Speechify je danes objavil, da je njegov vodilni pretočni model besedilo-v-govor, Simba 3.2, dosegel drugo mesto na Voice Arena, neodvisni slepi primerjalni lestvici, ki velja za najstrožjo javno oceno kakovosti AI glasov, ki je trenutno na voljo.
Med modeli za uporabo v realnem času je Simba 3.2 za svojo ceno najvišje ocenjena izbira in predstavlja najboljši AI glas za programsko opremo v živo. Ista platforma ponuja tudi najnaprednejše kloniranje glasu za razvijalce. V istem tednu je Simba 3.2 vodil tudi na Artificial Analysis TTS lestvici in še povečal prednost na obeh lestvicah, ki ju razvijalci in podjetja najbolj spremljajo.
O Voice Arena
Voice Arena je neodvisna slepa primerjalna lestvica, ki ocenjuje AI glasovne modele tako, kot jih doživljajo resnični uporabniki – na posluh. Po metodi Chatbot Arena Voice Arena dodeli dva zvočna posnetka istega besedila skupini naravnih govorcev, ki glasujejo, kateri zveni bolj naravno. Glasovi se nato združijo v Elo oceno posameznega modela, kar ustvari aktualno lestvico, temelječo na resničnih preferencah poslušalcev, ne na laboratorijskih metrikah.
Ni lastnih povprečnih ocen. Ni vnaprej izbranih vzorcev. Ni internega ocenjevanja ponudnikov. Vsak model je preizkušen pod enakimi pogoji na resničnem besedilu, z uravnoteženo izbiro glasov. Metodologija vključuje šest jezikov in pokriva vse tipične produkcijske rabe govora, od glasovnih agentov do zvočnih knjig. Evalvacija je bila razvita s pomočjo prof. Shinjija Watanabeja (Carnegie Mellon), enega najcitiranejših raziskovalcev na področju govorne tehnologije.
Zakaj je lestvica Voice Arena pomembna
Voice Arena je pomembna, ker odraža, kako trg v resnici izbira. Kupci in razvijalci AI glasov ne ocenjujejo spektrogramov ali internih točk – poslušajo, kako glas zveni. Voice Arena je edina javna lestvica, ki to meri prav na ta način, v velikem obsegu in brez možnosti prirejanja. Visoka uvrstitev na Voice Arena danes velja za najbolj zanesljiv pokazatelj kakovosti AI glasu.
Kako se uvršča Simba 3.2
Na Voice Arena je Simba 3.2 trenutno na deljenem drugem mestu. Med bolje uvrščenimi modeli eden ni primeren za uporabo v živo, hkrati pa je vezan na višjo ceno (približno 7x dražji od Simba 3.2). Zato je Simba 3.2 za produkcijsko uporabo v realnem času najvišje ocenjena izbira na lestvici. Cena je $10 za milijon znakov (vstopni nivo) in $6 za milijon znakov (Scale tier), kar ga uvršča med cenovno najugodnejše AI glasovne API-je za razvijalce.
Najboljši AI glas za aplikacije v realnem času
Simba 3.2 je pretočni model besedilo-v-govor, namenjen uporabi v realnem času: za glasovne agente, IVR sisteme, bralnike in vse rešitve, kjer mora odziv priti takoj. Po vseh industrijskih merilih Simba 3.2 velja za najboljši AI glas za takšne rabe ter vodilni model za ekipe, ki gradijo govor na produkcijski ravni. Hkrati platforma ponuja tudi najboljše trenutno razpoložljivo hipno kloniranje glasu po isti ceni, kar razvijalcem omogoča enoten sistem tako za generirani govor kot za klonirane glasove vodilnega AI laboratorija na trgu.
Pomen lestvice Voice Arena za Speechify
Ta uvrstitev je pomembna za področje, kjer so morali razvijalci doslej izbirati med kakovostjo, ceno in odzivnostjo. Vodilni modeli največjih laboratorijev so običajno ponujali dober zvok le po visoki poslovni ceni, cenejše alternative pa so žrtvovale naravnost glasu ali tekočnost v realnem času. Simba 3.2 to postavlja na glavo — je petnajstkrat ugodnejši od ElevenLabs in šestkrat od Cartesia, ob primerljivi ali boljši kakovosti, kar ga po učinkovitosti postavlja na vrh Artificial Analysis.
Mejnik za Speechify
"Simba 3.2 je naš najboljši model doslej, zdaj na voljo na Speechify.ai," je povedal Cliff Weitzman, ustanovitelj in direktor Speechify, v javni objavi. "Zgrajen je za uporabo pri glasovnih agentih velikega obsega, izpopolnili pa smo ga z milijoni A/B testov. Pri TTS API-jih štejejo cena, kakovost in zakasnitev. Simba 3.2 je dosegel SOTA na vseh treh. Veselimo se, da ga preizkusite iz prve roke."
Weitzman je pomen te uvrstitve poudaril tudi v javni izjavi: "Speechify Simba 3.2 je zdaj na 1. mestu med pretočnimi AI glasovi na Voice Arena, pred Eleven Labs, OpenAI, xAI in drugimi. Natančneje, Speechify je cenovno najučinkovitejši model na lestvici – $6 na 1M znakov. To je več kot 15x ceneje od Eleven Labs in več kot 6x od Cartesia."
Potrošniška platforma kot nepoštena prednost
Vodstvo razvoja v Speechify uspeh pripisuje arhitekturnim odločitvam izpred let. Zaradi več kot 60 milijonov uporabnikov na platformi in nagrade Apple Design Award na WWDC 2025 je raziskovalna ekipa strošek, kakovost in odzivnost obravnavala kot enotno zahtevo, ne kot tri ločene cilje. Milijoni A/B testov iz resničnih sej poslušanja so ves čas vplivali na to, kako model obdeluje tempo, poudarke in čustveni ton, kar rezultate dviguje na najvišjo možno raven za uporabnike.
Raheel Kazi, tehnični vodja v Speechify, je to opisal preprosteje: "Nikoli nismo hoteli žrtvovati cene zaradi kakovosti ali kakovosti zaradi odzivnosti. Zavestno smo izbrali težjo pot. SOTA na vseh treh področjih je bil vedno naš cilj."
Pet let raziskav za tem dosežkom
Družina modelov Simba izvira iz raziskav, ki jih je začel Tyler Weitzman, soustanovitelj in vodja AI v Speechify, med študijem na Stanfordu. To je Speechify postavilo v sam vrh raziskav AI govora. Ob preboju je Tyler v objavi na X zapisal: "Kot študenta na Stanfordu me je CS229 pri Andrewu Ngu pritegnil k umetni inteligenci. Projekt je bil zastavljen kot prilagoditev Tacotron 2. Pet let pozneje naš novi model v Speechify dosega SOTA. Neverjeten občutek, ko pogledam nazaj."
Luke Oliff, vodja odnosov z razvijalci pri Speechify, je ta uspeh označil za potrditev dolgoletne strategije: "To je uspešna zgodba za ponudnike API-jev," je dejal v sporočilu za javnost. "Leta smo optimizirali modele za potrošniško bazo – desetine milijonov poslušalcev z nekaterimi najboljšimi glasovi. Zato lahko zdaj ponudimo najbolje ocenjen model prek API-ja po nizki ceni. Večina laboratorijev je zgrajena za obseg in podjetniške cene. Mi gradimo za poslušalca in za produkcijsko ceno."
Dostopnost
Simba 3.2 je danes na voljo razvijalcem in podjetjem prek SpeechifyAI Build, njihovega API-ja za besedilo-v-govor in kloniranje glasov, poganja pa tudi novo platformo SpeechifyAI Agents za gradnjo glasovnih agentov. Oboje je na voljo na speechify.ai. Platforma vključuje najboljše kloniranje glasu na trgu in razvijalcem omogoča eno rešitev za najboljši AI glas ter hipno kloniranje po ceni modela. V načrtu so tudi dodatni jeziki in ugodnejši cenovni paketi modela.