Artificial Analysis 11 月 13 日公布，Speechify 的语音合成模型 Simba 3.5 在 Controlled Voice Arena 排名第一，与 HeyGen Voice 统计持平。该榜所有模型都用同一组 8 个克隆声音（4 个美音、4 个英音）朗读，用户盲听投票，比的是模型本身而非演示音色。榜单显示 Simba 3.5 为 1192±17 Elo（1,783 个样本），HeyGen Voice 1190±13，Qwen-Audio-3.1-TTS-Plus 1176 居第三；Simba 3.5 API 价每百万字符 6.58 美元，HeyGen Voice 为 30 美元。
核心要点速览
- ✓Controlled Voice Arena 让所有模型使用同一组 8 个克隆声音（4 美音、4 英音），用户盲听投票，排除「挑一个好听的演示音色」带来的偏差
- ✓Simba 3.5 为 1192±17 Elo（95% 区间 1175–1209，1,783 个样本），名次区间 1–3；HeyGen Voice 1190±13，名次区间 1–2，两者统计上持平
- ✓第三至第五：Qwen-Audio-3.1-TTS-Plus 1176、HeyGen Voice Turbo 1174、Qwen-Audio-3.1-TTS-Flash 1164；Eleven v4 Turbo 1156、Eleven v4 1155 分列第六、第七
- ✓价格（按各家 API 生成 100 万字符计）：Simba 3.5 6.58 美元，HeyGen Voice 30 美元，HeyGen Voice Turbo 4 美元，Eleven v4 80 美元
- ✓同一榜单上 Speechify 的上一代 Simba 3.2 为 1082 Elo，排第 14；AA 帖子还称 Simba 3.5 在 Provider Voice（厂商自带音色）榜排第 5
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
背景与痛点
语音合成榜单常见的问题是各家用自己最好听的演示音色参赛，用户投的往往是「声音好不好听」而不是模型合成能力。对要用克隆声音做有声书、配音或语音智能体的开发者来说，更关心同一个声音交给不同模型后谁读得更自然。Artificial Analysis 的 Controlled Voice Arena 就是为此设计的。
架构亮点与底层机制
该榜所有模型都用同一组 8 个克隆声音（4 个美音、4 个英音）朗读相同内容，用户在盲测中两两比较并投票，结果折算成 Elo，并给出 95% 置信区间和名次区间。Elo 以 OpenAudio S1 固定为 1000 作为基准。Speechify 自己也强调，这种设置衡量的是模型而不是演示音色。
权威 Benchmark 与实测跑分对比
据 AA 官方帖和榜单页：Simba 3.5 1192±17（1,783 个样本）排第一，HeyGen Voice 1190±13 统计持平；Qwen-Audio-3.1-TTS-Plus 1176、HeyGen Voice Turbo 1174 紧随其后，Eleven v4 为 1155。Speechify 上一代 Simba 3.2 为 1082。AA 帖子称 Simba 3.5 在 Provider Voice 榜排第 5。
开发者实战落地与开箱指南
如果业务以克隆声音为主，可把 Simba 3.5 和 HeyGen Voice 一起列入候选：两者质量接近，但 Simba 3.5 每百万字符 6.58 美元，HeyGen Voice 为 30 美元；更看重价格可看 HeyGen Voice Turbo（4 美元，1174 Elo）。榜单只测英语美音和英音，其他语言请用自己的样本复测。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察