Voxtral 3 TTS vs Cartesia Sonic 3.6 : 72 Elo pour un prix 3,8 fois plus élevé

Cartesia Sonic 3.6 l’emporte sur l’argument de la qualité et Voxtral 3 T​TS l’emporte sur la facture, et l’ampleur des deux écarts fait toute la comparaison. Dans le classement Provider Voice d’Artificial Analysis du 21 octobre 2026, Sonic 3.6 se situe à 1 289 points Elo (n°4 sur 98 systèmes évalués) contre 1 217 pour Voxtral 3 T​TS (n°13). L’écart est de 72 points, largement en dehors des intervalles de confiance des deux modèles. L’écart de prix va dans l’autre sens et est plus large : 49 $ par million de caractères pour Sonic 3.6, contre 13 $ pour Voxtral 3 T​TS — 3,8 fois plus pour un modèle que Mistral a livré un jour plus tôt que cette lecture du classement. Aucun des deux chiffres n’est contesté. Ce qui est contesté, c’est ce que vaut en production un écart de 72 points en écoute à l’aveugle, et cela dépend entièrement de ce que fait la voix. Les défaillances documentées de l’IA et les incidents d’agents derrière des versions comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Premièrement, ce que les conseils ont réellement mesuré

Les deux chiffres proviennent de la même source, ce qui compte plus que d’habitude dans une catégorie où chaque fournisseur publie sa propre étude de préférence. Artificial Analysis gère deux classements, et les deux modèles y figurent tous les deux.

• Voix du fournisseur — chaque modèle est évalué avec ses propres voix natives. Sonic 3.6 : 1 289 Elo, n° 4, intervalle à 95 % 1 275–1 303, 2 732 comparaisons. Voxtral 3 TTS : 1 217 Elo, n° 13, intervalle 1 202–1 232, 1 619 comparaisons.

• Voix contrôlée — chaque modèle est cloné sur les mêmes huit voix de référence, afin que les auditeurs comparent le moteur plutôt que le choix des voix. Sonic 3.6 : 1 151 Elo, n° 5, intervalle 1 138–1 164. Voxtral 3 T​TS : 1 066 Elo, n° 14, intervalle 1 049–1 083.

• Sortie — Sonic 3.6 en août 2026 ; Voxtral 3 TTS le 20 octobre 2026.

• Prix catalogue — 49,00 $ pour 1 million de caractères contre 13,00 $ pour 1 million de caractères, les deux selon le suivi d’Artificial Analysis et conformes aux tarifs publics de chaque fournisseur.

Débit — médiane de 145 caractères par seconde pour Sonic 3.6 contre 112 pour Voxtral 3 TTS, mesuré par Artificial Analysis.

• Poids — fermés pour les deux. Aucun des deux ne peut être auto-hébergé sous une licence permissive.

Deux détails concernant ce tableau sont faciles à négliger, et ne devraient pas l’être. Le résultat Controlled Voice est le plus honnête des deux, car il supprime l’avantage de disposer d’une bonne bibliothèque de voix, et c’est là que l’écart passe de 72 points à 85. Sonic 3.6 ne gagne pas sur le choix des voix ; il gagne sur la synthèse. Le second détail est le nombre d’échantillons. Voxtral 3 T​TS compte 1 619 comparaisons sur le tableau des fournisseurs, soit environ 40 % de moins que Sonic 3.6, et son intervalle est d’autant plus large. Un score du deuxième jour est un vrai score, mais il évoluera.

D’où proviennent les 72 Elo, fonctionnalité par fonctionnalité

L'Elo est une somme de préférences, pas un diagnostic ; il vaut donc la peine de se demander quelles décisions produit ont produit ce résultat. Les deux modèles ont été conçus pour des tâches différentes, et les spécifications le montrent.

Cartesia a construit un moteur de streaming. La promesse phare de Sonic 3.6 est une première audio en moins de 90 millisecondes, sur une page fournisseur qui met en avant la vitesse. Ses contrôles sont ceux dont un agent en direct a besoin : des repères intégrés tels que le rire, la modulation du volume et de la vitesse, des dictionnaires de prononciation personnalisés, l’émotion déduite du contexte. C’est un modèle conçu pour être appelé en pleine conversation et pour commencer à parler presque immédiatement.

Mistral a créé une voix de studio avec un habillage entreprise. Voxtral 3 TTS propose plus de 35 langues et plus de 50 dialectes, des préréglages de voix dans 18 langues, un contrôle au niveau du prompt de l’émotion, du rythme et de l’accentuation, une prononciation au niveau des phonèmes et une bibliothèque de vocabulaire. Sa fonction de clonage s’appelle « Pro Voice » : 30 minutes d’audio pour reproduire le caractère, la palette émotionnelle et le style d’un locuteur dans plusieurs langues. Il s’agit d’un pipeline d’adaptation, pas d’un clone instantané.

La conséquence pratique est que les deux modèles ne sont pas en concurrence pour le même créneau. Un processus d’adaptation vocale de 30 minutes est une opération de voix de marque ; un clonage instantané en 10 secondes est une fonctionnalité destinée à l’utilisateur. Si votre produit permet à un client de téléverser un extrait et de s’entendre dans une voix générée, Sonic 3.6 le fait et Voxtral 3 T​TS, comme documenté, ne le fait pas.

L'asymétrie de latence vient s'y ajouter. Cartesia publie un chiffre de latence, Mistral non. Voxtral 3 TTS n'affiche nulle part, dans aucun document de lancement, de délai jusqu'au premier audio ; le chiffre le plus proche est la promesse d'un délai inférieur à 500 ms sur le modèle de transcription temps réel, distinct. Une donnée manquante n'est pas une mauvaise donnée, mais dans une décision d'achat, c'est un risque que vous assumez, et le fournisseur qui publie son chiffre constitue l'option par défaut la plus sûre pour tout usage interactif.

L'arithmétique des coûts, à l'échelle où elle fait mal

La tarification au caractère semble abstraite tant qu’elle n’est pas multipliée par le volume. À raison d’environ 900 caractères par minute de parole, une heure de discours continu représente environ 54 000 caractères.

• Une heure d’audio — Sonic 3.6 : environ 2,65 $. Voxtral 3 T​TS : environ 0,70 $.

• Mille heures par mois — Sonic 3.6 : environ 2 650 $. Voxtral 3 TTS : environ 700 $. Soit une différence d’environ 23 400 $ par an.

• Dix mille heures par mois — Sonic 3.6 : environ 26 500 $. Voxtral 3 TTS : environ 7 000 $. Une différence d’environ 234 000 $ par an.

Dans le bas de cette fourchette, l’écart est un poste budgétaire qui fait débat. Dans le haut, c’est un effectif. C’est tout l’argument en faveur de Voxtral 3 T​TS, et il est solide pour toute charge de travail où la voix est de format long et prérendue : livres audio, modules d’e-learning, narration de catalogues, chaînes de doublage. Dans ces tâches, le score de 72 Elo se manifeste par une lecture légèrement moins naturelle sur une petite fraction de phrases, et l’auditeur n’a aucun point de comparaison.

Là où le calcul change de forme, c'est lorsque les deux modèles effectuent des tâches différentes au sein d'un même produit. Une ligne d'assistance a besoin de la latence de Sonic 3.6 et de son démarrage en moins d'une seconde ; la narration marketing de la même entreprise, non. Payer 49 $ pour la seconde tâche, c'est dépenser 49 $ pour une capacité que cette tâche ne peut pas exploiter — et la façon la plus simple de conserver les deux sans deux processus d'achat consiste en une couche de routage qui traite le modèle comme un paramètre. C'est l'argument en faveur de la configuration d'OrcaRouter plutôt que de l'un ou l'autre des fournisseurs : une API compatible OpenAI couvrant plus de 200 modèles, le prix catalogue du fournisseur répercuté avec 0 % de marge, et un DSL de routage capable d'envoyer une tâche de narration par lots et un appel en temps réel vers des back-ends différents avec la même clé. Ni Sonic 3.6 ni Voxtral 3 T​TS ne figurent au catalogue d'OrcaRouter à ce jour, si bien qu'aujourd'hui, les deux sont accessibles via les API de leurs propres fournisseurs et plusieurs plateformes tierces — l'essentiel est la forme de l'intégration lorsqu'ils y seront.

Trois objections qui tranchent en pratique

Le premier point est la langue. Cartesia annonce 44 langues à partir d’un seul modèle. Mistral annonce 35+ langues et 50+ dialectes, avec des préréglages pour 18 d’entre eux. Sur le papier, Mistral couvre un périmètre plus large ; en pratique, le nombre de dialectes est une promesse sur l’étendue de la couverture, non une promesse que chaque dialecte a été évalué. Si votre feuille de route inclut un marché pour lequel aucun des deux fournisseurs n’a de démo, demandez un échantillon plutôt que de vous fier au décompte. Le seul domaine où Mistral est incontestablement plus fort, c’est la couverture européenne : il revendique les 24 langues officielles de l’UE pour ses modèles de transcription et 35+ pour la synthèse, et Mistral est une entreprise française qui vend auprès des acheteurs publics de l’UE, avec des options de résidence des données pour des points de terminaison UE, américains et mondiaux. Sonic 3.6 n’a pas d’argument équivalent en matière de déploiement souverain.

Le second est le contrôle de la prononciation en production. C'est là que l'écart Elo trompe le plus. Un modèle qui lit « Dr Nguyen » correctement sans dictionnaire peut se classer en dessous d'un modèle qui sonne plus naturel sur de la prose générique. Voxtral 3 T​TS embarque une bibliothèque de vocabulaire et un contrôle des phonèmes ; Sonic 3.6 embarque des dictionnaires de prononciation personnalisés et des indications de diction intégrées. Les deux ont la fonctionnalité. Celui de Mistral cible les noms et termes de marque dans les contenus d'entreprise ; celui de Cartesia cible le même problème au sein d'un appel en streaming. Testez votre propre lexique — une liste de noms de produits, de noms de famille et d'acronymes lus à voix haute — avant que l'un ou l'autre score n'ait voix au chapitre.

Le troisième cas est ce qui se produit lorsqu’un fournisseur passe un mauvais quart d’heure. Un pipeline vocal à point de terminaison unique échoue en mode fermé : le point de terminaison se dégrade et le produit devient silencieux. Sonic 3.6 et Voxtral 3 T​TS reposent sur des infrastructures différentes avec des modes de défaillance différents, et il vaut la peine de concevoir le chemin de repli entre eux avant d’en avoir besoin. Le basculement automatique entre fournisseurs est précisément ce qu’un routeur vous apporte ici, et c’est plus précieux en parole qu’en texte, car un token omis est invisible alors qu’une syllabe omise ne l’est pas.

Alors, lequel ?

Choisissez Cartesia Sonic 3.6 lorsque la voix intervient dans une conversation : agents téléphoniques, assistants intégrés aux applications, PNJ de jeu, tout cas où la première syllabe arrive avant que l’utilisateur n’ait fini de lire l’indicateur de chargement. Vous payez 49 $ par million de caractères pour un modèle qui démarre en moins de 90 millisecondes et obtient 1 289 sur le classement, et le prix se défend face à tous les autres modèles de cette classe de latence.

Choisissez Voxtral 3 T​TS lorsque la voix est du contenu : narration, doublage, voix de marque sur tout un catalogue, tout ce qui est généré à l'avance puis lu en différé. Vous payez 13 $ pour un modèle qui accuse 72 points Elo de retard sur le leader et qui est 3,8 fois moins cher, avec une résidence des données dans l'UE et un pipeline d'adaptation de la voix en 30 minutes, mieux adapté à une voix d'entreprise unique qu'à un clone par utilisateur.

Ne choisissez pas exclusivement l’un ou l’autre si vous proposez les deux types d’audio. L’erreur à éviter est de choisir une fois pour toutes, puis de payer le tarif du modèle premium pour un travail que le modèle bon marché peut faire, ou d’absorber la latence du modèle bon marché là où elle est fatale. Deux points de terminaison derrière une seule clé, c’est la configuration qui empêche la décision de devenir définitive.

Reste à savoir quel est le chiffre de latence manquant de Mistral. Si Voxtral 3 TTS diffuse en streaming avec un délai avant le premier audio proche de celui de Cartesia, le prix de 13 $ devient un argument beaucoup plus difficile à contester, et les 72 Elo deviennent la seule chose qui reste à Sonic 3.6. Mistral ne l’a pas publié, aucun tiers ne l’a mesuré, et tant que l’un de ces deux points ne change pas, le créneau du streaming revient à Cartesia par défaut.