Speechify a anunțat astăzi că modelul său principal de streaming text-to-speech, Simba 3.2, s-a clasat la egalitate pe locul doi în Voice Arena, un benchmark independent cu ascultare în orb, considerat în prezent cea mai riguroasă evaluare publică a calității vocilor AI.
Dintre modelele real-time care pot fi folosite azi în producție, Simba 3.2 este cel mai bine evaluat din categoria sa de preț, fiind cea mai bună voce AI pentru aplicații real-time de pe piață. Aceeași platformă oferă și ceea ce mulți consideră a fi cea mai avansată tehnologie de clonare vocală disponibilă pentru dezvoltatori. În aceeași săptămână, Simba 3.2 a urcat și pe locul 1 în clasamentul Artificial Analysis, consolidându-și poziția pe cele două benchmark-uri esențiale pentru dezvoltatori și companiile mari.
Despre Voice Arena
Voice Arena este un benchmark independent cu ascultare în orb care evaluează modelele AI exact cum le percep utilizatorii reali: după ureche. Inspirat de metodologia Chatbot Arena, Voice Arena le prezintă vorbitorilor nativi două înregistrări generate din același text, fără a dezvălui sursa fiecăreia, iar ascultătorii votează varianta care sună mai natural. Voturile sunt agregate într-un rating Elo continuu, astfel că clasamentul reflectă preferințele reale, nu metrici de laborator.
Nu există scoruri de opinie stabilite de furnizori. Nu sunt folosite mostre audio alese de furnizori. Nu există evaluări interne făcute de producător. Fiecare model din clasament este testat cu același text real, în aceleași condiții, pe voci echilibrate per furnizor, nu doar pe cele mai bune exemple. Metodologia acoperă șase limbi și evaluează texte din scenarii reale, de la agenți vocali la sisteme IVR, cărți audio și cititoare în-app. Evaluarea a fost dezvoltată cu sprijinul Prof. Shinji Watanabe de la Carnegie Mellon University.
De ce contează clasamentul Voice Arena
Voice Arena contează pentru că este benchmark-ul care reflectă deciziile reale din piață. Clienții enterprise, echipele de produs și dezvoltatorii nu văd spectrograme sau scoruri interne, ci doar cum sună vocea. Voice Arena este singurul benchmark public care măsoară exact acest lucru, la scară, pe un număr suficient de ascultători pentru rezultate relevante statistic, fără ca vreun furnizor să poată influența scorul. Un loc bun în Voice Arena este considerat cel mai apropiat lucru de standardul real al industriei.
Cum se clasează Simba 3.2
În prezent, Voice Arena plasează Simba 3.2 la egalitate pe locul doi. Dintre modelele cu scor similar sau mai mare, unul nu funcționează în timp real și nu poate fi folosit live, iar celălalt, aflat la egalitate, este de aproximativ șapte ori mai scump decât Simba 3.2. Practic, pentru orice echipă care construiește aplicații live la costuri de producție, Simba 3.2 este cea mai bine cotată opțiune din benchmark. Costă 10$ per milion de caractere în varianta de bază și 6$ per milion în varianta Scale, fiind astfel cel mai accesibil API de voce AI pentru dezvoltatori.
Cea mai bună voce AI pentru aplicații real-time
Simba 3.2 este un model de streaming text-to-speech conceput special pentru aplicații cu voce live: agenți vocali, sisteme IVR, cititoare live în app, sisteme telefonice și orice produs care necesită răspuns instant. După standardele industriei, Simba 3.2 este considerat pe scară largă cea mai bună voce AI pentru agenți vocali și cel mai performant model pentru aplicații centrate pe voce, la scară de producție. Platforma oferă și cea mai avansată clonare instant a vocii la același preț, astfel încât dezvoltatorii au o soluție completă pentru vorbire generată și voci clonate, livrată de un laborator de top în cercetarea AI vocală.
Ce înseamnă acest clasament pentru Speechify
Clasamentul este relevant într-o nișă în care dezvoltatorii erau forțați să aleagă între calitate, cost și latență. Modelele de top ofereau voci bune la prețuri de enterprise, iar cele ieftine sacrificau naturalețea sau viteza necesară pentru real-time. Simba 3.2 schimbă regulile jocului. Costă de 15 ori mai puțin decât ElevenLabs și de 6 ori mai puțin decât Cartesia, la o calitate comparabilă sau mai bună, devenind cel mai eficient model din top 10 pe Artificial Analysis.
Un moment important pentru Speechify
"Simba 3.2 este cel mai bun model al nostru de până acum, disponibil acum pe Speechify.ai", spune Cliff Weitzman, fondator și CEO Speechify, într-o postare publică. "Este construit pentru agenți vocali la scară și perfecționat cu milioane de teste A/B rulate pe platforma noastră pentru consumatori. În API-urile TTS contează trei lucruri: costul, calitatea și latența. Simba 3.2 a atins SOTA la toate. Abia aștept să-l încercați în experiențele voastre."
Weitzman a subliniat importanța rezultatului într-un anunț public. "Simba 3.2 este acum modelul AI de streaming nr. 1 pe Voice Arena, peste Eleven Labs, OpenAI, xAI și alții. Contează și faptul că Speechify este cel mai eficient model din clasament la 6$ per 1M de caractere — de peste 15x mai accesibil decât Eleven Labs și de peste 6x față de Cartesia."
Platforma de consum — avantaj competitiv
Liderii de inginerie ai Speechify pun acest rezultat pe seama deciziilor arhitecturale luate cu ani înainte de actualul ciclu de benchmark-uri. Pe măsură ce platforma pentru consumatori a depășit 60 de milioane de utilizatori și a primit un Apple Design Award la WWDC 2025, nevoia de a servi o bază mare de utilizatori la un abonament de 139$/an i-a forțat pe cercetători să trateze costul, calitatea și latența ca o singură problemă, nu separat. Milioane de teste A/B audio reale au optimizat continuu ritmul, accentul și emoția, ducând la cea mai bună experiență vocală AI de azi.
Raheel Kazi, lider de inginerie Speechify, a rezumat principiul de bază: „Nu am vrut niciodată să sacrificăm costul pentru calitate sau calitatea pentru latență. Am ales deliberat calea grea. Să fim SOTA la toate trei deodată a fost mereu ținta.”
Cinci ani de cercetare în spatele rezultatului
Familia de modele Simba își are originea în cercetările începute de co-fondatorul Speechify și Head of AI, Tyler Weitzman, în studenție la Stanford. Aceste lucrări au poziționat Speechify ca un laborator de top în cercetarea AI vocală. Reflectând la acest moment într-o postare pe X, Tyler Weitzman a spus: „Ca student la Stanford, cursul CS229 cu Andrew Ng mi-a stârnit interesul pentru ML. Proiectul a fost fine-tuning pe Tacotron 2. Acum, noul model a atins SOTA. E destul de incredibil când mă uit în urmă.”
Luke Oliff, Head of Developer Relations la Speechify, a prezentat rezultatul ca o validare a strategiei pe termen lung. „Este o poveste de outsider în lumea furnizorilor de API-uri”, a spus Oliff într-un comunicat de presă. „Am petrecut ani perfecționând modelele pentru consumatori, pentru zeci de milioane de ascultători și unele dintre cele mai bune voci disponibile. Datorită acestui efort, acum avem cel mai bine cotat model din lume la un preț minim pe API. Majoritatea laboratoarelor au construit pentru benchmark-uri și prețuri de enterprise. Noi am construit pentru ascultători și prețuri de producție.”
Disponibilitate
Simba 3.2 este disponibil azi pentru dezvoltatori și companii prin SpeechifyAI Build, API-ul de text-to-speech și voice cloning al companiei, care alimentează și noua platformă SpeechifyAI Agents pentru crearea de agenți vocali pentru producție. Ambele pot fi accesate la speechify.ai. Platforma oferă cea mai bună tehnologie de clonare vocală de pe piață, astfel încât dezvoltatorii au totul într-un singur stack: cel mai bun model AI la acest preț și cea mai rapidă clonare la același nivel. În roadmap urmează noi limbi și un model low-cost.