba 3.2, deler andreplassen på Voice Arena, en uavhengig blindtest som regnes som den strengeste offentlige vurderingen av AI-stemmekvalitet i dag.
Blant sanntidsmodellene som kan tas i bruk i produksjon nå, er Simba 3.2 best i forhold til pris og dermed det beste valget for AI-stemme i sanntidsprogramvare. Plattformen tilbyr også det som regnes som markedets beste stemmekloning. Samme uke tok Simba 3.2 også førsteplass på Artificial Analysis' tekst-til-tale-ledertavle, og styrker selskapets posisjon i de to mest brukte referansene for utviklere og innkjøpere.
Om Voice Arena
Voice Arena er en uavhengig blindtest som vurderer AI-stemmer slik brukere faktisk opplever dem: med ørene. Inspirert av den kjente Chatbot Arena-metodikken, får paneler med morsmålsbrukere høre to lydklipp av samme tekst, uten å vite hvilken modell som står bak, og stemmer på det som høres mest naturlig ut. Stemmegivningen gir en Elo-score for hver modell, og resultatlisten oppdateres fortløpende etter lytternes faktiske preferanser, ikke laboratoriemålinger.
Ingen selvrapporterte poeng, ingen utvalgte lydprøver fra leverandører og ingen intern vurdering fra modellutviklerne. Alle modellene testes med de samme virkelige tekstene og under like forhold, med balanserte stemmesett i stedet for leverandørenes beste alternativer. Metoden dekker seks språk og vurderer tekster fra faktiske bruksområder, som taleagenter, IVR, lydbøker og opplesere i apper. Vurderingen er utviklet med innspill fra professor Shinji Watanabe ved Carnegie Mellon University, en av de mest siterte forskerne innen taleteknologi.
Derfor betyr Voice Arenas rangering noe
Voice Arena betyr noe fordi den speiler hvordan markedet faktisk velger. Innkjøpere, produktteam og utviklere møter ikke spektrogrammer eller interne kvalitetsskårer; de hører stemmen slik lytteren gjør. Voice Arena er den eneste åpne testen som måler dette bredt nok til å være statistisk robust, uten at leverandører kan spille systemet. En høy plassering regnes derfor som det nærmeste man kommer et reelt signal om den beste AI-stemmen i dag.
Slik scorer Simba 3.2
Voice Arena plasserer Simba 3.2 på delt andreplass totalt. Av modellene som ligger over eller likt, er én ikke i sanntid og kan ikke brukes der stemmen må svare umiddelbart, og modellen på samme plass som Simba 3.2 koster rundt sju ganger mer. For alle som bygger produkter der stemmen må leveres live til en pris som fungerer i produksjon, er Simba 3.2 det beste valget. Simba 3.2 koster $10 per én million tegn på startnivå og $6 på Scale-nivå, og er det rimeligste AI-stemme-API-et på markedet i dag.
Beste AI-stemme for sanntidsbruk
Simba 3.2 er en strømmet tekst-til-tale-modell utviklet spesielt for sanntidsbruk, som taleagenter, IVR, opplesere i apper, telefonsystemer og produkter der stemmen må svare raskt. Ifølge bransjens mål for talesyntese regnes Simba 3.2 nå som den beste AI-stemmen for taleagenter og programvare der stemmen står i sentrum. Plattformen tilbyr også markedets beste stemmekloning til samme pris, så utviklere får både generert tale og klonede stemmer i ett system fra en ledende forskningsaktør.
Hva plasseringen betyr for Speechify
Plasseringen er viktig i en kategori der utviklere lenge har måttet velge mellom kvalitet, pris og forsinkelse. Ledende modeller fra store aktører ga ofte høy kvalitet til bedriftspriser, mens billigere alternativer ofret naturtro tale eller ytelse i sanntid. Simba 3.2 endrer dette: Prisen er 15x lavere enn ElevenLabs og 6x lavere enn Cartesia, med lik eller bedre kvalitet, og modellen er den mest kostnadseffektive i Artificial Analysis' topp 10.
Speechifys milepæl
"Simba 3.2 er vår beste modell så langt, nå tilgjengelig på Speechify.ai," sier Cliff Weitzman, grunnlegger og CEO i Speechify, i et offentlig innlegg. "Den er laget for å drive stemmeagenter i stor skala og er finjustert gjennom millioner av A/B-tester fra plattformen vår. I TTS-API-er teller tre ting: pris, kvalitet og forsinkelse. Simba 3.2 har oppnådd SOTA på alle tre. Gleder meg til at dere får oppleve det selv."
Weitzman understreket betydningen av resultatet i en offentlig kunngjøring av plasseringen. "Speechifys Simba 3.2 er nå den høyest rangerte AI-stemmemodellen i sanntid på Voice Arena, foran Eleven Labs, OpenAI, xAI og andre. Viktigst av alt: Speechify er den mest kostnadseffektive modellen på listen, med $6 per 1M tegn. Det er over 15x rimeligere enn Eleven Labs og over 6x rimeligere enn Cartesia."
Forbrukerplattformen som fordel
Speechifys ingeniørledelse tilskriver resultatet arkitekturvalg som ble tatt flere år før de nyeste testene startet. Selskapets plattform vokste til over 60 millioner brukere og vant en Apple Design Award under WWDC 2025. For å kunne tilby disse brukerne tale for $139 i året måtte forskerteamet se pris, kvalitet og hastighet som én og samme utfordring. Millioner av A/B-tester med ekte lyttere har stadig forbedret modellens tempo, betoning og følelsesmessige uttrykk, og gir en AI-stemmeopplevelse som regnes som markedets beste i dag.
Raheel Kazi, teknologileder i Speechify, beskrev grunnprinsippet slik: "Vi ville aldri ofre pris for kvalitet, eller kvalitet for lavere forsinkelse. Vi valgte bevisst den tøffere veien. Å nå SOTA på alle tre samtidig var alltid målet."
Fem års forskning bak gjennombruddet
Simba-familien bygger på forskning startet av Speechify-gründer og AI-leder Tyler Weitzman i studietiden ved Stanford, arbeid som har gitt Speechify en posisjon som ledende forskningsmiljø på AI-stemmer. I et tilbakeblikk på milepælen skrev Tyler Weitzman i en post på X: "På Stanford, i CS229 med Andrew Ng, ble jeg interessert i maskinlæring. Prosjektet mitt var finjustering av Tacotron 2. Nå er teamets nye modell i Speechify SOTA fem år senere. Rart å tenke på."
Luke Oliff, leder for utviklerkontakt i Speechify, ser resultatet som en bekreftelse på en langsiktig strategi. "Dette er underdog-historien for API-leverandører," sa Oliff i en pressemelding. "Vi har brukt år på å gjøre modellene våre effektive fordi forretningen krevde det, med titalls millioner lyttere og noen av de beste stemmene i verden. Det gjør at vi kan tilby toppmodellen vår i API til lav pris. De fleste laboratorier bygget for testing og enterprise-prising. Vi bygget for lyttere og produksjon."
Tilgjengelighet
Simba 3.2 er tilgjengelig nå for utviklere og bedrifter via SpeechifyAI Build, selskapets tekst-til-tale- og stemmeklonings-API, og driver også den nye SpeechifyAI Agents-plattformen. Begge er på speechify.ai. Plattformen tilbyr det som regnes som markedets beste stemmekloning, og gir utviklere én løsning for både den beste AI-stemmen til prisen og den beste stemmekloningen på samme nivå. Flere språk og rimeligere nivåer er på vei.