Voxtral 3 TTS vs. ElevenLabs: Sechsmal günstiger, hundert Punkte zurück

Mistral hat Voxtral 3 T​TS mit 13 US-Dollar pro Million Zeichen bepreist und in einen Markt gebracht, in dem das Modell, an dem sich alle messen, ElevenLabs Eleven v4, 80 US-Dollar kostet und 1.328 Elo erreicht, gegenüber 1.217 für Voxtral. Das sind 111 Punkte Blindhörer-Präferenz für das 6,2-Fache des Geldes, und auf den ersten Blick ist das günstige Modell nicht nah genug dran, um relevant zu sein. Es ist trotzdem relevant, aus einem Grund, den die Punktetabelle nicht zeigt: ElevenLabs verkauft nicht nur Synthese. Es verkauft eine Sprachplattform – eine Bibliothek, Dubbing, Agenten, professionelles Stimmklonen –, und die meisten Teams, die 80 US-Dollar pro Million Zeichen zahlen, zahlen genauso viel für die Plattform wie für die Stimme. Voxtral 3 T​TS, veröffentlicht am 20. Oktober 2026, kommt stattdessen in einem Agent-SDK und einer EU-souveränen Deployment-Story daher. Die kaufentscheidende Gegenüberstellung ist daher nicht „was besser klingt“ – das ist geklärt –, sondern „welches dieser beiden Pakete Sie tatsächlich brauchen“. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Veröffentlichungen wie dieser sind im OrcaRouter AI Incident Archive gesammelt, wobei jeder Eintrag eigene Quellen, einen Schweregrad, eine Vertrauensstufe und eine Markierung als umstritten enthält.

Die Anzeigetafel, vor allem anderen

• Voice-Elo des Anbieters — ElevenLabs Eleven v4: 1.328 (#2 von 98). Voxtral 3 T​TS: 1.217 (#13). Beide Werte laut Artificial Analysis, Stand 21. Oktober 2026.

• Kontrolliertes Voice-Elo — Eleven v4: 1.157 (#4, gleichauf mit Eleven v4 Turbo). Voxtral 3 T​TS: 1.066 (#14).

• Listenpreis pro 1 Mio. Zeichen — $80.00 vs. $13.00.

• Sprachen — ElevenLabs: 74 in allen Tarifen. Voxtral 3 TTS: 35+ Sprachen und 50+ Dialekte, mit Presets in 18.

• Sofortiges Klonen — ElevenLabs: ab etwa 30 Sekunden Audio in kostenpflichtigen Tarifen. Voxtral 3 TTS: kein Instant-Clone veröffentlicht; „Pro Voice“-Anpassung benötigt 30 Minuten Audio.

• Gewichte — für beide geschlossen.

Eine Zeile in dieser Liste verdient einen zweiten Blick: das günstigere eigene Flaggschiff von ElevenLabs. Eleven v4 Turbo erreicht 1.333 – fünf Punkte über Eleven v4, innerhalb der Rauschspanne – bei 40 US-Dollar pro Million Zeichen, genau die Hälfte des Preises. Wenn die Wahl rein darin besteht, „die beste Stimme zu nehmen, die ElevenLabs verkauft“, ist Turbo der vernünftige Kauf, und er verringert den Abstand zu Voxtral 3 TTS von 111 Elo auf 116 für nur das Dreifache des Geldes. Die Preisstaffel von ElevenLabs ist breiter, als die meisten Vergleiche dieser Paarung einräumen.

Wie die 111 Punkte in einem Produkt aussehen

Ein Elo-Unterschied dieser Größe ist nicht subtil. Beim blinden Side-by-Side-Hören ist es der Unterschied, den ein Hörer schon beim ersten Satz bemerkt, nicht erst beim fünften – vergleichbar mit dem Abstand zwischen Eleven v3 und Eleven v4 innerhalb von ElevenLabs’ eigener Produktlinie (1.182 vs. 1.328). Sonic 3.6 von Cartesia liegt mit 1.289 dazwischen und ist das Modell, das die Deutung „you get what you pay for“ am direktesten untergräbt; es schlägt Voxtral um 72 und kostet $49, die Hälfte von Eleven v4.

Der Punkt, an dem die Lücke am deutlichsten wird, ist die Darbietungssteuerung bei expressivem Material. Die v4-Generation von ElevenLabs ist um Audio-Tags herum aufgebaut – Inline-Anweisungen für Emotion, Tempo und Betonung, die in den Text eingebettet sind – und um eine Stimmbibliothek, die so umfangreich ist, dass die meisten Teams gar nicht erst klonen. Mistrals Voxtral 3 TTS bietet Steuerung von Emotion, Tempo und Betonung auf Prompt-Ebene sowie phonemgenaue Aussprache und eine Vokabularbibliothek. Beide bieten Richtungssteuerung. ElevenLabs hat über zwei Generationen hinweg öffentliches Feedback dazu erhalten, wie sich diese Steuerungen an den Randbereichen verhalten, und Voxtral 3 TTS hatte einen Tag.

Die Lücke verringert sich bei allen Inhalten in einer europäischen Sprache, die nicht Englisch ist. Mistrals Modell wurde von Anfang an mehrsprachig konzipiert, mit nach eigenen Angaben über 50 Dialekten und allen 24 offiziellen EU-Sprachen, die von seiner Speech-Familie abgedeckt werden. ElevenLabs deckt 74 Sprachen ab, was in der Anzahl breiter ist, aber Anzahlbreite und Qualität pro Sprache sind unterschiedliche Aussagen, und keiner der Anbieter veröffentlicht Elo-Werte pro Sprache. Wenn Sie Niederländisch, Polnisch oder Portugiesisch ausliefern, sagt Ihnen keine der beiden Bestenlisten die Antwort; Sie müssen selbst hinhören.

Was man für 80 Dollar pro Million Zeichen tatsächlich bekommt

Dies ist der Teil des Vergleichs, an dem der Preisunterschied aufhört, wie ein Aufschlag zu wirken. Der Preis pro Zeichen von ElevenLabs ist in eine Plattform eingebunden: ein gemeinsamer Stimm-Marktplatz, aus dem man lizenzieren statt klonen kann, professionelles Voice-Cloning aus ungefähr 30 Minuten Audio mit einem Einwilligungs-Workflow, Dubbing, Soundeffekte, ein Conversational-Agent-Stack und mehrere Jahre an Client-Bibliotheken und Integrationen. Nichts davon taucht in einem Leaderboard auf, und alles davon ist Arbeit, die ein Team sonst selbst erledigen würde.

Mistrals Paket geht in eine andere Richtung. Voxtral 3 T​TS wird zusammen mit einem auf LiveKit basierenden Voice-Agent-SDK ausgeliefert, das SIP-Telefonie, WebRTC und IVR unterstützt, eine laut Hersteller unter einer Sekunde liegende Agent-Turn-Zeit bietet und einen Agent-Preis von 0,04 US-Dollar pro Minute hat, wobei Mistral Small 4 als Reasoning-Modell dient. Es kommt außerdem mit einer expliziten Argumentation für souveräne Bereitstellung: EU-, US- und globale Endpunkte, Selbstbereitstellung auf privater Infrastruktur und ein ausdrückliches Augenmerk darauf, wo Audio verarbeitet und ob es aufbewahrt wird. Für ein europäisches Unternehmen oder einen öffentlichen Auftraggeber ist das eine Beschaffungsantwort, die ElevenLabs derzeit nicht in derselben Form bietet.

Einfach gesagt: ElevenLabs verkauft Produktbreite, Mistral verkauft Kontrolle über das Deployment. Ein Team, das Synchronisation, Soundeffekte und einen lizenzierten Stimmkatalog braucht, wählt zwischen diesen beiden überhaupt nicht. Ein Team, das eine Stimme in einem Sprachpaar benötigt, die in einem Rechenzentrum läuft, das es selbst kontrolliert, zahlt für eine Menge ElevenLabs, die es nie einschalten wird.

Die Migrationsfrage, ehrlich gesagt

Die verlockende Formulierung lautet „Wechseln Sie von ElevenLabs und sparen Sie 84 %“. Rechnen Sie nach, bevor Sie das glauben, denn die Einsparung ist nur für Workloads real, die den Qualitätsverlust und die fehlenden Funktionen verkraften können.

• Reine Erzählung im großen Maßstab, eine einzige Sprache, keine lizenzierten Stimmen – die Ersparnis ist real. Tausend Stunden pro Monat kosten auf Eleven v4 ungefähr 4.320 $ gegenüber 700 $ auf Voxtral 3 T​TS, und der Zuhörer führt keine A/B-Vergleiche durch.

• Alles mit einer lizenzierten Prominenten- oder Markenstimme aus der ElevenLabs-Bibliothek — die Migration ist nicht möglich. Voxtral 3 T​TS hat keinen Marktplatz; Sie bringen 30 Minuten Audio mit und erstellen Ihre eigene Adaption.

• Alles, was für Nutzer sichtbar ist und wobei der Kunde einen kurzen Clip hochlädt und erwartet, sich selbst zu hören — ElevenLabs klont in etwa 30 Sekunden, und Voxtral bietet laut Mistrals Dokumentation überhaupt keinen Instant-Clone an.

• Alles, was bereits Dubbing, Soundeffekte oder den Conversational-Stack nutzt – der effektive Vergleich ist nicht $80 gegen $13, denn ein Wechsel bedeutet, Produkte zu ersetzen, die nie auf derselben Rechnungsposition standen.

Das realistische Muster ist eine Aufteilung: ElevenLabs für die Teile des Produkts beibehalten, in denen ein Mensch genau zuhört und möglicherweise vergleicht, und das Massen-Rendering auf das günstigere Modell verlagern. Diese Aufteilung sauber umzusetzen, ist ein Routing-Problem und kein Beschaffungsproblem. OrcaRouter stellt über 200 Modelle hinter einem einzigen OpenAI-kompatiblen Schlüssel bereit, wobei der Listenpreis des Anbieters bei 0 % Aufschlag durchgereicht wird, sodass ein Narration-Job mit Hausstimme und ein kundengerichteter Klon ohne einen zweiten Vertrag auf unterschiedliche Backends zeigen können – und wenn ein Endpunkt während des Renderns nachlässt, hält automatisches Failover den Job am Laufen. Zum Zeitpunkt dieses Textes ist weder Voxtral 3 TTS noch ElevenLabs im Katalog von OrcaRouter; beide sind über die eigenen APIs ihrer Anbieter und mehrere Drittanbieter-Plattformen erreichbar, und das Routing-Design ist das, was Sie jetzt bauen, damit der Wechsel später eine Konfigurationsänderung ist.

Was würde dieses Urteil ändern?

Drei Entwicklungen, von denen bisher keine eingetreten ist.

Beim ersten handelt es sich um einen Latenzwert. Mistral hat für Voxtral 3 TTS keine Time-to-First-Audio-Zeit veröffentlicht. Die einzigen Latenzangaben im Launch-Material gehören zum Echtzeit-Transkriptionsmodell (unter 500 ms) und zur Agent-Loop (unter einer Sekunde). Artificial Analysis meldet einen Median-Durchsatz von 112 Zeichen pro Sekunde; das ist schneller als die 56 von Eleven v3 und langsamer als die 145 von Sonic 3.6, aber Durchsatz ist nicht Startzeit. Wenn sich zeigt, dass Voxtral 3 TTS streamt und dabei einen First-Audio-Wert nahe dem von Cartesia erreicht, wird es ein Kandidat für interaktive Arbeit, und der Preis von ElevenLabs wirkt schlechter. Wenn nicht, bleibt ihm die Streaming-Kategorie verschlossen, und die $13 sind nur ein Preis für Batch-Rendering.

Der zweite Punkt ist eine unabhängige Bewertung auf Sprachebene. Die Punktzahlen des Boards sind aggregiert; ein Modell kann insgesamt 1.217 Elo erreichen und im Italienischen deutlich besser oder deutlich schlechter sein. Keiner der beiden Anbieter veröffentlicht die Aufschlüsselung, und für einen europäischen Käufer ist das die Zahl, die am meisten zählt.

Das dritte ist Ausdauer. Arena-Clips sind kurz. Mistrals Unterlagen geben keine maximale Generierungslänge für den TTS-Endpunkt an, und Langform-Kohärenz – das, worauf ElevenLabs’ Erzähl-Erbe aufbaut – ist für Voxtral 3 TTS bei keiner Länge getestet, die für einen Hörbuchproduzenten von Bedeutung wäre.

Bis diese erscheinen, ist die Entscheidung ungewöhnlich eindeutig. Wenn die Stimme Ihres Produkts von einem Kunden anhand eines kurzen Clips beurteilt wird, zahlen Sie für ElevenLabs und nehmen Sie Eleven v4 Turbo für 40 $ statt des Flaggschiffs für 80 $. Wenn die Stimme Ihres Produkts in großem Umfang, in einer europäischen Sprache, auf einer Infrastruktur, die Sie kontrollieren, generiert und eher wiedergegeben als live performt wird, ist Voxtral 3 T​TS für 13 $ eine vertretbare Wette mit einer bekannten Qualitätsobergrenze – und diese Obergrenze liegt 111 Punkte unter der des etablierten Anbieters, eine Zahl, mit der Sie planen können, statt einer Überraschung, die Sie im Review entdecken.