Voxtral 3 TTS vs. Cartesia Sonic 3.6: 72 Elo für den 3,8-fachen Preis

Cartesia Sonic 3.6 gewinnt das Qualitätsargument und Voxtral 3 T​TS gewinnt die Rechnung, und die Größe beider Abstände macht den gesamten Vergleich aus. Auf dem Provider-Voice-Leaderboard von Artificial Analysis am 21. Oktober 2026, Sonic 3.6 liegt mit 1.289 Elo (#4 von 98 bewerteten Systemen) gegen 1.217 für Voxtral 3 T​TS (#13). Der Abstand beträgt 72 Punkte und liegt deutlich außerhalb der Konfidenzintervalle der beiden Modelle. Der Preisabstand verläuft in die entgegengesetzte Richtung und ist größer: $49 pro Million Zeichen für Sonic 3.6 gegenüber $13 für Voxtral 3 T​TS — 3,8-mal so viel für ein Modell, das Mistral einen Tag vor dieser Erhebung des Leaderboards auf den Markt gebracht hat. Keine der beiden Zahlen ist umstritten. Umstritten ist, wie viel ein 72-Punkte-Vorsprung aus Blindhörtests in der Produktion wert ist, und das hängt ganz davon ab, was die Stimme tut. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Veröffentlichungen wie der vorliegenden sind in dem OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzgrad und eine Kennzeichnung als umstritten enthält.

Zuerst: Was die Boards tatsächlich gemessen haben.

Beide Zahlen stammen aus derselben Quelle, was in einer Kategorie, in der jeder Anbieter seine eigene Präferenzstudie veröffentlicht, mehr als üblich zählt. Artificial Analysis betreibt zwei Ranglisten, und die beiden Modelle erscheinen auf beiden.

• Anbieter-Stimme — jedes Modell wird anhand seiner eigenen nativen Stimmen bewertet. Sonic 3.6: 1.289 Elo, #4, 95%-Intervall 1.275–1.303, 2.732 Vergleiche. Voxtral 3 T​TS: 1.217 Elo, #13, Intervall 1.202–1.232, 1.619 Vergleiche.

• Kontrollierte Stimme — jedes Modell wird auf dieselben acht Referenzstimmen geklont, sodass Hörer die Engine und nicht das Voice-Casting vergleichen. Sonic 3.6: 1.151 Elo, #5, Intervall 1.138–1.164. Voxtral 3 T​TS: 1.066 Elo, #14, Intervall 1.049–1.083.

• Veröffentlicht — Sonic 3.6 im August 2026; Voxtral 3 T​TS am 20. Oktober 2026.

• Listenpreis — 49,00 $ pro 1 Mio. Zeichen gegenüber 13,00 $ pro 1 Mio. Zeichen, beide laut Erfassung durch Artificial Analysis und übereinstimmend mit der öffentlichen Preisgestaltung des jeweiligen Anbieters.

• Durchsatz — 145 Zeichen pro Sekunde im Median für Sonic 3.6 gegenüber 112 für Voxtral 3 T​TS, gemessen von Artificial Analysis.

• Gewichte — bei beiden geschlossen. Keines von beiden lässt sich unter einer permissiven Lizenz selbst hosten.

Zwei Details an dieser Tabelle sind leicht zu übersehen – und sollten es nicht sein. Das Controlled-Voice-Ergebnis ist das ehrlichere der beiden, weil es den Vorteil einer guten Voice-Bibliothek aufhebt, und dort wächst der Abstand von 72 Punkten auf 85. Sonic 3.6 gewinnt nicht beim Voice-Casting; es gewinnt bei der Synthese. Das zweite Detail ist die Stichprobenzahl. Voxtral 3 TTS hat 1.619 Vergleiche auf dem Anbieter-Board, rund 40 % weniger als Sonic 3.6, und sein Intervall ist entsprechend breiter. Ein Score vom zweiten Tag ist ein echter Score, aber er wird sich noch bewegen.

Woher die 72 Elo kommen – Funktion für Funktion

Elo ist eine Präferenzsumme, keine Diagnose, daher lohnt es sich zu fragen, welche Produktentscheidungen dazu geführt haben. Die beiden Modelle wurden für unterschiedliche Aufgaben gebaut, und die Spezifikationen zeigen das.

Cartesia hat eine Streaming-Engine gebaut. Die zentrale Aussage von Sonic 3.6 ist erstes Audio in unter 90 Millisekunden – von einer Anbieterseite, die mit Geschwindigkeit wirbt. Die Steuerungsmöglichkeiten sind genau die, die ein Live-Agent braucht: Inline-Cues wie Lachen, Lautstärke- und Geschwindigkeitsmodulation, benutzerdefinierte Aussprachewörterbücher, aus dem Kontext abgeleitete Emotion. Es ist ein Modell, das dafür entwickelt wurde, mitten im Gespräch aufgerufen zu werden und fast sofort zu sprechen zu beginnen.

Mistral hat eine Studio-Stimme mit einem Enterprise-Wrapper gebaut. Voxtral 3 TTS bietet über 35 Sprachen und mehr als 50 Dialekte, Stimm-Presets in 18 Sprachen, Steuerung von Emotion, Tempo und Betonung auf Prompt-Ebene, Aussprache auf Phonem-Ebene und eine Vokabularbibliothek. Die Cloning-Story heißt „Pro Voice“: 30 Minuten Audio, um den Charakter, die emotionale Bandbreite und den Stil eines Sprechers über Sprachen hinweg nachzubilden. Das ist eine Adaptions-Pipeline, kein Instant-Clone.

Die praktische Konsequenz ist, dass die beiden Modelle nicht um denselben Platz konkurrieren. Ein 30-minütiger Prozess zur Stimmanpassung ist ein Brand-Voice-Vorgang; ein 10-Sekunden-Instant-Clone ist eine nutzerseitige Funktion. Wenn Ihr Produkt es einem Kunden ermöglicht, einen Clip hochzuladen und sich selbst mit einer generierten Stimme zu hören, kann Sonic 3.6 das, und Voxtral 3 TTS, wie dokumentiert, nicht.

Die Latenz-Asymmetrie verschärft das. Cartesia veröffentlicht eine Latenzzahl, Mistral nicht. Voxtral 3 T​TS hat nirgends im Launch-Material eine veröffentlichte Zeit bis zum ersten Audio; die nächste Angabe ist die Sub-500-ms-Behauptung beim separaten Echtzeit-Transkriptionsmodell. Eine fehlende Zahl ist keine schlechte Zahl, aber bei einer Kaufentscheidung ist sie ein Risiko, das man trägt, und der Anbieter, der seine Zahl veröffentlicht, ist für alles Interaktive die sicherere Standardwahl.

Die Kostenarithmetik – in der Größenordnung, in der sie spürbar wird

Die Preisgestaltung pro Zeichen wirkt abstrakt, bis sie mit dem Volumen multipliziert wird. Bei etwa 900 Zeichen pro gesprochener Minute entspricht eine Stunde kontinuierlicher Sprache ungefähr 54.000 Zeichen.

• Eine Stunde Audio – Sonic 3.6: etwa 2,65 $. Voxtral 3 TTS: etwa 0,70 $.

• Tausend Stunden pro Monat – Sonic 3.6: etwa 2.650 $. Voxtral 3 TTS: etwa 700 $. Ein Unterschied von rund 23.400 $ pro Jahr.

• Zehntausend Stunden pro Monat — Sonic 3.6: etwa 26.500 $. Voxtral 3 T​TS: etwa 7.000 $. Ein Unterschied von rund 234.000 $ pro Jahr.

Am unteren Ende dieser Spanne ist die Lücke eine Position, über die gestritten wird. Am oberen Ende ist sie eine Personalstelle. Das ist das gesamte Argument für Voxtral 3 T​TS, und es ist ein starkes für jeden Workload, bei dem die Stimme langformatig und vorgerendert ist: Hörbücher, E-Learning-Module, Katalognarration, Dubbing-Pipelines. Bei diesen Aufgaben zeigt sich der 72-Elo-Wert als eine etwas weniger natürliche Lesung bei einem kleinen Bruchteil der Sätze, und der Hörer hat keinen Vergleich.

Wo sich die Rechnung ändert, ist, wenn die beiden Modelle in einem Produkt unterschiedliche Aufgaben erfüllen. Eine Support-Hotline braucht die Latenz von Sonic 3.6 und seinen Start in unter einer Sekunde; die Marketing-Vertonung desselben Unternehmens braucht das nicht. 49 $ für die zweite Aufgabe zu zahlen, sind 49 $, die für eine Fähigkeit ausgegeben werden, die diese Aufgabe nicht nutzen kann — und der sauberste Weg, beides ohne zwei Beschaffungsprozesse zu behalten, ist eine Routing-Schicht, die das Modell als Parameter behandelt. Das spricht für OrcaRouters Setup und nicht für einen der beiden Anbieter: eine OpenAI-kompatible API über 200+ Modelle, der Listenpreis des Anbieters bei 0 % Aufschlag weitergegeben, und eine Routing-DSL, die einen Batch-Vertonungsjob und einen Echtzeit-Aufruf mit demselben Schlüssel an unterschiedliche Backends senden kann. Weder Sonic 3.6 noch Voxtral 3 T​TS ist zum Zeitpunkt dieses Schreibens im Katalog von OrcaRouter, daher werden beide heute über die eigenen APIs ihrer Anbieter und mehrere Plattformen von Drittanbietern erreicht — der Punkt ist, wie die Integration aussieht, sobald sie es sind.

Drei Einwände, die in der Praxis den Ausschlag geben

Der erste Punkt ist die Sprache. Cartesia wirbt mit 44 Sprachen aus einem Modell. Mistral wirbt mit 35+ Sprachen und 50+ Dialekten, mit Presets für 18. Auf dem Papier deckt Mistral mehr ab; in der Praxis ist die Dialektzahl ein Versprechen zur Abdeckungsbreite, nicht das Versprechen, dass jeder Dialekt evaluiert wurde. Wenn Ihre Roadmap einen Markt umfasst, für den keiner der Anbieter eine Demo hat, fragen Sie nach einem Sample, anstatt die Zahl zu lesen. Der eine Punkt, an dem Mistral eindeutig stärker ist, ist die europäische Abdeckung: Es beansprucht alle 24 offiziellen EU-Sprachen für seine Transkriptionsmodelle und 35+ für die Synthese, und Mistral ist ein französisches Unternehmen, das in die EU-Beschaffung verkauft, mit Optionen für Datenresidenz in EU-, US- und globalen Endpunkten. Sonic 3.6 hat kein vergleichbares Narrativ für souveränes Deployment.

Das zweite ist die Aussprachekontrolle im Produktivbetrieb. Hier führt die Elo-Lücke am meisten in die Irre. Ein Modell, das „Dr. Nguyen“ ohne Wörterbuch korrekt ausspricht, kann unter einem Modell rangieren, das bei allgemeinen Fließtexten natürlicher klingt. Voxtral 3 TTS liefert eine Vokabularbibliothek und Phonemsteuerung; Sonic 3.6 liefert benutzerdefinierte Aussprachewörterbücher und Inline-Sprechhinweise. Beide haben die Funktion. Mistrals Version zielt auf Namen und Markenbegriffe in Unternehmensinhalten ab; Cartesias Version zielt auf dasselbe Problem innerhalb eines Streaming-Calls ab. Testen Sie Ihr eigenes Lexikon – eine Liste von Produktnamen, Nachnamen und Akronymen, die laut vorgelesen werden –, bevor eine der beiden Bewertungen eine Stimme bekommt.

Der dritte Fall ist, was passiert, wenn ein Anbieter einen schlechten Nachmittag hat. Eine Voice-Pipeline mit nur einem Endpunkt fällt fail-closed aus: Der Endpunkt verschlechtert sich und das Produkt verstummt. Sonic 3.6 und Voxtral 3 T​TS laufen auf unterschiedlicher Infrastruktur mit unterschiedlichen Ausfallmodi, und der Fallback-Pfad zwischen ihnen sollte entworfen werden, bevor er gebraucht wird. Automatisches Failover über Anbieter hinweg ist genau das, was Ihnen ein Router hier bringt, und es ist bei Sprache wertvoller als bei Text, weil ein verlorenes Token unsichtbar ist und eine verlorene Silbe nicht.

Also welche

Wählen Sie Cartesia Sonic 3.6, wenn die Stimme in einem Gespräch eingesetzt wird: Telefonagenten, In-App-Assistenten, Spiel-NPCs, alles, wo die erste Silbe ankommt, bevor der Nutzer den Spinner zu Ende gelesen hat. Sie zahlen 49 $ pro Million Zeichen für ein Modell, das in unter 90 Millisekunden startet und auf dem Board 1.289 erzielt, und der Preis ist gegenüber jedem anderen Modell in dieser Latenzklasse vertretbar.

Wählen Sie Voxtral 3 T​TS, wenn die Stimme der Inhalt ist: Narration, Synchronisation, Markenstimme über einen ganzen Katalog hinweg, alles, was im Voraus gerendert und später wiedergegeben wird. Sie zahlen 13 $ für ein Modell, das 72 Elo hinter dem Marktführer liegt und 3,8-mal günstiger ist – mit EU-Datenresidenz und einer 30-minütigen Pipeline zur Stimmanpassung, die besser zu einer einzigen Unternehmensstimme passt als zu einem Klon pro Nutzer.

Wählen Sie keine der beiden ausschließlich, wenn Sie beide Arten von Audio anbieten. Der Fehler, den es zu vermeiden gilt, ist, sich einmal festzulegen und dann für Arbeit, die das günstige Modell erledigen kann, den Tarif des Premiummodells zu zahlen oder die Latenz des günstigen Modells an einer Stelle in Kauf zu nehmen, an der sie fatal ist. Zwei Endpunkte hinter einem Schlüssel sind die Konfiguration, die verhindert, dass die Entscheidung endgültig wird.

Die offene Frage ist, wie Mistrals fehlender Latenzwert ausfällt. Wenn Voxtral 3 TTS beim Streaming einen First-Audio-Wert liefert, der auch nur annähernd an den von Cartesia heranreicht, wird der Preis von 13 $ zu einem viel schwerer zu bestreitenden Fakt, und die 72 Elo werden zum Einzigen, was Sonic 3.6 noch hat. Mistral hat ihn nicht veröffentlicht, kein Dritter hat ihn gemessen, und bis sich eines davon ändert, gehört der Streaming-Slot standardmäßig Cartesia.