Speechify, ses yapay zekası geliştiricisi, bugün amiral gemisi metin-konuşma (TTS) modeli Simba 3.2'nin bağımsız Artificial Analysis TTS liderlik tablosunda birinci sıraya yükseldiğini duyurdu. Model, ElevenLabs, Cartesia, OpenAI ve Google DeepMind'ın amiral gemisi modellerinin yanı sıra diğer ticari ses yapay zekası sağlayıcılarının modellerini geride bıraktı. Ayrıca Voice Arena'nın kör dinleyici sıralamasında ikinci sırada yer alıyor.
Artificial Analysis liderlik tablosu, ticari olarak sunulan TTS modellerini tutarlı ve objektif bir değerlendirmeye tabi tutuyor ve ses yapay zekası endüstrisinde yaygın olarak takip ediliyor. Voice Arena ise Chatbot Arena'nın büyük dil modelleri için belirlediği değerlendirme yaklaşımını kullanıyor: Anadili İngilizce olan paneller, aynı metinden üretilen iki ses klibini hangi modelin ürettiğini bilmeden dinliyor ve daha doğal gelen klibe oy veriyor. Oylar, her model için bir Elo puanına dönüştürülüyor. Metodoloji, Carnegie Mellon Üniversitesi'nden Prof. Shinji Watanabe'nın danışmanlığında geliştirildi ve altı dili kapsıyor, her model için dengeli bir ses paleti kullanıyor.
Simba 3.2, gerçek zamanlı çalışan modeller arasında en yüksek puanlı seçenek olarak öne çıkıyor. Voice Arena sıralamasında kendisinin üzerinde veya aynı sırada yer alan modellerden biri gerçek zamanlı çalışmıyor, diğeri ise yaklaşık yedi kat daha pahalı. Simba 3.2'nin giriş katmanı fiyatı milyon karakter başına 10 dolar, Scale katmanında ise milyon karakter başına 6 dolara düşüyor. Bu fiyatla, liderlik tablosunun ilk onundaki en ucuz model konumunda.
Speechify'in Geliştirici İlişkileri Başkanı Luke Oliff, "Bu, API sağlayıcıları için bir underdog hikayesi. Modellerimizi verimli çalıştırmak için yıllar harcadık çünkü tüketici işimiz bunu gerektiriyordu; on milyonlarca dinleyici, gezegendeki en iyi seslerden bazıları. Bu çalışma, dünyanın en iyi puanlı modelini API'mizde en uygun fiyata sunmamızı sağlıyor. Çoğu laboratuvar kıyaslama için inşa etti ve kurumsal fiyatlandırdı. Biz dinleyiciler için inşa ettik ve üretim için fiyatlandırdık." dedi.
Simba 3.2, akışa uygun yapısı, düşük ilk bayt süresi, ince taneli duygu kontrolü ve SSML vurgu desteği sunuyor. Duygu, perde seviyesinde modelleniyor; yani sadece hız ve perde değil, ritmik ve ton kalıplarını da kapsıyor. Model, kısa referans kliplerden anında ses klonlama ve 30'dan fazla dilde yerel kalitede konuşma desteği sağlıyor. SpeechifyAI platformu üzerinden REST API ve birinci taraf TypeScript ile Python SDK'ları aracılığıyla kullanıma sunuldu.
Neden önemli
Simba 3.2'nin bağımsız kıyaslamalarda birinci sıraya yerleşmesi, ses yapay zekası pazarında rekabetin arttığını gösteriyor. Speechify, tüketici ürünlerindeki ölçeği sayesinde maliyet avantajı elde ederken, kaliteden ödün vermiyor. Bu, özellikle sesli asistanlar, canlı okuyucular ve telefon sistemleri gibi gerçek zamanlı uygulamalar geliştiren ekipler için önemli bir gelişme. Modelin düşük fiyatı, daha küçük ekiplerin de yüksek kaliteli TTS kullanmasını mümkün kılabilir. Ayrıca, Speechify'in açık kaynak yemek kitabı ve ileri düzey mühendis desteği gibi araçları, diğer sağlayıcılardan geçiş yapmayı kolaylaştırarak pazar payını artırabilir.
