Gemini 3.8 TTS vs Cartesia Sonic 3.6: Trece puntos Elo y dieciséis dólares

Los dos modelos de texto a voz más cercanos en la tabla de clasificación por votación ciega de Artificial Analysis están a una posición de distancia y a dieciséis dólares de distancia, y esas dos brechas apuntan en direcciones opuestas. Cartesia Sonic 3.6 ocupa el número uno con un Elo de Provider Voice Arena de 1.273 en 1.757 muestras. Gemini 3.8 Flash TTS ocupa el número dos con 1.260 en 1.999 muestras. La brecha de Elo es de trece puntos —dentro del intervalo de confianza publicado para ambos— y la brecha de precio va en la dirección contraria, con Gemini a 33,00 $ por millón de caracteres frente a los 49,00 $ de Cartesia. Si estás eligiendo entre ambos, el planteamiento honesto es que estás pagando dieciséis dólares por millón de caracteres por una diferencia de calidad que la tabla de clasificación no puede resolver.

Esa es toda la decisión, y vale la pena tomárselo con calma porque ambos modelos son tan nuevos que casi no se ha medido nada más. Cartesia Sonic 3.6 llegó en agosto de 2026. Gemini 3.8 Flash TTS llegó el 23 de septiembre de 2026. Ninguno tiene un benchmark independiente publicado más allá de los votos de la arena, y los votos de la arena los colocan en un empate estadístico en la cima.

Lo que realmente dice la tabla de clasificación

La Artificial Analysis Provider Voice Arena es la tabla útil aquí porque compara las voces nativas propias de cada proveedor con las de todos los demás, en un voto ciego por pares. Es una comparación más justa que una tabla de voz controlada para la pregunta «cuál producto suena mejor», porque permite que cada proveedor publique las voces que realmente publica.

• Puesto 1 — Cartesia Sonic 3.6, Elo 1.273 con un intervalo de 17 puntos, 1.757 muestras, 8 voces de arena, lanzado en agosto de 2026, $49,0 por 1M de caracteres.

• Puesto 2 — Gemini 3.8 Flash TTS, Elo 1.260 con un intervalo de 17 puntos, 1.999 muestras, 8 voces de arena, publicado en septiembre de 2026, 33,0 $ por 1 millón de caracteres.

• Puesto 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1.259, 1.447 muestras, 15 voces de arena, 27,6 $ por 1 millón de caracteres.

• Del puesto 4 al 9, para contexto — Inworld Realtime TTS-2 con 1.245, SpeechifyAI Simba 3.2 con 1.237, Google Gemini 3.8 Flash-Lite TTS con 1.235, VUI Labs Luna TTS con 1.230, Inworld Realtime TTS-2 Flash con 1.210 y BreezeBlue Breeze TTS 2 con 1.204.

Lee los intervalos y los tres primeros se funden entre sí. El 1.273 de Sonic 3.6 tiene un rango de diecisiete puntos; el 1.260 de Gemini tiene el mismo. Sus rangos se superponen en casi toda su amplitud. Qwen-Audio-3.0-TTS-Plus con 1.259 se superpone con ambos. El tablero te está diciendo que estos tres son indistinguibles por preferencia a ciegas en las muestras recogidas hasta ahora, y que el orden entre ellos no es evidencia estable.

Los recuentos de muestras también son lo bastante parecidos como para no explicar la diferencia: 1.757 para Cartesia frente a 1.999 para Gemini. Ambos están en el orden de los miles bajos, lo que basta para situar a un modelo en una banda, pero no para separar a los vecinos dentro de ella.

De dónde vienen los dieciséis dólares

La propia página de precios de Cartesia no publica una tarifa por millón de caracteres para Sonic. Vende niveles de suscripción con minutos incluidos: Free a $0 con 20.000 créditos, aproximadamente 27 minutos de Sonic 3.6; Pro a $5 con 100.000 créditos, aproximadamente 133 minutos; Startup a $49 con 1,25 millones de créditos, aproximadamente 1.667 minutos; Scale a $299 con 8 millones de créditos, aproximadamente 10.667 minutos —además de límites de concurrencia de 2, 3, 5 y 15, respectivamente, localización de voz a 225 créditos por acento añadido, duración de llamada de agente de voz a $0,06 por minuto y telefonía a $0,014 por minuto.

Así que los $49.00 por millón de caracteres no son el precio de lista de Cartesia en sus propias unidades. Es Artificial Analysis normalizando los créditos de Cartesia a un denominador común para que la tabla pueda clasificar por precio, al menos. Eso es algo legítimo que puede hacer una tabla comparativa, y es la única cifra equiparable disponible, pero significa que el número de Cartesia es una tarifa derivada, mientras que el de Gemini es una publicada.

La tarifa de Google es sencilla. Gemini 3.8 Flash TTS cobra $0.50 por millón de tokens de texto de entrada y $9.00 por millón de tokens de audio de salida hasta el 31 de diciembre de 2026, y después $1.00 y $18.00. El audio se mide a 25 tokens por segundo, por lo que la tarifa de salida de audio equivale a aproximadamente 0.02 centavos por segundo de voz. Flash-Lite TTS, la versión hermana más económica, cuesta $6.00 por millón de tokens de audio con la misma base de 25 tokens por segundo, y Artificial Analysis la sitúa en un equivalente de $22.10 por 1M de caracteres en el puesto 6 con un Elo de 1,235.

• Precio por 1 millón de caracteres — 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, todos con intervalos de 17 puntos en los dos primeros.

• Voces de Arena — 8 vs 8 vs 8.

• Muestras — 1.757 vs 1.999 vs 2.000.

• Disponibilidad — beta alojada de Cartesia frente a la propia API Gemini Developer de Google, disponible de forma general.

• Versión de peso — cerrada para ambas; ninguna es descargable.

La parte que oculta la comparación de precios

El precio por millón de caracteres es una unidad conveniente y no es cómo factura ninguno de los dos productos.

La unidad de Cartesia es un crédito contra una suscripción, con límites de concurrencia vinculados al nivel. Eso significa que el costo marginal de tus siguientes mil caracteres es cero hasta que alcanzas el límite, y luego es el costo del siguiente nivel superior. Para una carga de trabajo con un techo predecible, es una mejor oferta de lo que sugiere la tarifa por carácter: estás comprando capacidad de reserva, no consumo. Para una carga de trabajo con picos, es peor, porque una concurrencia de 2 en el nivel Free y de 3 en Pro es un muro infranqueable en lugar de un precio.

La unidad de Gemini es un token, medido por llamada, sin un límite de concurrencia publicado y con tres niveles de servicio —Standard, Batch y Flex, y Priority— a distintas tarifas. Batch y Flex reducen a la mitad la tarifa de audio a $4,50 por millón de tokens en Flash TTS; Priority la eleva a $16,20. Ese es un modelo de costos mucho más granular, y recompensa lo que el sistema de precios de Google suele recompensar: saber de antemano si un trabajo es interactivo o por lotes.

Por lo tanto, cuál es más barato depende de si tu carga de trabajo de voz se parece a una suscripción o a un medidor. Los niveles de Cartesia tienen precios para productos con volumen estable y acotado. Los de Gemini tienen precios para consumo que puedes clasificar.

Lo que Cartesia aún tiene que Google no tiene

Dos cosas, y ambas tienen que ver con ser un producto de voz en lugar de un modelo de voz.

Cartesia vende infraestructura de telefonía y de agentes de voz directamente: 0,014 $ por minuto de telefonía, 0,06 $ por minuto de duración de llamada del agente de voz, y localización de voz a 225 créditos por cada acento añadido. Si estás creando un agente telefónico, esa es una pila que puedes comprar en un solo lugar. Gemini 3.8 Flash TTS es un endpoint de síntesis: devuelve audio y se detiene. Tú mismo aportas el transporte, la detección de turnos y la telefonía, o los ensamblas a partir de otros proveedores.

Cartesia también lleva más tiempo en la tabla. Su fecha de lanzamiento en agosto frente a la de Google en septiembre significa que una mayor parte de su recuento de muestras se acumuló con una versión ya establecida, mientras que un lanzamiento de septiembre todavía está recopilando votos. El Elo de un modelo en su primera semana es una estimación más ruidosa que el Elo del mismo modelo después de un mes, y eso va en contra de interpretar la diferencia de trece puntos como evidencia a favor de Cartesia.

Lo que Google tiene que Cartesia no tiene

La cobertura de idiomas es la más clara. Flash TTS admite 130 idiomas con detección automática; Flash-Lite admite 101. El modelo de localización de Cartesia es aditivo —compras acentos sobre una voz base a 225 créditos cada uno—, lo cual es un enfoque diferente y una curva de costos diferente una vez que superas un puñado de idiomas.

La superficie de entrega es la segunda. Gemini 3.8 Flash TTS te permite dirigir una línea tal como dirigirías a un actor, montar escenas de dos hablantes dentro de una sola llamada y escribir indicaciones no verbales — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — directamente en el guion. También ofrece diseño de voz a partir de una descripción en lenguaje natural y replicación de voz a partir de una muestra de 30 segundos con verificación del consentimiento, una marca de agua SynthID y credenciales C2PA en la salida. La remezcla de voz figura como próxima función.

Y tiene disponibilidad general, no está en beta. Cartesia Sonic 3.6 es una beta alojada, lo que constituye una declaración sobre la confianza del propio proveedor en el endpoint bajo carga.

¿A cuál llamar realmente?

Si tu carga de trabajo es un agente telefónico con un volumen predecible y quieres telefonía, concurrencia y síntesis de un solo proveedor, Cartesia Sonic 3.6 es la opción coherente, y la diferencia de dieciséis dólares es el precio de no ensamblar tres proveedores tú mismo.

Si su carga de trabajo es la síntesis dentro de un producto que ya opera —narración, una capa de accesibilidad, la voz de un bot de soporte, una pasada de localización en 130 idiomas—, Gemini 3.8 Flash TTS es más barato por carácter, más amplio en cobertura de idiomas, más fino en el control de la entrega y está disponible de forma general. La diferencia de Elo no argumenta en su contra, porque la diferencia de Elo no es estadísticamente real.

Si quieres el más barato de los tres en lo más alto de la clasificación y puedes aceptar una lista de idiomas más corta, Gemini 3.8 Flash-Lite TTS cuesta $6.00 por millón de tokens de audio y se sitúa seis puestos más abajo, en 1,235 — una brecha que también queda dentro del margen de ruido.

Elijas lo que elijas, la ruta de migración importa más que la elección, porque ambos modelos son nuevos y ambos proveedores todavía están ajustando. OrcaRouter es la cobertura: una sola clave para más de 200 modelos al precio de lista del proveedor y sin margen añadido, así que un recorte de precios de cualquiera de los dos laboratorios llega a tu factura el mismo día en lugar de en la renovación, conmutación automática por error si falla una llamada de síntesis, y un DSL de enrutamiento si quieres enviar un trabajo por lotes a un modelo y una llamada interactiva a otro. No alojamos los endpoints de Cartesia Sonic 3.6 ni los de Gemini 3.8 TTS —la síntesis de Cartesia es su propio producto y los modelos de voz de Gemini provienen de la API de Google—, pero la capa de texto y la ruta de conmutación por error son nuestras, y esas son las partes que hacen que sea seguro probar un modelo totalmente nuevo.

Lo que hay que vigilar es la próxima revisión de Artificial Analysis. Si Gemini 3.8 Flash TTS cierra los trece puntos cuando su número de muestras madure, la diferencia de precio deja de ser una disyuntiva y pasa a ser una respuesta inequívoca. Si no lo hace, Cartesia conserva la corona de la calidad y Google la del precio, y la elección se queda exactamente donde está ahora: una suscripción con telefonía incluida, o un medidor con 130 idiomas incluidos.