Gemini 3.8 TTS לעומת Inworld Realtime TTS-2: איזה לוח תוצאות שאתה מאמין לו משנה את התשובה

הצג זה לצד זה את Gemini 3.8 Flash TTS ואת Inworld Realtime TTS-2 ב-Artificial Analysis Provider Voice Arena, והתשובה נראית ברורה מאליה: דירוג 2 מול דירוג 4, Elo של 1,260 מול 1,245, 8 קולות בזירה לכל אחד, ומחיר מנורמל של $16.50 למיליון תווים מול $20.80. היצרן מנצח במיקום ובמחיר, ופער של 15 נקודות נמצא ממילא בתוך רווחי הסמך של שתי השורות.

עברו ללוח האחר ש-Artificial Analysis מפרסמת, והסדר מתהפך. Inworld Realtime TTS-2 מחזיק במקום הראשון ב-Controlled Voice Arena עם Elo של 1,123, כשהווריאנט Flash שלו עומד על 1,075. זה אינו הבדל הנובע מעיגול — זה מודל אחר שמנצח, והסיבה היא ששני הלוחות לא מודדים את אותו הדבר. אם אתם בוחרים קול למוצר, הידיעה איזו משתי השאלות הללו מקרה השימוש שלכם באמת שואל היא ההחלטה כולה.

שני לוחות, שתי שאלות שונות

ה-Provider Voice Arena מדרג את הקולות המקוריים של המודל עצמו — אלה שהספק מספק ומארח. ה-Controlled Voice Arena מחזיק את הקול קבוע ומדרג עד כמה כל מודל מתפקד היטב כאשר הוא מתבקש לדבר בקול שאינו שלו. אותם שופטים, אותו סוג של השוואה עיוורת, משתנה אחר.

ההבחנה הזו ממופה לשני תפקידים שונים:

• דירוג הספקים עונה על השאלה "האם המודל הזה נשמע טוב כפי שהוא". זהו הלוח המתאים למוצר שמגיע עם סט קבוע של קולות קריינים ולעולם אינו משכפל דבר.

• דירוג מבוקר עונה על השאלה "האם המודל הזה מציית למפרט קולי". זהו הלוח הנכון למוצר שבו הקול הוא של הלקוח — קול מותג משוכפל, שחקן מורשה, זהות לפי דייר.

המודלים של Google מובילים בראשון. אלה של Inworld מובילים בשני. שתי הקביעות נכונות בו-זמנית, ואף אחת מהן אינה סתירה, וזו בדיוק הסיבה לכך שתשובה יחידה לשאלה "איזה מודל TTS הוא הטוב ביותר" היא בדרך כלל סימן לכך שהכותב בחר לוח אחד ולא הסתכל על האחר.

מה משתמע בפועל ממעמדה של Inworld במקום הראשון

תוצאה מבוקרת במקום הראשון היא טענה בדבר נאמנות להוראה, ונאמנות להוראה היא התכונה שקובעת אם שכפול שמיש בכלל.

מסלול השיבוט של Inworld מגיע בשתי צורות. שיבוט מיידי פועל מדגימה קצרה — הנתון של הספק הוא 5 עד 15 שניות של אודיו התייחסות — ושכבת שיבוט מקצועית נמצאת בבטא ודורשת בסדר גודל של עשר דקות. שני אלה מדווחים על ידי הספק, ואף אחד מהם אינו מאומת באופן בלתי תלוי על ידי הזירה; מה שהזירה מודדת הוא התנהגות המודל לאחר שיש לו קול, ולא את איכות שלב השיבוט שהפיק אותו.

הטענות בדבר השהיה (latency) המשויכות למשפחה הן באותה קטגוריה. נתון הבייט הראשון של גרסת Flash — 25 מילישניות, כפי שדווח באמצעות מדידת צד שלישי — ומספרי p99 של המודל המלא הם של Inworld עצמה, ולזירה אין מה לומר על אף אחד משניהם. הם סבירים עבור מודל ממוקד בזמן אמת והם אינם מאומתים, וזו הדרך הנכונה להתייחס אליהם.

אז הפרשנות המעשית היא: אם המוצר שלך משכפל קולות, התוצאה Controlled של Inworld היא הרלוונטית מבין שני הציונים, והיא הסיבה לכך שדירוג Provider נמוך יותר אינו פוסל. אם המוצר שלך אינו משכפל, היתרון הזה בלתי נראה עבורך, ולוח ה-Provider הוא זה שצריך לקרוא.

לסולם המחירים יש שלושה שלבים, והזול שבהם הוא מנוי

השוואה של מחיר אחד מול מחיר אחד נותנת תוצאה שגויה בהתמודדות הזו, כי ל-Inworld אין מחיר — יש לה סולם.

• לפי דרישה — Realtime TTS-2 במחיר 25.00 דולר למיליון תווים, Flash ב-15.00 דולר. זהו התעריף שמשתמש בתשלום לפי שימוש רואה, וזהו הנתון המפורסם של הספק עצמו.

• Creator plan — $20.00 ו-$10.00 עבור אותם שני מודלים, שהם הנחה של 20% ו-33% עבור התחייבות לתוכנית במקום תמחור לפי מדידה. דווח על ידי הספק, וזו המדרגה שהכי כדאי לבדוק מחדש בעמוד התמחור החי לפני שמתחייבים, מכיוון שתנאי התוכנית משתנים מהר יותר מתעריפי המחירון.

• מנורמל — ההמרה של הזירה לפי מיליון תווים נותנת $20.80 עבור Realtime TTS-2 ו-$10.40 עבור Flash, שזה החישוב של לוח התוצאות ולא הצעת המחיר של אף אחד מהספקים.

לעומת זאת, התעריפים של Google מבוססי טוקנים והם מבצעיים: 0.50 דולר למיליון טוקנים של טקסט בקלט ו-9.00 דולר למיליון טוקנים של אודיו בפלט עד 31 בדצמבר 2026, ואז 18.00 דולר; Flash-Lite TTS הוא 0.50 דולר ו-6.00 דולר, ואז 12.00 דולר. לאחר נרמול, מדובר ב-16.50 דולר וב-11.00 דולר.

קראו את השניים יחד והתמונה מעניינת יותר מאשר "גוגל זול יותר". לפי המספרים כפי שפורסמו היום, Flash TTS הוא הזול מבין שלושת המודלים, וגרסת ה-Flash של Inworld היא השנייה בזול — שני מודלי ה-Flash קרובים דיים לכך ששינוי קטן ביחס האודיו-לטקסט שלכם יכול להפוך את הכף בשאלה איזה מהם מחויב בפחות. ב-1 בינואר 2027, כשהתעריף של גוגל יוכפל, הסדר מתייצב ו-Inworld הופך לאפשרות הזולה בכל שלב בסולם שלה. מי שמשווה בין השניים בספטמבר ומתחייב בדצמבר משווה את המספרים הלא נכונים.

היכן שכל אחד מהם הוא התשובה הטובה יותר

שני המודלים קרובים מספיק באיכות, עד שהגורמים המבדילים הם מבניים, ולכן הגרסה הכנה היא רשימה של תנאים ולא הכרעה.

בחר ב-Gemini 3.8 Flash TTS כאשר הקול הוא שלך לבחירה. עיצוב קולי מתיאור כתוב, דיאלוג דו-דוברי בקריאה אחת, עיצוב ברמת התור, וכיסוי השפות הרחב ביותר מבין השניים לפי הספירה של גוגל עצמה — שאף אחד מהם לא קיים ב-Inworld בהשוואה הזו. הוא גם המודל הזול יותר כיום, ואחיו Flash-Lite נותן לך נקודת מחיר שנייה בתוך אותו API.

בחר ב-Inworld Realtime TTS-2 כאשר הקול הוא של הלקוח. שורת Controlled Voice מובילה, מסלול שיבוט מיידי הנמדד בשניות של אודיו参考, שכבת שיבוט מקצועית למקרים שזקוקים ליותר, ואוריינטציה בזמן אמת מגובה בטענות first-byte שהספק מפרסם — עם ההסתייגות שהטענות הן של הספק. הוא באנגלית בלבד לפי התיעוד של הספק עצמו, וזה אילוץ קשיח אם אתה צריך משהו אחר.

אף אחד מהמודלים האלה אינו מתארח ב-OrcaRouter, וכדאי לומר זאת במקום לרמוז אחרת: המקום לפנות אל Gemini 3.8 Flash TTS הוא ה-API של Google עצמה והמשטחים ש-Google ציינה ב-23 בספטמבר, והמקום לפנות אל Inworld Realtime TTS-2 הוא הפלטפורמה של Inworld עצמה. מה ש-OrcaRouter נועד לו הוא כל מה שסביב הבחירה הזו — למעלה מ-200 מודלים מאחורי מפתח אחד לפי מחיר המחירון של הספק ללא תוספת, כך ששינוי בתעריף של ספק כמו המהלך של ינואר נכנס לתוקף אצלנו באותו יום, מעבר אוטומטי לגיבוי כך שמודל שנבחן לא חייב להיות תלות בייצור, ו-DSL לניתוב להרכבת מודלים לקריאה אחת כשאין קול בודד שמבצע את כל העבודה.

הסיבה להשאיר את שניהם במרוץ היא ששינוי התעריף בינואר וההבחנה בין Controlled ל-Provider הם שני נימוקים נפרדים שבגללם התשובה יכולה לזוז. צינור עיבוד שיכול לקרוא רק לאחד מהם לא יכול לעקוב אחרי אף אחד מהם.