Voxtral 3 TTS לעומת Cartesia Sonic 3.6: 72 Elo תמורת מחיר גבוה פי 3.8
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 10 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 125 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 313 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 45 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 826 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 48 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 93 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
Cartesia Sonic 3.6 מנצח בוויכוח האיכות, ו-Voxtral 3 TTS מנצח בחשבונית, וגודל שני הפערים הוא כל ההשוואה. בלוח המובילים Provider Voice של Artificial Analysis ב-21 באוקטובר 2026, Sonic 3.6 ניצב על 1,289 Elo (מקום 4 מתוך 98 מערכות מדורגות) לעומת 1,217 של Voxtral 3 TTS (מקום 13). הפער הוא 72 נקודות, בנוחות מחוץ למרווחי הסמך של שני המודלים. פער המחירים נע בכיוון ההפוך והוא רחב יותר: 49 דולר למיליון תווים עבור Sonic 3.6 לעומת 13 דולר עבור Voxtral 3 TTS — פי 3.8 עבור מודל ש-Mistral שחררה יום אחד לפני קריאת הלוח הזו. אף אחד משני המספרים אינו שנוי במחלוקת. מה ששנוי במחלוקת הוא כמה שווה מרווח של 72 נקודות בהאזנה עיוורת בייצור, וזה תלוי לחלוטין במה שהקול עושה. הכשלים המתועדים של בינה מלאכותית ותקריות הסוכנים שמאחורי שחרורים כמו זה נאספים בארכיון תקריות ה-AI של OrcaRouter שבו כל רשומה נושאת את המקורות שלה, חומרה, דירוג מהימנות ודגל מחלוקת.
ראשית, מה שהלוחות בעצם מדדו
שני הנתונים מגיעים מאותו מקור, מה שחשוב יותר מהרגיל בקטגוריה שבה כל ספק מפרסם מחקר העדפות משלו. Artificial Analysis מפעילה שני לוחות דירוג, ושני המודלים מופיעים בשניהם.
• קול ספק — כל מודל מוערך עם הקולות המקוריים שלו. Sonic 3.6: 1,289 Elo, #4, מרווח של 95%: 1,275–1,303, 2,732 השוואות. Voxtral 3 TTS: 1,217 Elo, #13, מרווח 1,202–1,232, 1,619 השוואות.
• קול מבוקר — כל מודל משובט לאותם שמונה קולות ייחוס, כך שהמאזינים משווים את המנוע ולא את ליהוק הקול. Sonic 3.6: 1,151 Elo, #5, מרווח 1,138–1,164. Voxtral 3 TTS: 1,066 Elo, #14, מרווח 1,049–1,083.
• שוחררו — Sonic 3.6 באוגוסט 2026; Voxtral 3 TTS ב-20 באוקטובר 2026.
• מחיר מחירון — 49.00 $ ל-1 מיליון תווים לעומת 13.00 $ ל-1 מיליון תווים, שניהם כפי שנמדדו על ידי Artificial Analysis ובהתאמה לתמחור הציבורי של כל ספק.
• תפוקה — חציון של 145 תווים בשנייה עבור Sonic 3.6 לעומת 112 עבור Voxtral 3 TTS, כפי שנמדד על ידי Artificial Analysis.
• משקולות — סגורות לשניהם. אף אחד מהם אינו יכול להתארח באופן עצמאי תחת רישיון מתירני.
שני פרטים בטבלה ההיא קלים לדלג עליהם, וזה לא צריך לקרות. תוצאת ה־Controlled Voice היא הישרה מבין השתיים, מפני שהיא מסירה את היתרון של ספריית קולות טובה, ושם הפער מתרחב מ־72 נקודות ל־85. Sonic 3.6 אינה מנצחת בליהוק קולות; היא מנצחת בסינתזה. הפרט השני הוא מספר הדגימות. ל־Voxtral 3 TTS יש 1,619 השוואות בלוח הספקים, כ־40% פחות מ־Sonic 3.6, והרווח שלה בהתאם רחב יותר. ציון של היום השני הוא ציון אמיתי, אבל הוא עוד יזוז.
מהיכן מגיע 72 Elo, תכונה אחר תכונה
Elo הוא סכום של העדפות, לא אבחון, ולכן כדאי לשאול אילו החלטות מוצר הניבו אותו. שני המודלים נבנו למשימות שונות, והמפרטים מראים זאת.
Cartesia בנתה מנוע סטרימינג. הטענה המרכזית של Sonic 3.6 היא אודיו ראשון בפחות מ־90 אלפיות השנייה, מדף ספק שמוביל עם מהירות. הבקרות שלה הן אלו שסוכן חי צריך: רמזים מוטמעים כגון צחוק, ויסות עוצמת קול ומהירות, מילוני הגייה מותאמים אישית, ורגש הנגזר מההקשר. זהו מודל שנועד להיקרא באמצע שיחה ולהתחיל לדבר כמעט מיד.
Mistral בנתה קול סטודיו עם מעטפת ארגונית. Voxtral 3 TTS מציע יותר מ-35 שפות ויותר מ-50 דיאלקטים, פריסטים קוליים ב-18 שפות, שליטה ברמת הפרומפט על רגש, קצב והדגשה, הגייה ברמת הפונמה, וספריית אוצר מילים. סיפור השיבוט שלו הוא "Pro Voice": 30 דקות אודיו כדי לשחזר את האופי, הטווח הרגשי והסגנון של דובר בשפות שונות. זהו צינור התאמה, לא שיבוט מיידי.
ההשלכה המעשית היא ששני המודלים אינם מתחרים על אותו מקום. תהליך התאמת קול של 30 דקות הוא פעולה של קול מותג; שיבוט מיידי של 10 שניות הוא תכונה הפונה למשתמש. אם המוצר שלך מאפשר ללקוח להעלות קליפ ולשמוע את עצמו בקול שנוצר, Sonic 3.6 עושה זאת ו-Voxtral 3 TTS, כמתועד, לא.
אסימטריית זמן ההשהיה מחריפה את זה. Cartesia מפרסמת מספר זמן השהיה ו-Mistral לא. ל-Voxtral 3 TTS אין זמן עד לאודיו ראשון מפורסם בשום מקום בחומרי ההשקה; הנתון הקרוב ביותר הוא הטענה של מתחת ל-500ms במודל התמלול בזמן אמת הנפרד. מספר חסר אינו מספר רע, אבל בהחלטת רכישה זהו סיכון שאתה נושא, והספק שמפרסם את המספר שלו הוא ברירת המחדל הבטוחה יותר לכל דבר אינטראקטיבי.
חשבון העלויות, בקנה המידה שבו הוא באמת כואב
תמחור לפי תו נראה מופשט עד שמכפילים אותו בנפח. בקצב של כ-900 תווים לדקת דיבור, שעה אחת של דיבור רצוף היא כ-54,000 תווים.
• שעה אחת של אודיו — Sonic 3.6: כ-2.65$. Voxtral 3 TTS: כ-0.70$.
אלף שעות בחודש — Sonic 3.6: כ-2,650 דולר. Voxtral 3 TTS: כ-700 דולר. פער של כ-23,400 דולר בשנה.
עשרת אלפים שעות בחודש — Sonic 3.6: כ-26,500 דולר. Voxtral 3 TTS: כ-7,000 דולר. הבדל של כ-234,000 דולר בשנה.
בקצה התחתון של הטווח הזה הפער הוא סעיף תקציבי שמתווכחים עליו. בקצה העליון זה משרה. זה כל הטיעון בעד Voxtral 3 TTS, והוא טיעון חזק לכל עומס עבודה שבו הקול הוא ארוך ומוכן מראש: ספרי אודיו, מודולי למידה מקוונת, קריינות לקטלוגים, תהליכי דיבוב. בעבודות האלה ה-72 Elo מתבטא בקריאה קצת פחות טבעית במעט מהמשפטים, והמאזין לא משווה אותו לשום דבר.
המקום שבו החשבון משתנה הוא כששני המודלים מבצעים עבודות שונות באותו מוצר. קו תמיכה זקוק להשהיה של Sonic 3.6 ולזמן ההתנעה שלו מתחת לשנייה; הקריינות השיווקית של אותה חברה אינה זקוקה לכך. תשלום של 49 דולר עבור המשימה השנייה הוא 49 דולר שמבוזבזים על יכולת שהמשימה הזו לא יכולה להשתמש בה — והדרך הנקייה ביותר להחזיק את שניהם בלי שני תהליכי רכש היא שכבת ניתוב שמתייחסת למודל כפרמטר. זו הטענה בעד המערך של OrcaRouter ולא בעד מי מהספקים: API יחיד תואם OpenAI על פני יותר מ-200 מודלים, כאשר מחיר המחירון של הספק מועבר הלאה בתוספת של 0%, ו-DSL לניתוב שיכול לשלוח משימת קריינות באצווה וקריאה בזמן אמת ל-backends שונים עם אותו מפתח. נכון לכתיבת שורות אלה, לא Sonic 3.6 ולא Voxtral 3 TTS נמצאים בקטלוג של OrcaRouter, ולכן כיום מגיעים אל שניהם דרך ה-API של הספקים שלהם עצמם וכמה פלטפורמות צד שלישי — הנקודה היא צורת האינטגרציה כאשר הם ייכללו בו.
שלוש התנגדויות שמכריעות את העניין בפועל
הראשון הוא שפה. Cartesia מפרסמת 44 שפות ממודל אחד. Mistral מפרסמת 35+ שפות ו-50+ ניבים, עם פריסטים ב-18. על הנייר Mistral מכסה יותר שטח; בפועל, מספר הניבים הוא הבטחה לרוחב כיסוי, לא הבטחה שכל ניב נבחן. אם מפת הדרכים שלכם כוללת שוק שאף אחד מהספקים לא מציג עבורו דמו, בקשו דגימה במקום להסתפק בקריאת המספר. המקום היחיד שבו Mistral חזקה באופן חד-משמעי הוא הכיסוי האירופי: היא טוענת ל-24 שפות רשמיות של האיחוד האירופי עבור מודלי התמלול שלה ול-35+ עבור סינתזה, ו-Mistral היא חברה צרפתית שמוכרת לרכש באיחוד האירופי עם אפשרויות מיקום נתונים בנקודות קצה באיחוד האירופי, בארה"ב וברחבי העולם. ל-Sonic 3.6 אין סיפור מקביל של פריסה ריבונית.
השני הוא שליטה בהגייה בסביבת ייצור. כאן פער ה-Elo מטעה יותר מכל. מודל שקורא נכון "Dr. Nguyen" בלי מילון יכול להדורג מתחת למודל שנשמע טבעי יותר בפרוזה כללית. Voxtral 3 TTS מגיע עם ספריית אוצר מילים ושליטה בפונמות; Sonic 3.6 מגיע עם מילוני הגייה מותאמים אישית ורמזי מסירה בתוך הטקסט. לשניהם יש את התכונה. זה של Mistral מכוון לשמות ולמונחי מותג בתוכן ארגוני; זה של Cartesia מכוון לאותה בעיה בתוך שיחת סטרימינג. בחנו את הלקסיקון שלכם — רשימת שמות מוצרים, שמות משפחה וראשי תיבות שנקראים בקול — לפני שמי מהציונים יקבל זכות הצבעה.
השלישי הוא מה שקורה כשספק חווה אחר צהריים רע. צינור קולי עם נקודת קצה אחת נכשל באופן סגור: נקודת הקצה נפגעת והמוצר משתתק. Sonic 3.6 ו-Voxtral 3 TTS פועלים על תשתיות שונות עם מצבי כשל שונים, וכדאי לתכנן את מסלול הגיבוי ביניהם לפני שהוא נחוץ. מעבר אוטומטי לגיבוי בין ספקים הוא הדבר הספציפי שנתב מקנה לך כאן, והוא בעל ערך רב יותר בדיבור מאשר בטקסט, מכיוון שאסימון שנשמט הוא בלתי נראה, ואילו הברה שנשמטה אינה כזו.
אז איזה אחד?
בחרו בCartesia Sonic 3.6 כאשר הקול נמצא בשיחה: סוכני טלפון, עוזרים באפליקציה, דמויות לא-שחקן במשחקים, כל דבר שבו ההברה הראשונה מגיעה לפני שהמשתמש סיים לקרוא את אנימציית הטעינה. אתם משלמים 49 דולר למיליון תווים עבור מודל שמתחיל בפחות מ-90 מילישניות ומקבל 1,289 בלוח הדירוג, והמחיר מוצדק לעומת כל מודל אחר באותה מחלקת השהיה.
בחרו בVoxtral 3 TTS כאשר הקול הוא התוכן עצמו: קריינות, דיבוב, קול מותגי על פני קטלוג שלם, כל דבר שנוצר מראש ומושמע בהמשך. אתם משלמים 13 דולר עבור מודל שנמצא 72 נקודות Elo מאחורי המוביל וזול פי 3.8, עם אחסון נתונים באיחוד האירופי ותהליך התאמת קול של 30 דקות שמתאים לקול ארגוני אחד יותר מאשר לשיבוט לכל משתמש בנפרד.
אל תבחר באף אחד מהם באופן בלעדי אם אתה מספק את שני סוגי האודיו. הטעות שיש להימנע ממנה היא לבחור פעם אחת ואז לשלם בתעריף של מודל הפרימיום עבור עבודה שהמודל הזול יכול לעשות, או לספוג את ההשהיה של המודל הזול במקום שבו היא קטלנית. שתי נקודות קצה תחת מפתח אחד הן התצורה שמונעת מההחלטה להפוך לקבועה.
השאלה הפתוחה היא מה יתברר כמספר השהיה החסר של Mistral. אם Voxtral 3 TTS יזרים עם נתון שמע ראשון בכלל קרוב לזה של Cartesia, המחיר של $13 יהפוך לעובדה הרבה יותר קשה להתווכח איתה, וה-72 Elo יהפוך לדבר היחיד שנשאר ל-Sonic 3.6. Mistral לא פרסמה אותו, אף צד שלישי לא מדד אותו, ועד שאחד מהשניים משתנה, משבצת הסטרימינג שייכת ל-Cartesia כברירת מחדל.
