Speechify oznámil, že jeho špičkový model na prevod textu na reč, Simba 3.2, získal celkové 1. miesto v rebríčku Artificial Analysis text-to-speech – najkomplexnejšom nezávislom hodnotení bežne dostupných hlasových AI modelov. Simba 3.2 tak prekonala hlavné produkty ElevenLabs, Cartesia, OpenAI, Google DeepMind a xAI, takže rebríček po prvýkrát vedie firma zameraná na koncových používateľov. Podľa ukazovateľov, ktoré odvetvie používa pri hodnotení hlasovej AI, je Simba 3.2 aktuálne považovaná za najlepší AI hlasový model na trhu. Okrem toho Simba 3.2 drží aj 1. miesto v rebríčku Voice Arena medzi realtime modelmi, čím Speechify potvrdzuje náskok v dvoch najdôležitejších benchmarkoch pre vývojárov a veľké firmy.
O Artificial Analysis
Rebríček Artificial Analysis slúži vývojárom a firmám ako referencia pri hodnotení trhu s AI hlasmi. Prináša konzistentné a objektívne hodnotenie všetkých bežne dostupných modelov s priebežnými aktualizáciami, ktoré sledujú aj tímy vyvíjajúce hlasové riešenia. Na rozdiel od reportov od dodávateľov sa nespolieha na vlastné skóre. Podľa tohto hodnotenia je Simba 3.2 najlepší text-to-speech model pre vývojárov.
Čo znamená hodnotenie Artificial Analysis pre cenovú dostupnosť
Kľúčovým faktorom rebríčka nie je len kvalita, ale aj pomer skóre k cene modelu. Simba 3.2 stojí v Speechify na základnej úrovni $10 za milión znakov, v úrovni Scale $6 za milión znakov – a podľa Artificial Analysis je to cenovo najefektívnejší model v top 10. Speechify uvádza, že je pri rovnakej alebo vyššej kvalite pätnásťkrát lacnejší než ElevenLabs a šesťkrát lacnejší než Cartesia, čo znamená, že Simba 3.2 je cenovo najdostupnejšie AI hlasové API v kvalite vhodnej na produkčné nasadenie.
Kombinácia vysokej kvality a nízkej ceny sa doteraz v syntéze reči považovala za takmer nemožnú. Prémiové modely prinášali realistické AI hlasy za enterprise ceny, zatiaľ čo dostupnejšie modely robili ústupky v kvalite. Simba 3.2 tento kompromis búra a prináša špičkový AI hlas pre každého vývojára, startup aj firmu bez ohľadu na rozpočet.
Zakladateľ Speechify o dosiahnutí trifekty
"Simba 3.2 je náš najlepší model – už dostupný na Speechify.ai," povedal Cliff Weitzman, zakladateľ a CEO Speechify, na LinkedIn. "Navrhli sme ho na vysokú škálovateľnosť hlasových agentov a zdokonaľovali miliónmi A/B testov na našej platforme. Pri TTS API rozhodujú tri veci: cena, kvalita a latencia. Simba 3.2 dosiahla SOTA vo všetkých troch. Teším sa, keď si ju sami vyskúšate vo svojich produktoch."
Trifekta, o ktorej Weitzman hovorí, bola pre väčšinu poskytovateľov AI hlasov dlho skôr nedosiahnuteľným ideálom. Optimalizácia jednej oblasti často znamenala kompromis v ďalších dvoch a väčšina firiem sa sústredila len na jednu zložku. Byť skutočne špičkový vo všetkých troch naraz považovalo odvetvie dlhé roky za nemožné. Hodnotenie od Artificial Analysis je prvým nezávislým dôkazom, že tento kompromis sa dá prekonať – a potvrdzuje Simbu 3.2 ako najlepší AI hlasový model pre softvérové tímy stavajúce na hlase.
Päť rokov od Stanfordu po špičkový model
Rodina modelov Simba vyrástla z výskumu, ktorý začal spoluzakladateľ Speechify a šéf AI Tyler Weitzman počas bakalárskeho štúdia na Stanforde. Jeho skoré experimenty s neurónovými hlasovými architektúrami na kurzoch strojového učenia sa za päť rokov premenili na modely, ktoré dnes poháňajú hlasové služby Speechify pre bežných aj firemných zákazníkov. Speechify sa tak zaradil medzi lídrov AI výskumu v oblasti hlasu.
Pri pohľade späť na tento míľnik Tyler Weitzman napísal v príspevku na X: "Ako bakalára na Stanforde ma CS229 s Andrew Ng priviedol k ML. Môj projekt bol doladiť Tacotron 2. Náš nový model v Speechify práve dosiahol SOTA, po piatich rokoch. Je to celkom neuveriteľné."
Rohan Pavuluri, Chief Business Officer v Speechify a dlhoročný priateľ Tylera Weitzmana, označil toto umiestnenie v nedávnom oznámení za výsledok skorého architektonického rozhodnutia. "Mohli sme ísť rýchlejšie a sústrediť sa len na kvalitu, no vďaka našej spotrebiteľskej DNA a biznis modelu sme už od začiatku navrhli architektúru tak, aby sme mohli ponúkať v podstate neobmedzenú reč za $139/rok. Dnes to znamená SOTA TTS model za špičkovú cenu, čo je v AI výnimočné – lepší výkon zvyčajne znamená vyššie náklady."
Spotrebiteľská škála ako základ pre enterprise AI
To, že Speechify dokáže priniesť najlepší AI hlas na trhu za najnižšiu cenu v top 10, stojí na ekonomike spotrebiteľského biznisu. Platformu využíva viac ako 60 miliónov ľudí po celom svete a tento rok získala Apple Design Award na WWDC 2025, čo potvrdzuje, že hlasový produkt Speechify patrí dnes medzi najlepšie AI hlasové zážitky. Obslúžiť takéto publikum za $139/rok si od začiatku vyžadovalo stavať efektívnu inferenciu ako základný návrhový princíp. Práve to umožnilo vytvoriť model č. 1 za cenu, ktorú dnes vývojári vidia.
"Toto je príbeh outsidera medzi API poskytovateľmi," povedal Luke Oliff, šéf vzťahov s vývojármi v Speechify, v tlačovej správe. "Roky sme optimalizovali efektivitu modelov, lebo to spotrebiteľská báza vyžadovala – desiatky miliónov poslucháčov a najlepšie hlasy na trhu. Aj preto dnes môžeme ponúknuť najvyššie hodnotený API model za takúto cenu. Väčšina laboratórií stavia modely na benchmarky a ceny pre veľké firmy. My ich staviame pre poslucháčov a reálnu dostupnosť v produkcii."
Dostupnosť
Simba 3.2 je už dostupná cez SpeechifyAI Build, Speechify API na prevod textu na reč a klonovanie hlasu, a poháňa aj nové SpeechifyAI Agents na tvorbu hlasových agentov. Obe spustíte na speechify.ai, s TypeScript a Python SDK, streamovaním, rýchlym štartom, pokročilým ovládaním emócií aj SSML prozódiou. Platforma ponúka aj najlepšiu technológiu klonovania hlasu na trhu, takže vývojári získajú celý stack pre najlepší AI hlas aj najrýchlejšie klonovanie za jednu cenu. Firma plánuje aj ďalšie jazyky a lacnejší model.