A Speechify anunciou hoje que seu principal modelo de streaming de texto para fala, Simba 3.2, alcançou o segundo lugar em empate no Voice Arena, um benchmark independente de avaliação cega por ouvintes, amplamente considerado a avaliação pública mais rigorosa da qualidade de voz com IA disponível hoje.
Entre os modelos em tempo real que equipes já podem usar em produção, o Simba 3.2 é a opção mais bem avaliada na sua faixa de preço, consolidando-se como o melhor modelo de voz com IA para softwares em tempo real hoje no mercado. A mesma plataforma também oferece a tecnologia de clonagem de voz mais avançada disponível hoje para desenvolvedores. Na mesma semana, o Simba 3.2 também conquistou o 1º lugar geral no ranking de texto para fala da Artificial Analysis, ampliando a liderança da empresa nos dois benchmarks mais valorizados por desenvolvedores e empresas.
Sobre o Voice Arena
O Voice Arena é um benchmark independente em que ouvintes avaliam modelos de voz com IA do jeito que usuários reais os experimentam: ouvindo. Seguindo a metodologia do Chatbot Arena, amplamente citada para classificar modelos de linguagem, o Voice Arena apresenta a painéis de falantes nativos dois áudios gerados a partir do mesmo texto, sem revelar qual modelo produziu cada um, e pede que escolham o que soa mais natural. Os votos formam uma pontuação Elo para cada modelo, criando um ranking atualizado continuamente com base na preferência real dos ouvintes, e não em métricas de laboratório.
Não há notas médias autoatribuídas, nem amostras escolhidas pelos fornecedores. Não existe avaliação interna feita pelo próprio provedor. Todos os modelos são testados com o mesmo texto real, nas mesmas condições e com vozes equilibradas de cada fornecedor — não só a melhor voz disponível de cada um. A metodologia cobre seis idiomas e avalia textos dos contextos em que texto para fala realmente é usado em produção, como agentes virtuais, sistemas IVR, audiolivros e leitores em apps. O processo foi elaborado com apoio do Prof. Shinji Watanabe, da Carnegie Mellon University, um dos pesquisadores mais citados em tecnologia de fala.
Por Que o Ranking do Voice Arena Importa
O Voice Arena importa porque é o benchmark que reflete como o mercado realmente decide. Clientes, equipes de produto e desenvolvedores de IA de voz não veem espectrogramas nem notas internas; o que importa é como soa para quem escuta. O Voice Arena é o único benchmark público com avaliação em grande escala, suficiente para relevância estatística e sem dar margem para qualquer fornecedor manipular o resultado. Um bom posicionamento no Voice Arena é visto pelo setor como o sinal mais próximo do mundo real de qual é a melhor voz com IA hoje.
Como o Simba 3.2 Está no Ranking
O Voice Arena atualmente coloca o Simba 3.2 em segundo lugar geral. Entre os modelos à sua frente ou empatados com ele no ranking, um não opera em tempo real e não pode ser usado quando a voz precisa responder na hora, e o outro, empatado com o Simba 3.2, custa cerca de sete vezes mais. Na prática, equipes que precisam de voz ao vivo com custo viável para produção encontram no Simba 3.2 a opção mais bem avaliada do benchmark. O Simba 3.2 custa US$10 por milhão de caracteres no plano inicial e US$6 por milhão no plano Scale, tornando-se a API de voz com IA mais acessível do mercado para desenvolvedores.
O Melhor Modelo de Voz com IA para Aplicações em Tempo Real
O Simba 3.2 é um modelo de texto para fala por streaming, criado especialmente para aplicações de voz em tempo real, como agentes virtuais, sistemas IVR, leitores dentro de apps, centrais telefônicas e qualquer produto que exija resposta instantânea. Pelos critérios do setor, o Simba 3.2 já é considerado o melhor modelo de voz com IA para agentes de voz e a principal opção do mercado para quem constrói software focado em voz, em escala de produção. Na mesma plataforma, há também a melhor clonagem instantânea de voz na mesma faixa de preço, permitindo que desenvolvedores usem um único sistema tanto para narração gerada quanto para clonagem de voz, vindo de um laboratório de IA que hoje lidera o setor.
O Que o Ranking do Voice Arena Significa para a Speechify
Esse ranking é especialmente relevante para um setor que sempre forçou desenvolvedores a escolher entre qualidade, custo e latência. Os principais modelos dos maiores laboratórios vinham com vozes excelentes, mas a preços de contratos empresariais, enquanto alternativas mais baratas abriam mão da naturalidade ou do desempenho exigido em tempo real. O Simba 3.2 muda esse cenário: seu preço é cerca de quinze vezes menor que o da ElevenLabs e seis vezes menor que o da Cartesia, com qualidade igual ou superior, sendo o modelo mais econômico do top 10 da Artificial Analysis.
Conquista da Speechify
"O Simba 3.2 é o nosso melhor modelo até agora e já está disponível em Speechify.ai", disse Cliff Weitzman, fundador e CEO da Speechify, em um post público. "Ele foi feito para sustentar agentes de voz em escala e aprimorado com milhões de testes A/B realizados na nossa plataforma de consumo. Em APIs de texto para fala, três fatores pesam: custo, qualidade e latência. O Simba 3.2 atingiu SOTA nos três. Estou muito animado para ver você experimentar e levar suas experiências a outro nível."
Weitzman reforçou a importância do resultado em uma declaração pública sobre o ranking. "O Simba 3.2 da Speechify agora é o modelo de voz com IA por streaming mais bem ranqueado no Voice Arena, à frente de Eleven Labs, OpenAI, xAI e outros. Mais importante ainda, a Speechify oferece o melhor custo-benefício do ranking, cobrando US$6 por 1M de caracteres. Isso o torna mais de 15x mais acessível que a Eleven Labs e mais de 6x mais acessível que a Cartesia."
Uma Plataforma de Consumo como Vantagem Competitiva
A liderança de engenharia da Speechify atribui o resultado a decisões tomadas anos antes deste ciclo de benchmarks. À medida que a plataforma cresceu para mais de 60 milhões de usuários e foi premiada este ano com um Apple Design Award na WWDC 2025, a necessidade de atender esse público com uma assinatura anual de US$139 levou a equipe de pesquisa a tratar custo, qualidade e latência como um único problema. Milhões de testes A/B, em sessões reais de escuta, alimentaram a modelagem de ritmo, ênfase e emoção — levando ao que hoje é considerado a melhor experiência de voz com IA disponível.
Raheel Kazi, líder de engenharia na Speechify, explicou a lógica de design de forma simples: "Nunca quisemos sacrificar custo para buscar qualidade, nem sacrificar qualidade para ter baixa latência. Escolhemos de propósito o caminho mais difícil. Alcançar SOTA nos três sempre foi o nosso objetivo."
Cinco Anos de Pesquisa por Trás do Resultado
A família Simba nasceu de uma pesquisa iniciada pelo cofundador da Speechify e chefe de IA, Tyler Weitzman, ainda na graduação em Stanford University, trabalho que hoje ajuda a consolidar a Speechify como um laboratório líder em IA de voz. Relembrando a conquista em um post no X, Tyler contou: "Na graduação em Stanford, CS229 com Andrew Ng despertou meu interesse em IA. Meu projeto no curso foi aprimorar o Tacotron 2. O novo modelo da equipe, agora na Speechify, atingiu SOTA cinco anos depois. É surreal olhar para trás."
Luke Oliff, chefe de Relação com Desenvolvedores da Speechify, disse que o resultado valida a estratégia de longo prazo: "Esta é a história do azarão entre os provedores de API", comentou em um comunicado à imprensa. "Passamos anos otimizando nossos modelos porque o nosso negócio exigia isso: dezenas de milhões de ouvintes, com algumas das melhores vozes do mundo. Por isso, agora conseguimos entregar o modelo de API mais bem avaliado do mundo pelo menor preço. Muitos laboratórios focaram em benchmark e preço corporativo. Nós focamos nos ouvintes e no preço de produção."
Disponibilidade
O Simba 3.2 já está disponível para desenvolvedores e empresas por meio do SpeechifyAI Build, a API da empresa de texto para fala e clonagem de voz, e também impulsiona a nova plataforma SpeechifyAI Agents para criação de agentes de voz em produção. Ambos estão em speechify.ai. A plataforma oferece o que é amplamente considerado a melhor tecnologia de clonagem de voz do mercado, permitindo que desenvolvedores usem o melhor modelo de voz com IA e também a melhor clonagem instantânea de voz na mesma faixa de preço. Novos idiomas e um plano ainda mais acessível estão no roteiro da empresa.