Speechify 提供一套精简的文本转语音模型。选择合适的模型时，需要在延迟、语言覆盖和音质之间做好平衡。本文梳理了各模型的适用场景，帮助您无需逐个测试也能快速选型。
在 speechify.ai 上，各模型相关文章会深入解析每次版本更新。Simba 3.2 发布公告 也说明了为何当前推荐使用该模型。
如需快速了解 Speechify 文本转语音 API，欢迎查看我们的快速入门指南。
Speechify 提供哪些模型？
目前主要有三大系列。
- Simba 3.2
- ：英文首选模型。原生支持流式，首包延迟最低，配备精选英文音色，适合交互式场景。
- Simba 3.0
- ：当前 API 默认模型。原生支持流式，支持多语言：英语、德语、西班牙语、法语、意大利语和巴西葡萄牙语。延迟略高于 3.2，但语言覆盖更广。
- 旧版模型（
- simba-english
- ，
- simba-multilingual
- ）：即 Simba 1.6 组合。自 API 版本 2026-09-21 起停用，并将于 2026-11-21 正式下线。仅在现有集成依赖特定旧音色或语言时继续使用，并请尽早规划迁移。
哪个模型速度最快？
Simba 3.2。它专为流式场景打造，首包到达速度最快。若是英文语音助手场景，优先选择该模型。
Simba 3.0 的表现也很接近，但由于支持多语言，延迟会略高一些。旧版模型速度最慢，建议尽快迁移。
哪个模型支持语言最多？
Simba 3.0。官方支持英语、德语、西班牙语（西班牙和墨西哥）、法语、意大利语和巴西葡萄牙语。在 POST /v1/audio/speech 请求中使用 language 参数选择语言，即可返回对应语言的本地化音色。旧版 simba-multilingual 支持 30+ 种语言，但会在 2026-09-21 后停用，并于 2026-11-21 下线。
如果您的产品只支持单一语言，Simba 3.2 在速度和质量上更占优；如果需要多语种支持，当前 Simba 3.0 的覆盖范围更广。
哪个模型音质最佳？
音质与模型代际密切相关。Simba 3.2 在英语自然度方面表现领先，Simba 3.0 在多语种场景下也同样出色。相比之下，旧版模型的合成感和机械感更明显。
如果面向客户使用，建议优先选择 Simba 3.2 或 Simba 3.0。
如何获取可用音色列表？
调用 GET /v1/voices 即可。您可以按类型、语言、性别和模型进行筛选，便于在合成前选出最合适的音色。speechify.ai 上的音色和模型相关文章也展示了响应格式。
流式还是批量？
Simba 3 系列均支持流式。POST /v1/audio/stream 用于实时播放；POST /v1/audio/stream/with-timestamps 支持输出带时间戳和词级对齐的实时音频；POST /v1/audio/speech 则用于生成单个音频文件。模型选择与输出方式彼此独立。
常见问题
推荐使用哪款 Speechify TTS 模型？
Simba 3.2。对于新项目，它是默认首选：支持流式、首包最快、音质最佳，尤其适合英语场景。
Simba 3.2 更适合英语场景：原生支持流式、响应最快、英语质量最佳。若 API 请求未指定 model，默认会使用 Simba 3.0；如需指定，请明确设置 model: "simba-3.2"。
支持。Simba 3.0 可接收语言参数，并返回对应的多语言本地化音色。Simba 3.2 则专注于精选英语音色。
支持。Simba 3.0 可传入语言参数，返回英语及六种欧洲语言的本地化音色。Simba 3.2 则专注于精选英语音色。
只有在现有集成依赖特定旧版音色时，才建议继续使用；否则建议迁移到 Simba 3.2 或 Simba 3.0。
只有在现有集成依赖特定旧音色时，才建议继续使用。这类模型将自 2026-09-21 起退役，并于 2026-11-21 下线，建议尽快迁移到 Simba 3.2 或 Simba 3.0。
如果需要最低的首包延迟，请选择 Simba 3.2。同时建议使用流式输出，以满足实时场景需求。
