Voxtral 3 TTS vs Cartesia Sonic 3.6: 72 Elo por 3,8 veces el precio

Cartesia Sonic 3.6 gana la discusión sobre calidad y Voxtral 3 T​TS se lleva la factura, y la magnitud de ambas diferencias es toda la comparación. En la tabla de clasificación Provider Voice de Artificial Analysis del 21 de octubre de 2026, Sonic 3.6 se sitúa en 1,289 Elo (n.º 4 de 98 sistemas evaluados) frente a 1,217 de Voxtral 3 T​TS (n.º 13). La brecha es de 72 puntos, cómodamente fuera de los intervalos de confianza de ambos modelos. La brecha de precio va en la dirección opuesta y es más amplia: $49 por millón de caracteres para Sonic 3.6 frente a $13 para Voxtral 3 T​TS — 3.8 veces más por un modelo que Mistral lanzó un día antes que esta lectura de la clasificación. Ninguna de las dos cifras está en disputa. Lo que está en disputa es cuánto vale en producción un margen de 72 puntos en escucha a ciegas, y eso depende por completo de lo que esté haciendo la voz. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Primero, qué midieron realmente las placas

Ambas cifras proceden de la misma fuente, lo que importa más de lo habitual en una categoría en la que cada proveedor publica su propio estudio de preferencias. Artificial Analysis gestiona dos tableros, y los dos modelos aparecen en ambos.

• Voz de proveedor: cada modelo se evalúa con sus propias voces nativas. Sonic 3.6: 1.289 Elo, n.º 4, intervalo del 95 % de 1.275–1.303, 2.732 comparaciones. Voxtral 3 T​TS: 1.217 Elo, n.º 13, intervalo de 1.202–1.232, 1.619 comparaciones.

• Voz controlada: cada modelo se clona sobre las mismas ocho voces de referencia, así que los oyentes comparan el motor en lugar de la selección de voces. Sonic 3.6: 1.151 Elo, n.º 5, intervalo 1.138–1.164. Voxtral 3 T​TS: 1.066 Elo, n.º 14, intervalo 1.049–1.083.

• Publicado — Sonic 3.6 en agosto de 2026; Voxtral 3 T​TS el 20 de octubre de 2026.

• Precio de lista: $49.00 por 1 millón de caracteres frente a $13.00 por 1 millón de caracteres, ambos según lo registrado por Artificial Analysis y coincidiendo con el precio público de cada proveedor.

• Rendimiento — mediana de 145 caracteres por segundo para Sonic 3.6 frente a 112 para Voxtral 3 T​TS, medida por Artificial Analysis.

• Pesos — cerrados en ambos casos. Ninguno de los dos puede autoalojarse bajo una licencia permisiva.

Hay dos detalles sobre esa tabla que son fáciles de pasar por alto y no deberían serlo. El resultado de Controlled Voice es el más honesto de los dos, porque elimina la ventaja de tener una buena biblioteca de voces, y ahí la diferencia se amplía de 72 puntos a 85. Sonic 3.6 no está ganando en la selección de voces; está ganando en la síntesis. El segundo detalle es el recuento de muestras. Voxtral 3 T​TS tiene 1.619 comparaciones en la tabla de proveedores, aproximadamente un 40 % menos que Sonic 3.6, y su intervalo es correspondientemente más amplio. Una puntuación del segundo día es una puntuación real, pero se moverá.

De dónde provienen 72 Elo, característica por característica

Elo es una suma de preferencias, no un diagnóstico, así que vale la pena preguntarse qué decisiones de producto lo produjeron. Los dos modelos se construyeron para tareas distintas y las especificaciones lo demuestran.

Cartesia creó un motor de streaming. La afirmación principal de Sonic 3.6 es un primer audio en menos de 90 milisegundos, desde una página de proveedor que pone la velocidad en primer plano. Sus controles son los que necesita un agente en vivo: indicaciones integradas como risas, modulación de volumen y velocidad, diccionarios de pronunciación personalizados y emoción inferida del contexto. Es un modelo diseñado para ser invocado a mitad de una conversación y empezar a hablar casi de inmediato.

Mistral ha creado una voz de estudio con una capa empresarial. Voxtral 3 TTS ofrece más de 35 idiomas y más de 50 dialectos, presets de voz en 18 idiomas, control a nivel de prompt sobre la emoción, el ritmo y el énfasis, pronunciación a nivel de fonema y una biblioteca de vocabulario. Su propuesta de clonación es «Pro Voice»: 30 minutos de audio para reproducir el carácter, el rango emocional y el estilo de un hablante en varios idiomas. Eso es un pipeline de adaptación, no un clon instantáneo.

La consecuencia práctica es que los dos modelos no compiten por el mismo hueco. Un proceso de adaptación de voz de 30 minutos es una operación de voz de marca; un clon instantáneo de 10 segundos es una función de cara al usuario. Si tu producto permite que un cliente suba un clip y se escuche con una voz generada, Sonic 3.6 lo hace y Voxtral 3 T​TS, según la documentación, no.

La asimetría de latencia lo agrava. Cartesia publica una cifra de latencia y Mistral no. Voxtral 3 TTS no tiene ninguna cifra publicada de tiempo hasta el primer audio en ningún punto del material de lanzamiento; la cifra más cercana es la afirmación de menos de 500 ms en el modelo separado de transcripción en tiempo real. Una cifra ausente no es una cifra mala, pero en una decisión de compra es un riesgo que usted asume, y el proveedor que publica su cifra es la opción predeterminada más segura para cualquier cosa interactiva.

La aritmética de los costos, a la escala en la que de verdad duele

El precio por carácter parece abstracto hasta que se multiplica por el volumen. A aproximadamente 900 caracteres por minuto hablado, una hora de habla continua equivale a unos 54.000 caracteres.

• Una hora de audio — Sonic 3.6: alrededor de $2,65. Voxtral 3 T​TS: alrededor de $0,70.

• Mil horas al mes — Sonic 3.6: unos $2,650. Voxtral 3 T​TS: unos $700. Una diferencia de aproximadamente $23,400 al año.

• Diez mil horas al mes — Sonic 3.6: unos 26.500 $. Voxtral 3 T​TS: unos 7.000 $. Una diferencia de aproximadamente 234.000 $ al año.

En el extremo inferior de ese rango, la diferencia es una partida presupuestaria por la que alguien discute. En el extremo superior, es una persona en plantilla. Ese es todo el argumento a favor de Voxtral 3 T​TS, y es contundente para cualquier carga de trabajo en la que la voz sea de formato largo y se prerrenderice: audiolibros, módulos de e-learning, narración de catálogos, flujos de doblaje. En esos trabajos, los 72 Elo se manifiestan como una lectura algo menos natural en una pequeña fracción de las frases, y el oyente no lo está comparando con nada.

Donde la aritmética cambia de forma es cuando los dos modelos desempeñan trabajos distintos en un mismo producto. Una línea de soporte necesita la latencia de Sonic 3.6 y su inicio en menos de un segundo; la narración de marketing de la misma empresa, no. Pagar 49 USD por el segundo trabajo son 49 USD gastados en una capacidad que ese trabajo no puede usar, y la forma más limpia de conservar ambos sin dos procesos de adquisición es una capa de enrutamiento que trate el modelo como un parámetro. Ese es el argumento a favor de la configuración de OrcaRouter y no de ninguno de los dos proveedores: una API compatible con OpenAI para más de 200 modelos, el precio de lista del proveedor trasladado con un 0 % de margen, y un DSL de enrutamiento que puede enviar un trabajo de narración por lotes y una llamada en tiempo real a distintos backends con la misma clave. Ni Sonic 3.6 ni Voxtral 3 T​TS están en el catálogo de OrcaRouter en el momento de escribir esto, así que hoy se accede a ambos a través de las propias API de sus proveedores y de varias plataformas de terceros; la cuestión es la forma de la integración cuando lo estén.

Tres objeciones que lo deciden en la práctica

Lo primero es el idioma. Cartesia anuncia 44 idiomas con un solo modelo. Mistral anuncia más de 35 idiomas y más de 50 dialectos, con presets en 18. Sobre el papel, Mistral abarca más terreno; en la práctica, el recuento de dialectos es una promesa sobre la amplitud de la cobertura, no la promesa de que cada dialecto se haya evaluado. Si tu hoja de ruta incluye un mercado para el que ninguno de los dos proveedores tiene una demo, pide una muestra en lugar de fiarte del recuento. El único punto en el que Mistral es inequívocamente más fuerte es la cobertura europea: afirma cubrir los 24 idiomas oficiales de la UE con sus modelos de transcripción y más de 35 con los de síntesis, y Mistral es una empresa francesa que vende a la contratación pública de la UE con opciones de residencia de datos en endpoints de la UE, EE. UU. y globales. Sonic 3.6 no tiene una historia equivalente de despliegue soberano.

El segundo es el control de pronunciación en producción. Aquí es donde más engaña la brecha de Elo. Un modelo que lee «Dr. Nguyen» correctamente sin un diccionario puede quedar por debajo de uno que suena más natural en prosa genérica. Voxtral 3 TTS incluye una biblioteca de vocabulario y control de fonemas; Sonic 3.6 incluye diccionarios de pronunciación personalizados y pautas de locución integradas. Ambos tienen la función. La de Mistral está orientada a nombres y términos de marca en contenido empresarial; la de Cartesia apunta al mismo problema dentro de una llamada en streaming. Pon a prueba tu propio léxico —una lista de nombres de productos, apellidos y siglas leídos en voz alta— antes de que la puntuación de cualquiera de los dos tenga voto.

El tercero es lo que ocurre cuando un proveedor tiene una mala tarde. Una canalización de voz de un solo endpoint falla en cerrado: el endpoint se degrada y el producto se queda en silencio. Sonic 3.6 y Voxtral 3 T​TS se asientan sobre infraestructuras distintas con modos de fallo diferentes, y vale la pena diseñar la ruta de respaldo entre ambos antes de necesitarla. La conmutación automática por error entre proveedores es exactamente lo que un enrutador te aporta aquí, y es más valioso en voz que en texto porque un token perdido es invisible y una sílaba perdida no lo es.

Entonces, ¿cuál?

Elige Cartesia Sonic 3.6cuando la voz forma parte de una conversación: agentes telefónicos, asistentes dentro de la aplicación, NPC de videojuegos, cualquier caso en el que la primera sílaba llegue antes de que el usuario termine de leer el indicador de carga. Estás pagando 49 $ por millón de caracteres por un modelo que arranca en menos de 90 milisegundos y obtiene 1.289 puntos en la tabla, y el precio es defendible frente a cualquier otro modelo de esa clase de latencia.

Elige Voxtral 3 T​TS cuando la voz sea el contenido: narración, doblaje, la voz de marca en todo un catálogo, cualquier cosa que se genere por adelantado y se reproduzca después. Estás pagando 13 $ por un modelo que está 72 puntos Elo por detrás del líder y es 3,8 veces más barato, con residencia de datos en la UE y un flujo de adaptación de voz de 30 minutos que encaja mejor con una única voz corporativa que con un clon por usuario.

No elijas ninguno de los dos de forma exclusiva si distribuyes ambos tipos de audio. El error que debes evitar es elegir una vez y luego pagar la tarifa del modelo premium por trabajo que el modelo barato puede hacer, o absorber la latencia del modelo barato en un lugar donde es fatal. Dos endpoints detrás de una sola clave es la configuración que evita que la decisión sea permanente.

La pregunta abierta es cuál resulta ser la cifra de latencia que le falta a Mistral. Si Voxtral 3 TTS transmite en streaming con una cifra de primer audio en cualquier punto cercana a la de Cartesia, el precio de $13 se convierte en un hecho mucho más difícil de discutir y los 72 Elo se convierten en lo único que Sonic 3.6 todavía tiene. Mistral no lo ha publicado, ningún tercero lo ha medido, y hasta que una de esas cosas cambie, el espacio de streaming pertenece a Cartesia por defecto.