Gemini 3.8 TTS vs Inworld Realtime TTS-2: Welchem Scoreboard du glaubst, verändert die Antwort

Setzt man Gemini 3.8 Flash TTS und Inworld Realtime TTS-2 nebeneinander auf der Artificial Analysis Provider Voice Arena, wirkt die Antwort offensichtlich: Rang 2 gegenüber Rang 4, Elo 1.260 gegenüber 1.245, jeweils 8 Arena-Stimmen und ein normalisierter Preis von 16,50 $ pro Million Zeichen gegenüber 20,80 $. Der Anbieter gewinnt bei der Position und beim Preis, und der 15-Punkte-Abstand liegt ohnehin innerhalb der Konfidenzintervalle beider Zeilen.

Wechsle zum anderen Board, das Artificial Analysis veröffentlicht, und die Reihenfolge kehrt sich um. Inworld Realtime TTS-2 hält die oberste Zeile in der Controlled Voice Arena mit einem Elo von 1.123, während seine Flash-Variante bei 1.075 liegt. Das ist kein Rundungsunterschied – es gewinnt ein anderes Modell, und der Grund dafür ist, dass die beiden Boards nicht dasselbe messen. Wenn Sie eine Stimme für ein Produkt auswählen, besteht die ganze Entscheidung darin, zu wissen, welche dieser beiden Fragen Ihr Anwendungsfall tatsächlich stellt.

Zwei Boards, zwei verschiedene Fragen

Die Provider Voice Arena bewertet die eigenen nativen Stimmen eines Modells – die, die der Anbieter mitliefert und hostet. Die Controlled Voice Arena hält die Stimme konstant und bewertet, wie gut jedes Modell abschneidet, wenn es gebeten wird, mit einer Stimme zu sprechen, die nicht seine eigene ist. Dieselben Juroren, dieselbe Art von Blindvergleich, andere Variable.

Diese Unterscheidung entspricht zwei verschiedenen Aufgaben:

• Anbieter-Ranking beantwortet die Frage: „Klingt dieses Modell von Haus aus gut?“ Es ist die richtige Rangliste für ein Produkt, das mit einem festen Satz Erzählerstimmen ausgeliefert wird und niemals etwas klont.

• Kontrolliertes Ranking beantwortet die Frage: „Befolgt dieses Modell eine Voice-Spezifikation?“ Es ist das richtige Board für ein Produkt, bei dem die Stimme die des Kunden ist – eine geklonte Markenstimme, ein lizenzierter Sprecher, eine mandantenspezifische Identität.

Googles Modelle führen die erste an. Die von Inworld führen die zweite an. Beide Aussagen sind gleichzeitig wahr, und keine von beiden ist ein Widerspruch, was genau erklärt, warum eine einzelne Antwort auf die Frage „Welches TTS-Modell ist das beste?“ normalerweise ein Zeichen dafür ist, dass der Autor sich ein Leaderboard herausgepickt und das andere nicht angesehen hat.

Was Inworlds Nummer-eins-Position in der Praxis bedeutet

Ein Controlled-Ergebnis auf dem ersten Platz ist eine Aussage über die Befolgungstreue einer Anweisung, und Befolgungstreue einer Anweisung ist die Eigenschaft, die darüber entscheidet, ob Cloning überhaupt brauchbar ist.

Inworlds Klon-Pfad gibt es in zwei Varianten. Instant Cloning arbeitet mit einer kurzen Stichprobe – die Angabe des Anbieters liegt bei 5 bis 15 Sekunden Referenzaudio –, und eine professionelle Klon-Stufe befindet sich in der Beta und verlangt Größenordnungen von zehn Minuten. Beide Angaben stammen vom Anbieter, und keine davon wird unabhängig von der Arena überprüft; was die Arena misst, ist das Verhalten des Modells, sobald es eine Stimme hat, nicht die Qualität des Klon-Schritts, der sie erzeugt hat.

Die Latenzangaben, die an die Familie geknüpft sind, fallen in dieselbe Kategorie. Der First-Byte-Wert der Flash-Variante – 25 Millisekunden, berichtet über eine Drittanbieter-Messung – und die p99-Werte für das vollständige Modell stammen von Inworld selbst, und die Arena hat zu keinem von beiden etwas zu sagen. Sie sind für ein auf Echtzeit ausgerichtetes Modell plausibel, und sie sind unbestätigt, was der richtige Umgang mit ihnen ist.

Praktisch bedeutet das also: Wenn Ihr Produkt Stimmen klont, ist Inworlds Controlled-Ergebnis der relevantere der beiden Scores, und es ist der Grund, warum ein niedrigerer Provider-Rang nicht disqualifizierend ist. Wenn Ihr Produkt nicht klont, ist dieser Vorteil für Sie unsichtbar, und das Provider-Board ist das, was Sie lesen sollten.

Die Preisstaffel hat drei Stufen, und die günstige ist ein Abonnement.

Einen Preis gegen einen Preis zu vergleichen, wird diesem Duell nicht gerecht, denn Inworld hat keinen Preis — es hat eine Leiter.

• Auf Abruf — Realtime TTS-2 zu 25,00 $ pro Million Zeichen, Flash zu 15,00 $. Dies ist der Tarif, den ein Pay-as-you-go-Anrufer sieht, und es ist die vom Anbieter selbst veröffentlichte Zahl.

• Creator plan — $20.00 und $10.00 für dieselben zwei Modelle, was einem Rabatt von 20 % bzw. 33 % dafür entspricht, sich auf einen Plan festzulegen, statt nutzungsbasiert abzurechnen. Vom Anbieter angegeben, und die Stufe, die es vor Ihrer Entscheidung am ehesten wert ist, auf der Live-Preisseite erneut zu prüfen, da sich Tarifbedingungen schneller ändern als Listenpreise.

• Normalisiert – die Umrechnung der Arena pro Million Zeichen ergibt 20,80 $ für Realtime TTS-2 und 10,40 $ für Flash; das ist die Berechnung des Boards und nicht die Preisangabe eines der beiden Anbieter.

Dagegen sind Googles Tarife tokenbasiert und aktionsbedingt: 0,50 $ pro Million eingehender Text-Tokens und 9,00 $ pro Million ausgehender Audio-Tokens bis zum 31. Dezember 2026, danach 18,00 $; Flash-Lite TTS kostet 0,50 $ und 6,00 $, danach 12,00 $. Normalisiert sind das 16,50 $ und 11,00 $.

Liest man die beiden zusammen, ist das Bild interessanter als „Google ist billiger“. Nach den heute veröffentlichten Zahlen ist Flash TTS das günstigste der drei Modelle und Inworlds Flash-Variante das zweitgünstigste — die beiden Flash-Modelle liegen so nah beieinander, dass eine kleine Änderung am Audio-zu-Text-Verhältnis kippen kann, welches von beiden niedriger abgerechnet wird. Am 1. Januar 2027, wenn sich der Google-Tarif verdoppelt, stabilisiert sich die Reihenfolge und Inworld wird auf jeder Sprosse seiner Leiter zur günstigeren Option. Wer diese beiden im September vergleicht und sich im Dezember festlegt, vergleicht die falschen Zahlen.

Wo jede einzelne die bessere Antwort ist

Die beiden Modelle liegen qualitativ so nah beieinander, dass die Unterschiede struktureller Natur sind, deshalb ist die ehrliche Version eine Liste von Bedingungen statt eines Urteils.

Wähle Gemini 3.8 Flash TTS, wenn du die Stimme selbst auswählen kannst. Stimmdesign anhand einer schriftlichen Beschreibung, Dialog mit zwei Sprechern in einem einzigen Aufruf, Styling auf Turn-Ebene und die laut Googles eigener Zählung breiteste Sprachabdeckung der beiden – womit Inworld in diesem Vergleich nicht mithalten kann. Es ist außerdem das derzeit günstigere Modell, und sein Geschwistermodell Flash-Lite bietet dir einen zweiten Preispunkt innerhalb derselben API.

Wählen Sie Inworld Realtime TTS-2, wenn die Stimme die des Kunden ist. Eine Top-Zeile bei Controlled Voice, ein Instant-Cloning-Weg, der in Sekunden an Referenzaudio gemessen wird, eine professionelle Cloning-Stufe für die Fälle, die mehr benötigen, und eine Echtzeit-Ausrichtung, untermauert durch First-Byte-Angaben, die der Anbieter veröffentlicht – mit dem Vorbehalt, dass es sich um Angaben des Anbieters handelt. Laut der eigenen Dokumentation des Anbieters ist es ausschließlich englischsprachig, was eine harte Einschränkung darstellt, wenn Sie etwas anderes benötigen.

Keines dieser Modelle wird von OrcaRouter gehostet, und das sollte man auch sagen, statt etwas anderes anzudeuten: Die richtige Adresse für Gemini 3.8 Flash TTS ist Googles eigene API und die von Google am 23. September genannten Oberflächen, und die richtige Adresse für Inworld Realtime TTS-2 ist Inworlds eigene Plattform. Wofür OrcaRouter da ist, ist alles rund um diese Entscheidung — über 200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Tarifänderung eines Anbieters wie der Schritt im Januar bei uns am selben Tag live ist, automatisches Failover, damit ein evaluiertes Modell keine Produktionsabhängigkeit sein muss, und eine Routing-DSL, mit der sich Modelle zu einem einzigen Aufruf zusammenstellen lassen, wenn keine einzelne Stimme die ganze Aufgabe trägt.

Der Grund, beide davon im Rennen zu behalten, ist, dass die Januar-Tarifänderung und die Unterscheidung zwischen Controlled und Provider zwei getrennte Gründe dafür sind, dass sich die Antwort ändern kann. Eine Pipeline, die nur eines von beiden aufrufen kann, kann keinem von beiden folgen.