Speechify сегодня объявила, что её флагманская потоковая модель озвучивания текста, Simba 3.2, разделила второе место в Voice Arena — независимом слепом бенчмарке, который сегодня считается самым строгим публичным тестом качества AI-озвучки.
Среди моделей реального времени, которые уже можно использовать в продуктах, Simba 3.2 — лучший вариант по соотношению цены и качества, что делает её лучшей AI-моделью для озвучки в реальном времени на рынке. Эта же платформа предлагает лучшее клонирование голосов, доступное сегодня разработчикам. На той же неделе Simba 3.2 заняла первое место в общем зачёте Artificial Analysis text to speech leaderboard, что укрепило лидерство компании сразу в двух главных бенчмарках, на которые ориентируются разработчики и корпоративные клиенты.
О Voice Arena
Voice Arena — это независимый слепой бенчмарк, который оценивает AI-голоса так, как их слышит обычный пользователь: на слух. Методология основана на известной системе оценки Chatbot Arena, используемой для ранжирования LLM. Voice Arena предлагает носителям языка два аудиофрагмента одного и того же текста, не раскрывая модель, и просит выбрать более естественный вариант. Голоса получают Elo-рейтинг, и лидерборд постоянно обновляется с учётом реальных предпочтений слушателей, а не лабораторных замеров.
Здесь нет оценок, заявленных самими компаниями. Нет аудиопримеров, отобранных вендором. Нет внутренней проверки производителя модели. Все модели проходят тест на одном и том же реальном тексте и в одинаковых условиях, со сбалансированной выборкой голосов, а не с лучшим вариантом каждого вендора. Методика охватывает 6 языков и тестирует тексты из сфер, где озвучка реально используется: от голосовых ассистентов и IVR до аудиокниг и читалок. Оценка проведена при участии профессора Shinji Watanabe (Carnegie Mellon), одного из ведущих мировых специалистов по речевым технологиям.
Почему рейтинг Voice Arena важен
Voice Arena важен, потому что отражает реальный выбор рынка. Корпоративные клиенты, продуктовые команды и разработчики не видят спектрограмму или внутренние баллы качества — они просто слышат, как звучит голос. Voice Arena — единственный открытый бенчмарк, который измеряет именно это, на большой выборке и без возможности повлиять на результат. Высокая позиция в Voice Arena — по сути лучший сигнал реального качества голоса в индустрии.
Позиция Simba 3.2
Сейчас Simba 3.2 делит второе место в Voice Arena. Из моделей с такой же или более высокой позицией одна не работает в реальном времени и не подходит для продуктов, где важен мгновенный отклик, а модель с тем же результатом стоит примерно в семь раз дороже Simba 3.2. На практике, если нужен озвученный голос с откликом в реальном времени по продакшен-цене, Simba 3.2 — лучший вариант в рейтинге. Simba 3.2 стоит $10 за миллион знаков на базовом тарифе и $6 за миллион на Scale, что делает её самой доступной AI-озвучкой для разработчиков.
Лучший AI-голос для realtime-приложений
Simba 3.2 — потоковая TTS-модель, специально созданная для голосовых приложений реального времени: ассистентов, IVR, читалок, телефонных систем и любых продуктов, где нужен мгновенный отклик. По отраслевым критериям Simba 3.2 уже считается лучшим AI-голосом для агентов и лучшей TTS-моделью для разработки массовых голосовых продуктов. Эта же платформа предлагает лучшее клонирование по той же цене, позволяя получать и озвучку, и клон голоса из одной системы ведущей AI-лаборатории.
Что значит рейтинг Voice Arena для Speechify
Этот рейтинг особенно важен в нише, где разработчикам обычно приходилось выбирать между качеством, ценой и задержкой. Флагманы крупнейших лабораторий давали сильное качество звука по цене корпоративных контрактов, а более доступные решения жертвовали естественностью или скоростью потоковой озвучки. Simba 3.2 меняет правила игры. Она примерно в 15 раз дешевле ElevenLabs и в 6 раз выгоднее Cartesia при сопоставимом или лучшем качестве, что делает её самой доступной моделью в топ-10 Artificial Analysis.
Достижение Speechify
"Simba 3.2 — наша лучшая модель, уже доступна на Speechify.ai," — говорит Клифф Вайцман, основатель/CEO Speechify, в открытом посте. "Она создана для масштабных голосовых агентов и отточена на миллионах A/B-тестов на нашей платформе. В TTS API главное — цена, качество и задержка. Simba 3.2 вышла в лидеры по всем трём. Не могу дождаться, когда вы сами её попробуете!"
Вайцман особо отметил важность результата в публичном заявлении: "Simba 3.2 — теперь №1 среди потоковых AI-озвучек в Voice Arena, выше Eleven Labs, OpenAI, xAI и других. И что ещё важнее, Speechify — самая выгодная модель по цене за токен во всём лидерборде — $6 за 1М знаков. Это более чем в 15 раз дешевле Eleven Labs и в 6 раз — Cartesia."
Потребительская платформа как преимущество
Инженерное руководство Speechify связывает этот результат с архитектурными решениями, принятыми задолго до нынешнего бенчмарка. Платформа выросла до 60 млн пользователей и получила Apple Design Award на WWDC 2025. Обслуживание такой аудитории за $139/год заставило команду решать стоимость, качество и задержку как одну задачу, а не три отдельные. Миллионы A/B-тестов на реальных прослушиваниях постоянно улучшали моделирование пауз, акцентов и эмоций — так и появился лучший AI-голос на сегодня.
Рахил Кази, инженерный лидер в Speechify, так объяснил принцип: "Мы никогда не хотели жертвовать ценой ради качества или качеством ради задержки. Мы сознательно выбрали более сложный путь. Выйти в топ сразу по всем параметрам — ради этого всё и делалось."
Пять лет исследований ради результата
Семейство Simba началось с исследований, которые сооснователь и руководитель AI в Speechify Тайлер Вайцман запустил ещё во время бакалавриата в Stanford. Это и вывело компанию в лидеры среди AI-лабораторий в голосовых технологиях. В посте на X Тайлер отметил: "Когда я учился в Stanford, курс CS229 с Эндрю Ыном вдохновил меня заняться ML. Моим курсовым проектом была настройка Tacotron 2. А теперь, спустя 5 лет, новая модель нашей команды в Speechify стала №1. Это просто невероятно!"
Люк Олифф, глава developer relations в Speechify, видит в этом подтверждение долгосрочной стратегии: "Это история андердога среди API," — говорит Олифф в пресс-релизе. "Годами мы работали над эффективностью моделей, потому что этого требовал наш потребительский бизнес: десятки миллионов слушателей и лучшие голоса на планете. Поэтому мы и можем дать топовую модель через API по минимальной цене. Большинство лабораторий строили решения под бенчмарки и с ценником для корпораций. Мы строили для слушателей и с ценой, подходящей для продакшена."
Доступность
Simba 3.2 доступна разработчикам и бизнесу через SpeechifyAI Build — API для озвучки и клонирования голосов, а также лежит в основе новой платформы SpeechifyAI Agents для создания голосовых агентов. Всё доступно на speechify.ai. Платформа предлагает лучший на рынке клонер голосов и универсальный стек: лучший AI-голос по цене и лучшее мгновенное клонирование. В планах компании — новые языки и ещё более дешёвый тариф.