Gemini 3.8 TTS vs Cartesia Sonic 3.6 : Treize points Elo et seize dollars

Les deux modèles de synthèse vocale les plus proches du classement par vote à l’aveugle d’Artificial Analysis sont séparés d’une place et de seize dollars, et ces deux écarts pointent dans des directions opposées. Cartesia Sonic 3.6 occupe la première place avec un Elo Provider Voice Arena de 1 273 sur 1 757 échantillons. Gemini 3.8 Flash TTS occupe la deuxième place avec 1 260 sur 1 999 échantillons. L’écart d’Elo est de treize points — dans l’intervalle de confiance publié pour les deux — et l’écart de prix va dans l’autre sens, Gemini étant à 33,00 $ par million de caractères contre 49,00 $ pour Cartesia. Si vous devez choisir entre eux, la présentation honnête est que vous payez seize dollars par million de caractères pour une différence de qualité que le classement ne peut pas trancher.

C'est toute la décision, et cela vaut la peine de prendre son temps, car les deux modèles sont assez récents pour que presque rien d'autre n'ait été mesuré. Cartesia Sonic 3.6 est arrivé en août 2026. Gemini 3.8 Flash TTS est arrivé le 23 septembre 2026. Aucun des deux n'a de benchmark indépendant publié au-delà des votes de l'arène, et les votes de l'arène les placent à égalité statistique en tête.

Ce que le classement dit réellement

L'Artificial Analysis Provider Voice Arena est le classement utile ici, parce qu'il compare les voix natives propres à chaque fournisseur à celles de tous les autres, dans le cadre d'un vote par paires en aveugle. C'est une comparaison plus équitable qu'un classement à voix contrôlées pour répondre à la question « quel produit sonne le mieux », car il permet à chaque fournisseur de livrer les voix qu'il livre réellement.

• Rang 1 — Cartesia Sonic 3.6, Elo 1 273 avec un intervalle de 17 points, 1 757 échantillons, 8 voix Arena, sorti en août 2026, 49,0 $ par million de caractères.

• Rang 2 — Gemini 3.8 Flash TTS, Elo 1 260 avec un intervalle de 17 points, 1 999 échantillons, 8 voix d’arène, sorti en septembre 2026, 33,0 $ par million de caractères.

• Rang 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1 259, 1 447 échantillons, 15 voix d’arène, 27,6 $ pour 1 M de caractères.

• Du 4e au 9e rang, pour contexte — Inworld Realtime TTS-2 à 1 245, SpeechifyAI Simba 3.2 à 1 237, Google Gemini 3.8 Flash-Lite TTS à 1 235, VUI Labs Luna TTS à 1 230, Inworld Realtime TTS-2 Flash à 1 210, et BreezeBlue Breeze TTS 2 à 1 204.

Lisez les intervalles : les trois premiers se confondent. Le 1 273 de Sonic 3.6 présente un intervalle de dix-sept points ; celui de Gemini, 1 260, présente le même. Leurs intervalles se chevauchent sur presque toute leur largeur. Qwen-Audio-3.0-TTS-Plus, à 1 259, chevauche les deux. Le classement vous dit que ces trois-là sont indiscernables par préférence en aveugle sur les échantillons collectés jusqu’ici, et que l’ordre entre eux ne constitue pas une preuve stable.

Les nombres d’échantillons sont eux aussi trop proches pour expliquer la différence — 1 757 pour Cartesia contre 1 999 pour Gemini. Tous deux se situent dans les petits milliers, ce qui suffit à placer un modèle dans une bande, mais pas à départager des voisins au sein de celle-ci.

D'où viennent les seize dollars

La page de tarification de Cartesia elle-même ne publie pas de tarif par million de caractères pour Sonic. Elle vend des niveaux d’abonnement avec des minutes incluses — Free à 0 $ avec 20 000 crédits, soit environ 27 minutes de Sonic 3.6 ; Pro à 5 $ avec 100 000 crédits, soit environ 133 minutes ; Startup à 49 $ avec 1,25 million de crédits, soit environ 1 667 minutes ; Scale à 299 $ avec 8 millions de crédits, soit environ 10 667 minutes — ainsi que des limites de concurrence de 2, 3, 5 et 15 respectivement, la localisation vocale à 225 crédits par accent ajouté, la durée d’appel d’un agent vocal à 0,06 $ par minute, et la téléphonie à 0,014 $ par minute.

Ainsi, les 49,00 $ par million de caractères ne constituent pas le prix catalogue de Cartesia dans ses propres unités. C’est Artificial Analysis qui normalise les crédits de Cartesia en un dénominateur commun pour que le tableau puisse établir un classement par prix, tout simplement. C’est une chose légitime pour un tableau comparatif, et c’est le seul chiffre véritablement comparable disponible, mais cela signifie que le chiffre de Cartesia est un tarif dérivé, tandis que celui de Gemini est un tarif publié.

Le tarif de Google est simple. Gemini 3.8 Flash TTS facture 0,50 $ par million de jetons de texte en entrée et 9,00 $ par million de jetons d’audio en sortie jusqu’au 31 décembre 2026, puis 1,00 $ et 18,00 $. L’audio est comptabilisé à 25 jetons par seconde, de sorte que le tarif de sortie audio équivaut à environ 0,02 centime par seconde de parole. Flash-Lite TTS, son pendant moins cher, coûte 6,00 $ par million de jetons audio sur la même base de 25 jetons par seconde, et Artificial Analysis l’évalue à un équivalent de 22,10 $ par million de caractères, au rang 6 avec un Elo de 1 235.

• Prix pour 1 M de caractères — 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, tous avec des intervalles de 17 points pour les deux premiers.

• Voix de l’arène — 8 vs 8 vs 8.

• Échantillons — 1,757 vs 1,999 vs 2,000.

• Disponibilité — bêta hébergée de Cartesia vs l’API Gemini Developer de Google, en disponibilité générale.

• Version Weight — fermée pour les deux ; aucune n'est téléchargeable.

La partie que la comparaison des prix cache

Le « par million de caractères » est une unité pratique, et ce n'est pas ainsi que l'un ou l'autre produit facture.

L’unité de Cartesia est un crédit sur un abonnement, avec des plafonds de concurrence rattachés au palier. Cela signifie que le coût marginal de vos mille caractères suivants est nul jusqu’à ce que vous atteigniez le plafond, puis qu’il correspond au coût du palier supérieur. Pour une charge de travail dont le plafond est prévisible, c’est une meilleure affaire que ne le laisse penser le tarif par caractère — vous achetez de la marge, pas de la consommation. Pour une charge de travail qui connaît des pics, c’est pire, car une concurrence de 2 sur le palier Free et de 3 sur Pro est un mur infranchissable plutôt qu’un prix.

L'unité de Gemini est le token, facturé par appel, sans plafond de concurrence publié et avec trois niveaux de service — Standard, Batch et Flex, et Priority — à des tarifs différents. Batch et Flex réduisent de moitié le tarif audio à 4,50 $ par million de tokens sur Flash TTS ; Priority le porte à 16,20 $. C'est un modèle de coûts bien plus granulaire, et il récompense ce que la tarification de Google récompense habituellement : savoir à l'avance si une tâche est interactive ou par lots.

Lequel est donc moins cher dépend de si votre charge de travail vocale ressemble à un abonnement ou à un compteur. Les paliers de Cartesia sont tarifés pour des produits à volume stable et borné. Ceux de Gemini sont tarifés pour une consommation que vous pouvez classifier.

Ce que Cartesia a encore que Google n’a pas

Deux choses, et toutes deux concernent le fait d'être un produit vocal plutôt qu'un modèle vocal.

Cartesia vend directement une infrastructure de téléphonie et d’agents vocaux : 0,014 $ par minute pour la téléphonie, 0,06 $ par minute pour la durée d’appel d’un agent vocal, et la localisation vocale à 225 crédits par accent ajouté. Si vous créez un agent téléphonique, c’est une pile que vous pouvez acheter en un seul endroit. Gemini 3.8 Flash TTS est un point de terminaison de synthèse — il renvoie l’audio puis s’arrête. Vous fournissez vous-même le transport, la détection de tour de parole et la téléphonie, ou vous les assemblez à partir d’autres fournisseurs.

Cartesia figure également sur le classement depuis plus longtemps. Sa sortie en août, comparée à celle de Google en septembre, signifie qu'une plus grande partie de son nombre d'échantillons s'est accumulée face à une version stabilisée, tandis qu'un lancement en septembre continue de recueillir des votes. L'Elo d'un modèle lors de sa première semaine est une estimation plus bruitée que l'Elo du même modèle après un mois, et cela va à l'encontre d'une interprétation de l'écart de treize points comme une preuve en faveur de Cartesia.

Ce que Google a et que Cartesia n’a pas

La couverture linguistique est la plus évidente. Flash TTS prend en charge 130 langues avec détection automatique ; Flash-Lite en prend en charge 101. Le modèle de localisation de Cartesia est additif — vous achetez des accents en plus d’une voix de base, à 225 crédits chacun — ce qui constitue une approche différente et une courbe de coûts différente dès que vous dépassez une poignée de langues.

La surface de diffusion est la deuxième. Gemini 3.8 Flash TTS vous permet de diriger une réplique comme vous dirigeriez un acteur, de mettre en scène des scènes à deux voix en un seul appel et d'écrire des indications non verbales — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — directement dans le script. Il propose également la conception de voix à partir d'une description en langage naturel et la réplication de voix à partir d'un échantillon de 30 secondes avec vérification du consentement, un filigrane SynthID et des identifiants C2PA sur la sortie. Le remixage de voix est annoncé comme prochainement disponible.

Et il est en disponibilité générale, pas en bêta. Cartesia Sonic 3.6 est une bêta hébergée, ce qui en dit long sur la confiance du fournisseur dans le point de terminaison sous charge.

Lequel faut-il vraiment appeler ?

Si votre charge de travail correspond à un agent téléphonique avec un volume prévisible et que vous voulez la téléphonie, la concurrence et la synthèse auprès d’un seul fournisseur, Cartesia Sonic 3.6 est le choix cohérent, et l’écart de seize dollars est le prix à payer pour ne pas avoir à assembler trois fournisseurs vous-même.

Si votre charge de travail consiste en de la synthèse au sein d’un produit que vous exploitez déjà — narration, couche d’accessibilité, voix d’un bot d’assistance, passe de localisation en 130 langues —, Gemini 3.8 Flash TTS est moins cher par caractère, offre une couverture linguistique plus large, un contrôle du rendu plus fin, et est en disponibilité générale. La différence d’Elo n’est pas un argument contre lui, car cette différence d’Elo n’est pas statistiquement réelle.

Si vous voulez le moins cher des trois en tête du classement et pouvez accepter une liste de langues plus courte, Gemini 3.8 Flash-Lite TTS coûte 6,00 $ par million de jetons audio et se classe six places plus bas, à la 1 235e place — un écart qui se situe lui aussi dans le bruit.

Quel que soit votre choix, la voie de migration compte davantage que le choix lui-même, car les deux modèles sont nouveaux et les deux fournisseurs continuent d'affiner leurs réglages.une seule clé pour plus de 200 modèles au prix catalogue du fournisseur, sans marge, de sorte qu'une baisse de prix de l'un ou l'autre laboratoire se répercute sur votre facture le jour même plutôt qu'au renouvellement, un basculement automatique en cas d'échec d'un appel de synthèse, et un DSL de routage si vous voulez envoyer un traitement par lots à un modèle et un appel interactif à un autre. Nous n'hébergeons pas Cartesia Sonic 3.6 ni les points de terminaison TTS Gemini 3.8 — la synthèse de Cartesia est un produit à part et les modèles vocaux Gemini proviennent de l'API de Google — mais la couche texte et le chemin de basculement sont les nôtres, et ce sont ces éléments qui rendent un tout nouveau modèle sûr à essayer.

Ce qu’il faut surveiller, c’est la prochaine révision d’Artificial Analysis. Si Gemini 3.8 Flash TTS comble les treize points une fois que son nombre d’échantillons aura atteint sa maturité, l’écart de prix cesse d’être un arbitrage et devient une réponse évidente. Sinon, Cartesia conserve la couronne de la qualité et Google celle du prix, et le choix reste exactement là où il en est aujourd’hui : un abonnement avec la téléphonie rattachée, ou un compteur avec 130 langues rattachées.