Od čtečky pro miliony k API pro vývojáře

Speechify není na trhu žádným nováčkem. Jejich spotřebitelská aplikace pro převod textu na řeč funguje už téměř dekádu a za tu dobu nasbírala desítky milionů uživatelů. Právě tahle masová základna je klíčem k tomu, co firma teď nabízí vývojářům. „Většina AI laboratoří stavěla modely pro benchmarky a cenila je pro enterprise. My jsme stavěli pro posluchače a cenili pro produkční nasazení," napsal na Product Huntu Luke Oliff, který ve Speechify vede vývojářské vztahy. Jinými slovy: roky ladění rychlosti a efektivity, které byly nutné pro spokojenost platících zákazníků, se teď přetavily do API, které může použít kdokoliv.

Simba 3.2: Čísla, která mluví sama za sebe

Model Simba 3.2 momentálně drží první místo na nezávislém žebříčku Artificial Analysis s Elem 1 234, těsně před Google Gemini 3.1 Flash TTS (1 214) a Cartesia Sonic 3.5 (1 207). Na Voice Arena, kde o kvalitě hlasu rozhodují skuteční lidé v zaslepených testech, je Simba 3.2 nejlepším real-time modelem a zároveň cenově nejdostupnějším v TOP 10. Klíčové parametry:

• Latence pod 100 ms — odezva srovnatelná s lidskou konverzací
• Streaming-native architektura — žádné čekání na celou odpověď, model generuje zvuk průběžně
• Emoční exprese — 13 přednastavených emocí včetně radosti, smutku, vzrušení i klidu
• SSML podpora — plná kontrola nad prozódií, rychlostí a intonací řeči
• 1 500+ hlasů ve 30+ jazycích — včetně češtiny (skrze model simba-multilingual)

Hlasoví agenti: All-in-one za jednu cenu

Tím nejzajímavějším na celém launchi je ale samotná platforma Simba Voice Agents. Speechify totiž nepřišlo jen s TTS API — nabízí kompletní řešení pro budování hlasových agentů, kde je v ceně zahrnuto vše: LLM inference, převod řeči na text (STT), syntéza řeči (TTS) i telekomunikační orchestrace. V praxi to znamená, že vývojář platí jednu položku za minutu konverzace — žádné dopočítávání tokenů pro jazykový model, žádné passthrough poplatky za STT ani TTS. To je zásadní rozdíl oproti konkurenci, kde typicky účtuje každá komponenta zvlášť.

Cenové srovnání platforem pro hlasové agenty

Platforma	Cena TTS (za 1M znaků)	Hlasový agent (za min)	Co je v ceně
Speechify Simba	6–10 $	0,068–0,075 $	LLM + STT + TTS + telefonie
ElevenLabs ElevenAgents	50–100 $	0,08 $	TTS + orchestrace (LLM zvlášť)
Deepgram Voice Agent	15–30 $	0,05–0,075 $	STT + TTS (LLM zvlášť)
Vapi	—	0,05 $ + passthrough	Pouze orchestrace

Ceny jsou orientační pro srovnání. Speechify: Scale/Pro tier, ElevenLabs: Standard, Deepgram: Standard tier, Vapi: Build plan. Stav k červenci 2026.

Cenové tarify pro každou velikost projektu

Speechify jde cestou transparentního ceníku bez ročních závazků:

• Free — 0 $/měsíc: 50 000 znaků TTS, 60 minut hlasových agentů, 3 souběžné hovory
• Starter — 10 $/měsíc: 1M znaků + 10 $/1M nad limit, 120 minut agentů + 0,075 $/min nad limit
• Pro — 99 $/měsíc: 3M znaků + 8 $/1M, 1 200 minut + 0,07 $/min, profesionální klonování hlasu
• Scale — 499 $/měsíc: 10M znaků + 6 $/1M, 6 000 minut + 0,068 $/min, 30 souběžných hovorů, možnost vlastního LLM
• Enterprise — cena na míru: volume slevy, SOC 2 Type II, SSO, dedikovaná podpora

Všechny placené tarify fungují na předplaceném kreditu s možností automatického dobíjení — produkční provoz se tak nikdy nezastaví.

Klonování hlasu: S jistotou, ale opatrně

Speechify nabízí i zero-shot klonování hlasu — stačí nahrát 10–30 sekund vzorku a model vytvoří jeho digitální kopii. Pro modely Simba English a Simba Multilingual je klonování plně samoobslužné, pro nejnovější Simba 3.2 ale zatím vyžaduje manuální schválení týmem Speechify. Firma tím reaguje na rostoucí obavy z deepfakes — u takto kvalitního modelu chce mít jistotu, že technologie nebude zneužita.

Nástroje pro vývojáře: TypeScript, Python i REST

Speechify Developer Platform přichází s čistým REST API a first-party SDK pro TypeScript a Python. K dispozici je i Speechify Cookbook na GitHubu s připravenými příklady migrace z jiných platforem. Pro větší nasazení nabízí Speechify takzvané Forward-Deployed Engineers — inženýry, kteří se připojí k vašemu týmu a pomohou s přechodem od mapování hlasů přes zátěžové testy až po produkční nasazení.

Co to znamená pro český trh

Pro české firmy a vývojáře je podstatné, že platforma podporuje češtinu prostřednictvím modelu Simba Multilingual, který zvládá 30+ jazyků s lokálně nahranými hlasy. To znamená přirozenou výslovnost bez cizího přízvuku. Cenová dostupnost je dalším plusem: při 6 dolarech za milion znaků (zhruba 650 normostran textu) je Simba 3.2 nejlevnější cestou ke špičkové syntéze řeči. Pro menší české startupy a projekty, které si nemohou dovolit enterprise ceny ElevenLabs (kde TTS vychází až na 100 $/1M znaků), je to zásadní rozdíl. Co se týče regulace, Speechify komunikuje certifikaci SOC 2 Type II pro enterprise zákazníky. Pro firmy podléhající GDPR bude klíčové ověřit, zda Speechify nabízí zpracování dat na evropských serverech — v dokumentaci tato informace zatím chybí, což je ve srovnání s Deepgramem (který má dedikovaný EU endpoint) určitý handicap.

Je Simba 3.2 opravdu nejlepší volbou?

Silné stránky jsou zřejmé: špičková kvalita ověřená nezávislými benchmarky, agresivní cena, all-in-one přístup k hlasovým agentům a masivní uživatelská základna, která model prověřila v reálném provozu. Jsou tu ale i limity. Simba 3.2 aktuálně podporuje pouze angličtinu — vícejazyčné nasazení vyžaduje starší model Simba Multilingual, který na Artificial Analysis první místo nedrží. Konkurenční ElevenLabs naproti tomu nabízí plně vícejazyčné TTS s 32 jazyky na nejnovějších modelech. A pokud potřebujete primárně přepis řeči na text (STT), Speechify tuto službu jako samostatné API zatím nenabízí — na rozdíl od Deepgramu nebo právě ElevenLabs. Přesto je vstup Speechify na vývojářský trh jednou z nejzajímavějších událostí v oblasti hlasové AI za poslední měsíce. Firma, která roky tiše budovala technologii pro vlastní aplikaci, teď otevírá bránu všem — a s cenami, které konkurenci nutí přehodnotit vlastní ceníky.