Speechify的Simba 3.2 API在Artificial Analysis語音競技場中位居榜首

語音合成技術領域迎來新霸主。據Artificial Analysis發佈的語音競技場排行榜顯示，Speechify公司的Simba 3.2 API模型以Elo評分1233分位居第一，擊敗了谷歌的Gemini 3.1 Flash TTS（Elo 1214分）和其他競爭對手。該榜單通過盲測用户投票產生：用户聆聽同一文本生成的語音樣本，選擇更自然的那一個，從而形成Elo評分。這種排名方式確保了結果的客觀性和公正性，因為用户無法知道哪個模型生成了哪個樣本。

排名前五的模型包括：1. Simba 3.2（1233分）、2. Gemini 3.1 Flash TTS（1214分）、3. Sonic 3.5（1210分）、4. Fun-Realtime-TTS（1206分）、5. Realtime TTS-2 Research Preview（1201分）。這些模型涵蓋了不同的技術路線和應用場景。用户還可以按照知識分享、助手、娛樂和客户服務等類別篩選模型，也可以按美式或英式口音過濾，方便針對特定需求尋找最佳模型。

在開源模型領域，Step Audio EditX（2026年3月版）以Elo 1115分領先，其次是Fish Audio S2 Pro（1110分）和Voxtral TTS（1076分）。目前89個模型中有15個為開源，開源模型的快速發展為開發者提供了更多選擇和靈活性。成本方面，Kokoro 82M v1.0是最經濟的選擇，每百萬字符僅需0.65美元，Elo評分為1058分；StyleTTS 2每百萬字符2.82美元，性價比也不錯。這些低成本模型使得語音合成技術更加普及，即使是小型團隊也能負擔得起高質量的語音輸出。

總體而言，Simba 3.2的登頂標誌着語音合成技術又向前邁進了一步，而豐富的篩選功能和開源選項則為不同需求的用户提供了靈活的解決方案。