SpeechifyのSimba 3.2 API、Artificial Analysis Speech Arenaで1位を獲得

音声合成技術の分野で新たなリーダーが誕生した。Artificial Analysisが発表したSpeech Arenaリーダーボードによると、SpeechifyのSimba 3.2 APIモデルがEloスコア1233で首位に立ち、GoogleのGemini 3.1 Flash TTS（Elo 1214）やSonic 3.5（Elo 1210）を上回った。このランキングは、ユーザーが同じテキストから生成された音声サンプルを聴き比べ、より自然だと感じた方を選ぶブラインドテストに基づいている。これにより、モデルの品質を公平に評価できる。

トップ5は以下の通り：1. Simba 3.2（1233）、2. Gemini 3.1 Flash TTS（1214）、3. Sonic 3.5（1210）、4. Fun-Realtime-TTS（1206）、5. Realtime TTS-2 Research Preview（1201）。モデルは「知識共有」「アシスタント」「エンターテイメント」「カスタマーサービス」のカテゴリや、アメリカ英語・イギリス英語のアクセントでフィルタリング可能であり、ユーザーは特定の用途や言語に最適なモデルを見つけやすい。

オープンウェイトモデルでは、Step Audio EditX（2026年3月版）がElo 1115で最も高く、Fish Audio S2 Pro（1110）、Voxtral TTS（1076）と続く。全89モデルのうち15がオープンウェイトであり、オープンなモデルの増加はコミュニティにとって歓迎すべき傾向である。コスト面では、Kokoro 82M v1.0が100万文字あたり0.65ドルと最も安価で、Eloは1058。StyleTTS 2は100万文字あたり2.82ドルで、費用対効果に優れる。これらの低コストモデルにより、予算の限られた開発者や小規模事業者でも高品質な音声合成を利用できるようになった。

Simba 3.2の躍進は音声合成技術の進歩を示すとともに、多様なニーズに応えるフィルタリング機能やオープンソースの選択肢が提供されている点で、今後の展開が期待される。