Speechify a anunțat că modelul său principal de streaming text-to-speech, Simba 3.2, a ajuns pe locul 1 în leaderboard-ul Artificial Analysis pentru text-to-speech, cel mai cuprinzător benchmark independent care urmărește modelele comerciale de voce AI. Acest rezultat plasează Simba 3.2 înaintea ElevenLabs, Cartesia, OpenAI, Google DeepMind și xAI și marchează pentru prima dată momentul în care o companie orientată spre consumatori conduce clasamentul global. După criteriile folosite în industrie pentru evaluarea AI-ului vocal, Simba 3.2 este acum considerat pe scară largă cel mai bun model AI de voce de pe piață. Separat, Simba 3.2 ocupă și primul loc pe Voice Arena pentru modelele în timp real, consolidând avansul Speechify în cele două benchmark-uri principale pentru dezvoltatori și companii.
Despre Artificial Analysis
Leaderboard-ul Artificial Analysis este principalul reper folosit de dezvoltatori și companii pentru a evalua piața de voice AI. Oferă o evaluare obiectivă și consecventă pentru fiecare model comercial, este actualizat constant odată cu lansarea noilor modele și este urmărit îndeaproape de echipele care integrează voce AI în aplicații. Spre deosebire de scorurile publicate de furnizori, acest clasament nu se bazează pe autoevaluări. Astfel, Simba 3.2 este recunoscut drept cel mai bun model text-to-speech disponibil astăzi pentru dezvoltatori.
Ce înseamnă clasarea în Artificial Analysis pentru accesibilitate
Cel mai important aspect al acestui clasament nu este doar scorul de calitate, ci combinația lui cu prețul modelului. Simba 3.2 costă 10$ per milion de caractere la nivelul de bază Speechify și scade la 6$ per milion de caractere la nivelul Scale, fiind cel mai eficient model din top 10 Artificial Analysis. Conducerea Speechify spune că prețul este de 15 ori mai mic decât la ElevenLabs și de 6 ori mai mic decât la Cartesia, la o calitate egală sau mai bună, ceea ce face din Simba 3.2 cel mai avantajos API de voice AI la calitate profesională.
Această combinație a fost mult timp considerată imposibilă în sinteza vocală. Segmentul premium a oferit voci AI realiste la prețuri pentru companii, iar segmentul accesibil venea cu o calitate mai slabă. Simba 3.2 elimină acest compromis și pune acum cea mai bună voce AI la dispoziția oricărui dezvoltator, startup sau companie, indiferent de buget.
Fondatorul Speechify despre atingerea „trifectei”
„Simba 3.2 este cel mai bun model al nostru, acum disponibil pe Speechify.ai”, a spus Cliff Weitzman, fondator și CEO al Speechify, pe LinkedIn. „Este construit pentru agenți vocali la scară și perfecționat prin milioane de teste A/B pe platforma noastră pentru consumatori. La API-urile TTS contează trei lucruri: cost, calitate și latență. Simba 3.2 a atins SOTA la toate trei. Abia aștept să-l încercați ca să vă duceți produsul la nivelul următor.”
Trifecta la care se referă Weitzman este limita acceptată de majoritatea furnizorilor de voice AI. Optimizarea unei direcții cerea, de obicei, compromisuri la celelalte două, iar majoritatea furnizorilor alegeau o singură direcție. Să fii cu adevărat „state-of-the-art” la toate trei simultan era considerat imposibil. Clasarea Artificial Analysis aduce prima dovadă independentă că se poate obține totul, confirmând Simba 3.2 drept cel mai bun model AI de voce pentru echipele care construiesc software vocal.
Cinci ani de la Stanford la tehnologie de ultimă generație
Familia de modele Simba își are rădăcinile în cercetarea începută de cofondatorul și Head of AI, Tyler Weitzman, pe vremea studiilor sale la Universitatea Stanford. Primele sale experimente cu arhitecturi neuronale pentru un curs de machine learning la master s-au transformat, în cinci ani, în familia de modele care stă la baza generației vocale de streaming din produsele Speechify, făcând din Speechify un lider în cercetarea voice AI.
Reflectând la acest moment, Tyler Weitzman a scris într-o postare pe X: „Ca student la Stanford, CS229 cu Andrew Ng mi-a stârnit interesul pentru ML. Proiectul meu a fost fine-tuning Tacotron 2. Noul model al echipei noastre de la Speechify a atins SOTA, cinci ani mai târziu. E incredibil să mă uit în urmă.”
Rohan Pavuluri, Chief Business Officer la Speechify și vechi prieten al lui Tyler Weitzman, a văzut acest rezultat ca rodul unei decizii arhitecturale timpurii, într-un anunț recent. „Poate am fi avansat mai repede dacă ne concentram doar pe calitate, dar ADN-ul nostru orientat spre consumatori și modelul de business ne-au cerut să luăm decizii care să ne permită să oferim, practic, vorbire nelimitată pentru 139$/an. Azi, asta se traduce în cel mai bun model TTS la cel mai bun preț, lucru rar în cercetarea AI, unde performanța mai bună înseamnă de obicei costuri mai mari.”
Scalarea pentru consumatori ca motor al AI-ului enterprise
Capacitatea Speechify de a oferi cea mai bună voce AI la cel mai mic preț din top 10 se bazează pe economia businessului pentru consumatori. Platforma are peste 60 de milioane de utilizatori la nivel mondial și a câștigat anul acesta un premiu Apple Design la WWDC 2025, semn că produsul Speechify este printre cele mai bune experiențe de voice AI. Deservirea acestor utilizatori la un abonament de 139$/an a cerut echipei de cercetare să facă din eficiență o condiție de bază, nu una adăugată ulterior. Această disciplină face posibilă oferirea modelului numărul 1 din leaderboard-ul Artificial Analysis la prețul pe care dezvoltatorii îl văd astăzi.
„Aceasta este povestea outsiderului pentru furnizorii de API”, a spus Luke Oliff, Head of Developer Relations la Speechify, într-un comunicat de presă. „Ani de zile ne-am optimizat modelele să ruleze eficient pentru că businessul nostru orientat spre consumatori cerea asta – zeci de milioane de ascultători și unele dintre cele mai bune voci din lume. De aceea putem oferi acum cel mai bine cotat model ca API, la un preț minim. Majoritatea laboratoarelor construiesc pentru benchmark-uri și vând doar companiilor. Noi am construit pentru ascultători și am gândit prețul pentru producție.”
Disponibilitate
Simba 3.2 este disponibil acum prin SpeechifyAI Build – API-ul Speechify pentru text-to-speech și voice cloning – și stă la baza noii platforme SpeechifyAI Agents pentru agenți vocali de producție. Ambele sunt disponibile pe speechify.ai, cu SDK-uri TypeScript și Python, streaming rapid, control fin al emoției și prosodie SSML. Platforma include ceea ce este considerată cea mai bună tehnologie de voice cloning de pe piață, oferind dezvoltatorilor un singur stack atât pentru cel mai performant model AI de voce, cât și pentru voice cloning instant, la același preț. Limbi noi și un model mai accesibil sunt pe roadmap-ul Speechify.