Speechify сьогодні оголосила, що її флагманська потокова модель перетворення тексту на мовлення, Simba 3.2, розділила друге місце у Voice Arena — незалежному сліпому тесті, який нині вважають найсуворішою публічною оцінкою якості AI-голосу.
Серед моделей реального часу, уже доступних для продакшену, Simba 3.2 має найвищий рейтинг у своєму ціновому сегменті, що робить її найкращою AI-озвучкою для реальних продуктів сьогодні. Та сама платформа також пропонує розробникам передову технологію клонування голосу. Цього ж тижня Simba 3.2 також посіла №1 у загальному рейтингу Artificial Analysis text to speech , ще більше зміцнивши лідерство компанії у двох ключових бенчмарках для розробників і корпоративних клієнтів.
Про Voice Arena
Voice Arena — це незалежний сліпий бенчмарк, де AI-голоси оцінюють так, як їх сприймають реальні користувачі. Подібно до методології Chatbot Arena для LLM, Voice Arena дає носіям мови прослухати два аудіо з однаковим текстом (без назв провайдерів) і просить вибрати природніше звучання. Результати переводять у рейтинг Elo для кожної моделі, формуючи постійно оновлювану таблицю вподобань реальних слухачів, а не лабораторних метрик.
Тут немає внутрішніх оцінок і вибіркових зразків від вендорів. Усі моделі тестують на однакових реальних текстах із балансом голосів для кожного вендора. Методика охоплює шість мов і спирається на реальні сценарії використання: від голосових агентів та IVR до аудіокниг і рідерів у застосунках. Оцінювання розроблено за участі проф. Шінджі Ватанабе з Carnegie Mellon — одного з найцитованіших фахівців із мовних технологій.
Чому рейтинг Voice Arena важливий
Voice Arena важлива, бо вона найближче відображає ринок. Бізнес, розробники й команди обирають AI-озвучку не за спектрограмами, а за тим, як вона звучить для слухача. Це єдиний відкритий бенчмарк, що справді вимірює такі враження на великій вибірці, без можливості для маніпуляцій з боку вендорів. Високий рейтинг у Voice Arena вважається найкращим галузевим сигналом того, що цей голос — реальний лідер просто зараз.
Місце Simba 3.2 у рейтингу
Voice Arena поставила Simba 3.2 на спільне друге місце. Одна з моделей вище не працює в реальному часі й не підходить для продакшену, а конкурент із таким самим рейтингом коштує приблизно у сім разів дорожче. Це означає, що для продуктів із живим голосом за продакшен-ціною Simba 3.2 — найрейтинговіше рішення у бенчмарку. Вартість Simba 3.2: $10 за 1 млн символів у стартовому тарифі та $6 — у Scale, тобто це найдоступніше AI API для розробників.
Найкращий AI-голос для реального часу
Simba 3.2 — це потокова модель перетворення тексту на мовлення, спеціально створена для застосунків реального часу: голосових агентів, IVR, live-рідерів у застосунках, телефонії та будь-яких сценаріїв, де потрібна миттєва реакція голосу. За всіма ключовими галузевими параметрами Simba 3.2 широко визнають найкращим AI-голосом для агентів і найкращою моделлю для команд, що запускають у продакшен продукти з голосовим інтерфейсом. Платформа також пропонує найкраще у своєму ціновому сегменті миттєве клонування голосу, поєднавши генерацію й клонування від визнаної AI-голосової лабораторії.
Що означає рейтинг Voice Arena для Speechify
Ця відзнака особливо важлива для галузі, де досі доводилося вибирати між якістю, ціною та затримкою. Моделі від великих лабораторій давали якість, але за корпоративну ціну, а дешевші — поступалися природністю або швидкістю. Simba 3.2 змінює правила гри: вона приблизно у 15 разів дешевша за ElevenLabs і у 6 разів — за Cartesia, при такій самій або кращій якості, що робить її найвигіднішою за ціною серед топ-10 Artificial Analysis.
Рекорд для Speechify
"Simba 3.2 — наша найкраща модель, уже доступна на Speechify.ai," — сказав засновник і CEO Кліфф Вайтцман у публічному дописі. "Її створено для масштабних голосових агентів і вдосконалено в мільйонах A/B-тестів на нашій платформі. Для TTS API головне — вартість, якість і затримка. Simba 3.2 показала максимум в усіх трьох. Спробуйте її самі у своїх проєктах".
Вайтцман також наголосив на важливості цього результату в публічній заяві. "Simba 3.2 від Speechify вже №1 серед потокових AI-голосів у Voice Arena, вище за Eleven Labs, OpenAI, xAI та інших. І що важливо: Speechify — найдоступніша модель за токен у всьому рейтингу: $6 за 1M символів. Це у 15+ разів дешевше за Eleven Labs і у 6+ разів — за Cartesia."
Споживча платформа — наша перевага
Інженери Speechify пояснюють успіх архітектурними рішеннями, закладеними ще до появи нинішніх бенчмарків. Платформу вже обрали понад 60 млн користувачів, а цього року вона отримала Apple Design Award на WWDC 2025. Щоб сервіс працював для такої бази за $139/рік, дослідники поєднали ціну, якість і затримку в одну задачу. Мільйони A/B-тестів на реальних слухачах дали те, що нині вважають найкращим AI-голосовим досвідом.
Рахіл Казі, лідер інженерної команди Speechify, просто описав цей принцип. "Ми не хотіли жертвувати ціною заради якості чи якістю заради затримки. Ми свідомо обрали складний шлях. Досягти максимуму в усіх трьох — ось якою була мета."
5 років досліджень за цим результатом
Сімейство моделей Simba бере початок у дослідженнях співзасновника та Head of AI Speechify Тайлера Вайтцмана ще з часів його навчання у Стенфорді. Ця робота вже вивела Speechify в лідери серед лабораторій AI-голосу. Згадуючи цей рекорд у своєму дописі на X, Тайлер написав: "Коли я був студентом у Stanford, курс CS229 з Ендрю Нг захопив мене ML. Моім проєктом було донавчання Tacotron 2. А тепер нова модель моєї команди у Speechify досягла вершини через 5 років. Озираючись назад, це здається сном".
Люк Оліфф, Head of Developer Relations у Speechify, вважає цей результат підтвердженням довгострокової стратегії: "Це історія андердога серед API-провайдерів," — сказав він у пресрелізі. "Ми роками робили моделі максимально ефективними — бо цього вимагав наш B2C-бізнес і десятки мільйонів слухачів, яким потрібні найкращі голоси. Тому ми можемо дати топову модель через API майже за собівартістю. Більшість лабораторій будували моделі для бенчмарків і продавали їх в enterprise. Ми ж будували їх для людей — за ціною, придатною для продакшену."
Доступність
Simba 3.2 уже доступна для розробників і бізнесу через SpeechifyAI Build — API для озвучки та клонування голосу, а також лежить в основі платформи SpeechifyAI Agents для голосових агентів у продакшені. Обидва сервіси доступні на speechify.ai. Платформа містить визнану технологію клонування голосу, тож розробники отримують єдиний стек і для топового голосу, і для миттєвого клонування у своєму ціновому сегменті. Компанія також планує додати більше мов і випустити ще доступнішу модель.