Speechify meddelade idag att deras flaggskeppsmodell för strömmande text-till-tal, Simba 3.2, delar andraplatsen på Voice Arena – ett oberoende blindtest som just nu ses som den tuffaste offentliga utvärderingen av AI-röstkvalitet.
Bland realtidsmodeller som kan användas i produktion idag är Simba 3.2 högst rankad i sin prisklass och sticker ut som marknadens bästa AI-röstmodell för realtidsprogramvara. Plattformen erbjuder också vad som anses vara den ledande röstkloningstekniken för utvecklare idag. Samma vecka tog Simba 3.2 även förstaplatsen på Artificial Analysis text-till-tal-topplista, vilket stärker företagets position på de två mest betrodda benchmarksen för utvecklare och företagskunder.
Om Voice Arena
Voice Arena är ett oberoende blindtest som utvärderar AI-röster så som riktiga användare upplever dem – med öronen. Inspirerad av Chatbot Arena, där språkmodeller rankas, visar Voice Arena ljudpaneler med två klipp genererade från samma text, utan att avslöja vilken modell som skapat vilket klipp, och låter lyssnare rösta på det som låter mest naturligt. Rösterna vägs sedan samman till ett Elo-betyg för varje modell, vilket ger en löpande topplista baserad på verkliga lyssnares preferenser i stället för laboratoriemått.
Det finns inga självrapporterade betyg. Inga utvalda ljudexempel från leverantörer används. Ingen intern utvärdering görs av modellleverantören. Alla modeller testas mot samma verkliga texter under identiska villkor, med en balanserad uppsättning röster per leverantör i stället för bara varje leverantörs bästa röst. Metoden täcker sex språk och utvärderar texter från verkliga text-till-tal-appar, som röstassistenter, IVR-system, ljudböcker och in-app-läsare. Utvärderingen togs fram med stöd av Prof. Shinji Watanabe vid Carnegie Mellon University, en av de mest citerade forskarna inom talteknologi.
Därför är Voice Arenas ranking viktig
Voice Arena är viktig eftersom den visar hur marknaden faktiskt avgör. Företagskunder, produktteam och utvecklare som utvärderar AI-röster hör bara själva rösten – inte några interna poäng. Voice Arena är det enda offentliga testet som mäter just ljudupplevelsen, i stor skala och utan möjlighet för leverantörer att påverka resultatet. En hög placering på Voice Arena ses som det närmaste man kan komma ett verkligt bevis på den bästa AI-rösten som finns tillgänglig.
Så rankas Simba 3.2
Voice Arena placerar nu Simba 3.2 på delad andraplats. Av modellerna på samma eller högre nivå saknar en realtidssvar och kan inte användas i produktion där snabb respons krävs, medan modellen bredvid Simba 3.2 kostar runt sju gånger mer. För team som bygger tjänster där rösten måste svara direkt till låg kostnad är Simba 3.2 det högst rankade alternativet. Simba 3.2 kostar $10 per miljon tecken på instegsnivå och $6 på Scale-nivå – dagens mest prisvärda AI-röst-API för utvecklare.
Bästa AI-rösten för realtidsappar
Simba 3.2 är en strömmande text-till-tal-modell särskilt framtagen för realtidsröster, som röstassistenter, IVR-system, live-läsare och telefonsystem där rösten ska svara direkt. Med branschens mått mätt ses Simba 3.2 nu som marknadens ledande AI-röst för röstassistenter och röststyrd mjukvara i produktionsskala. Plattformen erbjuder också den bästa röstkloningen på samma prisnivå, så utvecklare får ett system för både genererad och klonad röst från ett av branschens främsta AI-labb.
Vad Voice Arenas ranking innebär för Speechify
Rankingen är viktig i en kategori där utvecklare tidigare tvingats välja mellan kvalitet, pris och fördröjning. Toppmodeller från stora labb har tidigare hållit hög kvalitet men haft företagspriser, medan billigare alternativ kompromissat med naturlighet eller realtidsprestanda. Simba 3.2 ändrar på det. Priset är omkring femton gånger lägre än ElevenLabs och sex gånger lägre än Cartesia vid likvärdig eller bättre kvalitet, vilket gör modellen mest kostnadseffektiv på Artificial Analysis topplista.
Speechifys milstolpe
"Simba 3.2 är vår bästa modell hittills, nu tillgänglig på Speechify.ai", säger Cliff Weitzman, grundare och vd för Speechify, i ett offentligt inlägg. "Den är byggd för röstassistenter i stor skala och finslipad genom miljontals A/B-tester på konsumentplattformen. För TTS-API:er är tre saker viktigast: pris, kvalitet och fördröjning. Simba 3.2 når SOTA på alla tre. Ser fram emot att ni testar den och bygger era upplevelser med den."
Weitzman betonade också resultatets betydelse i ett offentligt uttalande. "Speechifys Simba 3.2 är nu den högst rankade strömmande AI-rösten på Voice Arena, före Eleven Labs, OpenAI, xAI och andra. Viktigt är också att Speechify är det mest prisvärda valet per token på hela topplistan till $6 per 1M tecken – över 15x billigare än Eleven Labs och 6x billigare än Cartesia."
Konsumentplattformen – en orättvis fördel
Speechifys tekniska ledning menar att resultatet bygger på arkitekturval som gjordes flera år innan nuvarande benchmark. När företagets plattform växte till över 60 miljoner användare och belönades med Apple Design Award på WWDC 2025, tvingade ekonomin i ett abonnemang på $139/år forskarteamet att se pris, kvalitet och latency som ett gemensamt problem. Miljontals A/B-tester från riktiga användare har löpande förbättrat hur modellen hanterar tempo, betoning och känsla – och lett fram till dagens bästa AI-röstupplevelse.
Raheel Kazi, teknisk ledare på Speechify, uttryckte sin designfilosofi: "Vi ville aldrig kompromissa med pris för högre kvalitet, eller med kvalitet för lägre fördröjning. Vi valde den svårare vägen. Att nå SOTA på alla tre var målet från dag ett."
Fem års forskning bakom resultatet
Modellfamiljen Simba började med forskning från Speechifys medgrundare och AI-chef Tyler Weitzman under hans studier på Stanford. Det har gjort Speechify ledande inom röst-AI. Om milstolpen skrev Weitzman i ett X-inlägg: "Som student på Stanford väcktes mitt intresse för ML av CS229 och Andrew Ng. Mitt kursprojekt var att finjustera Tacotron 2. Vår nya Speechify-modell når nu SOTA, fem år senare. Känns overkligt att blicka tillbaka."
Luke Oliff, ansvarig för utvecklarrelationer på Speechify, ser resultatet som ett kvitto på en långsiktig strategi. "Det här är underdog-historien bland API-leverantörer", sa Oliff i ett pressmeddelande. "I flera år förbättrade vi modellerna för konsumentmarknaden – tiotals miljoner användare och några av världens bästa röster. Det är därför vi nu kan erbjuda världens högst rankade modell så billigt via vårt API. De flesta labb byggde för benchmark och enterprise-prissättning – vi byggde för lyssnarna och prissatte för produktion."
Tillgänglighet
Simba 3.2 är tillgänglig nu för utvecklare och företag via SpeechifyAI Build, företagets text-till-tal- och röstklonings-API. Den driver också den nylanserade plattformen SpeechifyAI Agents för röstassistenter. Båda finns på speechify.ai. Plattformen erbjuder också marknadens bästa röstkloning, så utvecklare får både toppmodell och röstkloning i samma verktyg. Fler språk och prisnivåer finns på företagets färdplan.