Voxtral 3 TTS frente a ElevenLabs: seis veces más barato, cien puntos por detrás

Mistral fijó el precio de Voxtral 3 T​TS en 13 $ por millón de caracteres y lo lanzó a un mercado en el que el modelo con el que todos lo comparan, ElevenLabs Eleven v4, cuesta 80 $ y obtiene 1.328 Elo frente a los 1.217 de Voxtral. Eso son 111 puntos de preferencia de oyentes en pruebas a ciegas a cambio de 6,2 veces el precio, y a primera vista el modelo barato no se acerca lo suficiente como para ser relevante. Aun así importa, por una razón que la tabla de puntuaciones no muestra: ElevenLabs no solo vende síntesis. Vende una plataforma de voz —una biblioteca, doblaje, agentes, clonación profesional—, y la mayoría de los equipos que pagan 80 $ por millón de caracteres pagan tanto por la plataforma como por la voz. Voxtral 3 T​TS, lanzado el 20 de octubre de 2026, llega en cambio dentro de un SDK para agentes y de una propuesta de despliegue con soberanía de la UE. Por tanto, la comparación que decide una compra no es "cuál suena mejor", porque esa ya está resuelta, sino "cuál de esos dos paquetes es el que realmente necesitas". Los fallos documentados de IA y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

El marcador, antes que nada

• Elo de voz del proveedor — ElevenLabs Eleven v4: 1,328 (n.º 2 de 98). Voxtral 3 T​TS: 1,217 (n.º 13). Ambos según Artificial Analysis, consultado el 21 de octubre de 2026.

• Elo de voz controlada — Eleven v4: 1,157 (#4, empatado con Eleven v4 Turbo). Voxtral 3 TTS: 1,066 (#14).

• Precio de lista por 1 millón de caracteres: $80.00 vs $13.00.

• Idiomas — ElevenLabs: 74 en todos los planes. Voxtral 3 TTS: 35+ idiomas y 50+ dialectos, con preajustes en 18.

• Clonación instantánea — ElevenLabs: a partir de unos 30 segundos de audio en los planes de pago. Voxtral 3 TTS: no se ha publicado ninguna clonación instantánea; la adaptación «Pro Voice» requiere 30 minutos de audio.

• Pesos — cerrado para ambos.

Una línea de esa lista merece una segunda mirada: el buque insignia más barato de la propia ElevenLabs. Eleven v4 Turbo obtiene 1.333 —cinco puntos por encima de Eleven v4, dentro del ruido— a 40 $ por millón de caracteres, exactamente la mitad del precio. Si la elección es puramente «la mejor voz que vende ElevenLabs», Turbo es la compra sensata y reduce la brecha con Voxtral 3 T​TS de 111 Elo a 116 por solo el triple de dinero. La escalera de precios de ElevenLabs es más amplia de lo que admiten la mayoría de las comparaciones de este enfrentamiento.

Cómo se ven los 111 puntos en un producto

Una diferencia de Elo de ese tamaño no es sutil. En una escucha ciega lado a lado, es la diferencia que un oyente nota en la primera frase, no en la quinta —comparable a la diferencia entre Eleven v3 y Eleven v4 dentro de la propia línea de ElevenLabs (1,182 frente a 1,328). Sonic 3.6 de Cartesia, con 1,289, se sitúa en medio y es el modelo que socava más directamente la lectura de "obtienes lo que pagas"; supera a Voxtral por 72 y cuesta $49, la mitad de Eleven v4.

Donde se concentra la brecha es en el control de la entrega sobre material expresivo. La generación v4 de ElevenLabs gira en torno a etiquetas de audio —instrucciones en línea sobre emoción, ritmo y énfasis integradas en el texto— y en torno a una biblioteca de voces lo bastante extensa como para que la mayoría de los equipos nunca lleguen a clonar. El Voxtral 3 T​TS de Mistral ofrece control a nivel de prompt de la emoción, el ritmo y el énfasis, además de pronunciación a nivel de fonema y una biblioteca de vocabulario. Ambos exponen la dirección. ElevenLabs ha tenido dos generaciones de comentarios públicos sobre cómo se comportan esos controles en los extremos, y Voxtral 3 T​TS ha tenido un día.

Donde se reduce la brecha es en cualquier lengua europea que no sea el inglés. El modelo de Mistral se diseñó con un enfoque multilingüe desde el inicio, con más de 50 dialectos declarados y las 24 lenguas oficiales de la UE cubiertas en toda su familia de voz. ElevenLabs cubre 74 idiomas, lo que es más amplio en número, pero la amplitud del número y la calidad por idioma son afirmaciones distintas, y ningún proveedor publica el Elo por idioma. Si vas a lanzar neerlandés, polaco o portugués, ninguna de las dos tablas de clasificación te da la respuesta; tienes que escucharlo.

Qué se compra realmente con $80 por millón de caracteres

Esta es la parte de la comparación en la que la diferencia de precio deja de parecer un sobreprecio. La tarifa por carácter de ElevenLabs está integrada en una plataforma: un mercado compartido de voces del que puedes obtener licencias en lugar de clonar, clonación profesional de voces a partir de unos 30 minutos de audio con un flujo de consentimiento, doblaje, efectos de sonido, una pila de agentes conversacionales y varios años de bibliotecas de cliente e integraciones. Nada de eso aparece en una clasificación, y todo ello es trabajo que, de otro modo, tendría que hacer un equipo.

El paquete de Mistral apunta en una dirección diferente. Voxtral 3 T​TS se lanza junto con un SDK de agentes de voz basado en LiveKit con compatibilidad con telefonía SIP, WebRTC e IVR, un turno de agente que, según se afirma, dura menos de un segundo, y un precio por minuto de agente de 0,04 USD con Mistral Small 4 como modelo de razonamiento. También se lanza con una propuesta explícita de despliegue soberano: endpoints en la UE, EE. UU. y globales, autodespliegue en infraestructura privada y una preocupación declarada por dónde se procesa el audio y si se conserva. Para una empresa europea o un comprador del sector público, esa es una respuesta de contratación que ElevenLabs no iguala actualmente de la misma forma.

En pocas palabras: ElevenLabs vende amplitud de producto; Mistral vende control del despliegue. Un equipo que necesita doblaje, efectos de sonido y un catálogo de voces con licencia no está eligiendo entre estos dos en absoluto. Un equipo que necesita una voz, en un único par de idiomas, ejecutándose en un centro de datos que controla, está pagando por una gran cantidad de ElevenLabs que nunca activará.

La cuestión migratoria, con honestidad

El planteamiento tentador es «cámbiate de ElevenLabs y ahorra un 84 %». Haz los números antes de creerlo, porque el ahorro solo es real para cargas de trabajo que puedan absorber la regresión de calidad y las funciones que faltan.

• Narración pura a escala, un solo idioma, sin voces bajo licencia: el ahorro es real. Mil horas al mes son aproximadamente $4,320 en Eleven v4 frente a $700 en Voxtral 3 T​TS, y el oyente no está haciendo comparaciones A/B.

• Cualquier cosa con una voz de celebridad o de marca bajo licencia de la biblioteca de ElevenLabs — la migración no es posible. Voxtral 3 T​TS no tiene marketplace; tú aportas 30 minutos de audio y produces tu propia adaptación.

• Cualquier caso de cara al usuario en el que el cliente suba un clip corto y espere escucharse a sí mismo: ElevenLabs clona en unos 30 segundos y Voxtral, según la documentación de Mistral, no ofrece ninguna clonación instantánea.

• Cualquier cosa que ya utilice doblaje, efectos de sonido o el stack conversacional — la comparación efectiva no es entre $80 y $13, porque irse significa reemplazar productos que nunca estuvieron en la misma línea de factura.

El patrón realista es una división: mantener ElevenLabs para las partes del producto en las que una persona está escuchando con atención y puede comparar, y trasladar el renderizado masivo al modelo más económico. Ejecutar esa división de forma limpia es un problema de enrutamiento, no de compras. OrcaRouter expone más de 200 modelos detrás de una única clave compatible con OpenAI con el precio de lista del proveedor trasladado sin margen (0 %), de modo que un trabajo de narración con la voz de la casa y un clon de cara al cliente pueden apuntar a backends distintos sin un segundo contrato; y si un endpoint se degrada a mitad del renderizado, la conmutación automática por error mantiene el trabajo en marcha. En el momento de escribir esto, ni Voxtral 3 T​TS ni ElevenLabs están en el catálogo de OrcaRouter; ambos son accesibles a través de las propias API de sus proveedores y de varias plataformas de terceros, y el diseño de enrutamiento es lo que se construye ahora para que el cambio sea una modificación de configuración más adelante.

¿Qué cambiaría este veredicto?

Tres acontecimientos, ninguno de los cuales ha ocurrido todavía.

El primero es un dato de latencia. Mistral no ha publicado el tiempo hasta el primer audio de Voxtral 3 TTS. Las únicas cifras de latencia en el material de lanzamiento pertenecen al modelo de transcripción en tiempo real (menos de 500 ms) y al bucle del agente (menos de un segundo). Artificial Analysis informa de un rendimiento mediano de 112 caracteres por segundo, más rápido que los 56 de Eleven v3 y más lento que los 145 de Sonic 3.6, pero el rendimiento no es el tiempo de inicio. Si resulta que Voxtral 3 TTS transmite en streaming con una cifra de primer audio cercana a la de Cartesia, se convierte en candidato para trabajo interactivo y el precio de ElevenLabs parece peor. Si no lo hace, la categoría de streaming sigue cerrada para él y los 13 $ son solo un precio de renderizado por lotes.

El segundo es una evaluación independiente a nivel de idioma. Las puntuaciones del ranking son agregadas; un modelo puede tener 1.217 de Elo en general y ser mucho mejor o mucho peor en italiano. Ninguno de los dos proveedores publica el desglose, y para un comprador europeo ese es el dato que más importa.

El tercero es la resistencia. Los clips de Arena son cortos. Los materiales de Mistral no indican una longitud máxima de generación para el endpoint TTS, y la coherencia de formato largo —aquello en lo que se basa el legado de narración de ElevenLabs— no está probada para Voxtral 3 TTS en ninguna longitud que le importe a un productor de audiolibros.

Hasta que lleguen, la decisión es inusualmente sencilla. Si un cliente juzga la voz de tu producto en un clip corto, paga por ElevenLabs y paga por Eleven v4 Turbo a $40 en lugar de la opción insignia de $80. Si la voz de tu producto se genera en masa, en un idioma europeo, en infraestructura que controlas y se reproduce en lugar de interpretarse en vivo, Voxtral 3 T​TS a $13 es una apuesta defendible con un techo de calidad conocido —y el techo está 111 puntos por debajo del líder actual, que es un número con el que puedes planificar en lugar de una sorpresa que descubres en la revisión.