Gemini 3.8 TTS vs. Cartesia Sonic 3.6: Dreizehn Elo-Punkte und sechzehn Dollar

Die beiden am nächsten beieinanderliegenden Text-to-Speech-Modelle auf dem Blind-Voting-Leaderboard von Artificial Analysis sind einen Platz und sechzehn Dollar voneinander entfernt, und diese beiden Abstände weisen in entgegengesetzte Richtungen. Cartesia Sonic 3.6liegt mit einem Provider Voice Arena Elo von 1.273 über 1.757 Stichproben auf Platz eins. Gemini 3.8 Flash TTSliegt mit 1.260 über 1.999 Stichproben auf Platz zwei. Der Elo-Unterschied beträgt dreizehn Punkte — innerhalb des veröffentlichten Konfidenzintervalls für beide — und der Preisunterschied verläuft in die andere Richtung: Gemini liegt bei 33,00 $ pro Million Zeichen gegenüber 49,00 $ bei Cartesia. Wenn Sie zwischen ihnen wählen, ist die ehrliche Formulierung, dass Sie sechzehn Dollar pro Million Zeichen für einen Qualitätsunterschied zahlen, den das Leaderboard nicht auflösen kann.

Das ist die ganze Entscheidung, und es lohnt sich, hier langsamer zu machen, weil beide Modelle neu genug sind, dass fast nichts anderes gemessen wurde. Cartesia Sonic 3.6 erschien im August 2026. Gemini 3.8 Flash TTS erschien am 23. September 2026. Keines der beiden hat einen veröffentlichten unabhängigen Benchmark abgesehen von den Arena-Abstimmungen, und die Arena-Abstimmungen lassen sie an der Spitze statistisch gleichauf liegen.

Was die Bestenliste tatsächlich aussagt

Die Artificial Analysis Provider Voice Arena ist das hier nützliche Board, weil sie die eigenen nativen Stimmen jedes Anbieters in einer blinden paarweisen Abstimmung mit denen jedes anderen Anbieters vergleicht. Das ist ein fairerer Vergleich als ein Board mit kontrollierten Stimmen für die Frage „Welches Produkt klingt besser?“, weil es jedem Anbieter ermöglicht, die Stimmen einzusetzen, die er tatsächlich anbietet.

• Rang 1 — Cartesia Sonic 3.6, Elo 1.273 mit einem 17-Punkte-Intervall, 1.757 Samples, 8 Arena-Stimmen, veröffentlicht im August 2026, 49,0 $ pro 1 Mio. Zeichen.

• Platz 2 — Gemini 3.8 Flash TTS, Elo 1.260 mit einem 17-Punkte-Intervall, 1.999 Stichproben, 8 Arena-Stimmen, veröffentlicht im September 2026, 33,0 $ pro 1 Mio. Zeichen.

• Rang 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1.259, 1.447 Samples, 15 Arena-Stimmen, 27,6 $ pro 1 Mio. Zeichen.

• Rang 4 bis 9, zur Einordnung — Inworld Realtime TTS-2 bei 1.245, SpeechifyAI Simba 3.2 bei 1.237, Google Gemini 3.8 Flash-Lite TTS bei 1.235, VUI Labs Luna TTS bei 1.230, Inworld Realtime TTS-2 Flash bei 1.210 und BreezeBlue Breeze TTS 2 bei 1.204.

Lesen Sie die Intervalle, und die Top drei gehen ineinander über. Sonic 3.6 mit 1.273 hat eine Spanne von siebzehn Punkten; Gemini mit 1.260 hat dieselbe. Ihre Bereiche überschneiden sich auf nahezu ihrer gesamten Breite. Qwen-Audio-3.0-TTS-Plus mit 1.259 überschneidet sich mit beiden. Die Rangliste sagt Ihnen, dass diese drei anhand der bisher gesammelten Stichproben durch Blindpräferenz nicht unterscheidbar sind und dass die Reihenfolge zwischen ihnen keine stabile Evidenz ist.

Die Stichprobenumfänge liegen nah genug beieinander, um den Unterschied ebenfalls nicht zu erklären — 1.757 für Cartesia gegenüber 1.999 für Gemini. Beide liegen im niedrigen Tausenderbereich, was ausreicht, um ein Modell in ein Band einzuordnen, aber nicht, um Nachbarn darin zu trennen.

Woher die sechzehn Dollar kommen

Cartesias eigene Preisseite veröffentlicht keinen Preis pro Million Zeichen für Sonic. Sie verkauft Abonnementstufen mit gebündelten Minuten – Free für 0 $ mit 20.000 Credits, etwa 27 Minuten Sonic 3.6; Pro für 5 $ mit 100.000 Credits, etwa 133 Minuten; Startup für 49 $ mit 1,25 Millionen Credits, etwa 1.667 Minuten; Scale für 299 $ mit 8 Millionen Credits, etwa 10.667 Minuten – plus Nebenläufigkeitsgrenzen von 2, 3, 5 bzw. 15, Stimm-Lokalisierung für 225 Credits pro zusätzlichem Akzent, Anrufdauer des Voice-Agents für 0,06 $ pro Minute und Telefonie für 0,014 $ pro Minute.

Die 49,00 $ pro Million Zeichen sind also nicht der Listenpreis von Cartesia in deren eigenen Einheiten. Es ist Artificial Analysis, die Cartesias Credits auf einen gemeinsamen Nenner normalisiert, damit das Vergleichsboard überhaupt nach dem Preis eine Rangfolge bilden kann. Das ist für ein Vergleichsboard legitim, und es ist die einzige verfügbare vergleichbare Zahl, aber es bedeutet, dass die Cartesia-Zahl ein abgeleiteter Preis ist, während die Gemini-Zahl ein veröffentlichter Preis ist.

Googles Preisgestaltung ist unkompliziert. Gemini 3.8 Flash TTS berechnet 0,50 $ pro Million Text-Eingabe-Tokens und 9,00 $ pro Million Audio-Ausgabe-Tokens bis zum 31. Dezember 2026, danach 1,00 $ und 18,00 $. Audio wird mit 25 Tokens pro Sekunde abgerechnet, sodass der Audio-Ausgabe-Preis umgerechnet etwa 0,02 Cent pro Sekunde gesprochener Sprache beträgt. Flash-Lite TTS, das günstigere Geschwistermodell, kostet 6,00 $ pro Million Audio-Tokens auf derselben 25-Token-pro-Sekunde-Basis, und Artificial Analysis führt es mit einem Gegenwert von 22,10 $ pro 1 Mio. Zeichen auf Rang 6 mit einem Elo von 1.235.

• Preis pro 1 Mio. Zeichen — Cartesia Sonic 3.6 49,00 $ vs. Gemini 3.8 Flash TTS 33,00 $ vs. Gemini 3.8 Flash-Lite TTS 22,10 $.

• Arena Elo — 1.273 vs. 1.260 vs. 1.235, alle mit 17-Punkte-Intervallen bei den oberen zwei.

• Arena-Stimmen — 8 vs 8 vs 8.

• Stichproben — 1.757 vs. 1.999 vs. 2.000.

• Verfügbarkeit — Cartesia gehostete Beta vs. Googles eigene Gemini Developer API, allgemein verfügbar.

• Gewichts-Release — für beide geschlossen; keines ist herunterladbar.

Der Teil, den der Preisvergleich verbirgt

Pro Million Zeichen ist eine praktische Einheit – und keines der beiden Produkte rechnet so ab.

Cartesias Einheit ist ein Guthaben, das auf ein Abonnement angerechnet wird, wobei die Parallelitätsgrenzen an die Tarifstufe gekoppelt sind. Das bedeutet, dass die Grenzkosten für Ihre nächsten tausend Zeichen null sind, bis Sie die Obergrenze erreichen, und danach entsprechen sie den Kosten der nächsthöheren Tarifstufe. Für eine Arbeitslast mit vorhersehbarer Obergrenze ist das ein besseres Geschäft, als der Preis pro Zeichen vermuten lässt – Sie kaufen Spielraum, nicht Verbrauch. Für eine Arbeitslast, die Spitzen aufweist, ist es schlechter, denn eine Parallelität von 2 in der Free-Stufe und 3 in Pro ist eine harte Grenze und kein Preis.

Geminis Einheit ist ein Token, der pro Aufruf abgerechnet wird, ohne veröffentlichte Obergrenze für die Parallelität, und es gibt drei Service-Stufen – Standard, Batch und Flex sowie Priority – zu unterschiedlichen Tarifen. Batch und Flex halbieren den Audio-Tarif auf 4,50 $ pro Million Tokens bei Flash TTS; Priority erhöht ihn auf 16,20 $. Das ist ein viel feingranulareres Kostenmodell, und es belohnt genau das, was Googles Preisgestaltung üblicherweise belohnt: im Voraus zu wissen, ob eine Aufgabe interaktiv oder als Batch ausgeführt wird.

Welche Option günstiger ist, hängt daher davon ab, ob sich Ihre Sprach-Arbeitslast wie ein Abonnement oder wie ein Zähler verhält. Cartesias Tarifstufen sind für Produkte mit gleichmäßigem, begrenztem Volumen bepreist. Geminis Tarife sind für Verbrauch bepreist, den Sie klassifizieren können.

Was Cartesia noch hat, das Google nicht hat

Zwei Dinge, und bei beiden geht es darum, ein Sprachprodukt zu sein und nicht ein Sprachmodell.

Cartesia verkauft Telefonie- und Voice-Agent-Infrastruktur direkt: 0,014 $ pro Minute für Telefonie, 0,06 $ pro Minute für die Anrufdauer von Voice-Agents und Voice-Lokalisierung für 225 Credits pro zusätzlichem Akzent. Wenn Sie einen Telefonagenten bauen, ist das ein Stack, den Sie aus einer Hand kaufen können. Gemini 3.8 Flash TTS ist ein Synthese-Endpunkt – es gibt Audio zurück und stoppt. Den Transport, die Turn-Erkennung und die Telefonie stellen Sie selbst bereit, oder Sie setzen sie aus Komponenten anderer Anbieter zusammen.

Cartesia ist zudem schon länger auf dem Board vertreten. Sein Veröffentlichungsdatum im August gegenüber Googles September bedeutet, dass mehr von seinem Stichprobenumfang gegen eine gefestigte Version zusammenkam, während ein September-Start noch Stimmen sammelt. Das Elo eines Modells in seiner ersten Woche ist eine verrauschtere Schätzung als das Elo desselben Modells nach einem Monat, und das spricht dagegen, die Lücke von dreizehn Punkten als Beleg für Cartesia zu werten.

Was Google hat, das Cartesia nicht hat

Die Sprachabdeckung ist der klarste Punkt. Flash TTS unterstützt 130 Sprachen mit automatischer Erkennung; Flash-Lite unterstützt 101. Cartesias Lokalisierungsmodell ist additiv – man kauft Akzente zusätzlich zu einer Basisstimme für jeweils 225 Credits – was ein anderer Ansatz und eine andere Kostenkurve ist, sobald man über eine Handvoll Sprachen hinausgeht.

Die zweite ist die Delivery-Oberfläche. Mit Gemini 3.8 Flash TTS können Sie eine Zeile so führen, wie Sie einen Schauspieler führen würden, Zwei-Sprecher-Szenen innerhalb eines Aufrufs inszenieren und nonverbale Cues — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — direkt in das Skript schreiben. Es bietet außerdem Voice Design anhand einer natürlichsprachigen Beschreibung und Voice Replication anhand einer 30-sekündigen Probe mit Einwilligungsüberprüfung, einem SynthID-Wasserzeichen und C2PA-Credentials in der Ausgabe. Voice Remixing ist als demnächst verfügbar aufgeführt.

Und es ist allgemein verfügbar, nicht in der Beta. Cartesia Sonic 3.6 ist eine gehostete Beta, was eine Aussage über das Vertrauen des Anbieters in den Endpunkt unter Last ist.

Welche man nun tatsächlich aufrufen sollte

Wenn Ihre Arbeitslast ein Telefonagent mit vorhersehbarem Volumen ist und Sie Telefonie, Nebenläufigkeit und Synthese von einem Anbieter wünschen, ist Cartesia Sonic 3.6 die stimmige Wahl, und die Sechzehn-Dollar-Differenz ist der Preis dafür, nicht selbst drei Anbieter zusammenzustellen.

Wenn Ihre Arbeitslast Synthese innerhalb eines Produkts ist, das Sie bereits betreiben – Narration, eine Barrierefreiheitsschicht, die Stimme eines Support-Bots, ein Lokalisierungsdurchlauf für 130 Sprachen –, ist Gemini 3.8 Flash TTS kostengünstiger pro Zeichen, breiter in der Sprachabdeckung, feiner in der Steuerung der Sprachausgabe und allgemein verfügbar. Der Elo-Unterschied spricht nicht dagegen, denn der Elo-Unterschied ist statistisch nicht real.

Wenn Sie die günstigste der drei an der Spitze der Rangliste wollen und eine kürzere Sprachenliste akzeptieren können, kostet Gemini 3.8 Flash-Lite TTS 6,00 US-Dollar pro Million Audio-Tokens und liegt sechs Plätze tiefer auf 1.235 – eine Lücke, die ebenfalls innerhalb des Rauschens liegt.

Wen auch immer du wählst, der Migrationspfad zählt mehr als die Wahl, denn beide Modelle sind neu und beide Anbieter feilen noch daran. OrcaRouter ist die Absicherung: ein Schlüssel für über 200 Modelle zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preissenkung eines der beiden Labs noch am selben Tag auf deiner Rechnung landet und nicht erst bei der Verlängerung, automatisches Failover, wenn ein Synthese-Aufruf fehlschlägt, und eine Routing-DSL, wenn du einen Batch-Job an das eine Modell und einen interaktiven Aufruf an ein anderes senden möchtest. Wir hosten weder die Cartesia Sonic 3.6 noch die Gemini 3.8 TTS-Endpunkte — Cartesias Synthese ist ein eigenes Produkt, und die Gemini-Sprachmodelle stammen aus Googles API —, aber die Textschicht und der Failover-Pfad sind unsere, und genau diese Teile machen ein brandneues Modell sicher ausprobierbar.

Worauf man achten muss, ist die nächste Revision von Artificial Analysis. Wenn Gemini 3.8 Flash TTS die dreizehn Punkte aufholt, sobald seine Stichprobenanzahl ausgereift ist, ist die Preislücke kein Kompromiss mehr, sondern eine eindeutige Antwort. Wenn nicht, behält Cartesia die Qualitätskrone und Google die Preiskrone, und die Wahl bleibt genau dort, wo sie jetzt ist: ein Abonnement, an das Telefonie gekoppelt ist, oder ein Zähler, an den 130 Sprachen gekoppelt sind.