Gemini 3.8 TTS vs Cartesia Sonic 3.6: Tiga Belas Poin Elo dan Enam Belas Dolar

Dua model text-to-speech terdekat di papan peringkat pemungutan suara buta Artificial Analysis hanya terpaut satu peringkat dan enam belas dolar, dan kedua selisih itu menunjuk ke arah yang berlawanan. Cartesia Sonic 3.6 menempati posisi pertama dengan Provider Voice Arena Elo 1.273 dari 1.757 sampel. Gemini 3.8 Flash TTS menempati posisi kedua dengan 1.260 dari 1.999 sampel. Selisih Elo-nya tiga belas poin — masih di dalam interval kepercayaan yang dipublikasikan untuk keduanya — dan selisih harganya justru sebaliknya, dengan Gemini di $33,00 per juta karakter sedangkan Cartesia $49,00. Jika Anda harus memilih di antara keduanya, kerangka yang jujur adalah bahwa Anda membayar enam belas dolar per juta karakter untuk perbedaan kualitas yang tidak dapat dipastikan oleh papan peringkat.

Itulah keseluruhan keputusannya, dan ini layak untuk tidak terburu-buru karena kedua model cukup baru sehingga hampir tidak ada hal lain yang telah diukur. Cartesia Sonic 3.6 hadir pada Agustus 2026. Gemini 3.8 Flash TTS hadir pada 23 September 2026. Tidak ada satu pun yang memiliki tolok ukur independen yang dipublikasikan selain voting arena, dan voting arena menempatkan keduanya dalam posisi imbang secara statistik di puncak.

Apa yang sebenarnya ditunjukkan papan peringkat

The Artificial Analysis Provider Voice Arena adalah papan yang berguna di sini karena ia membandingkan suara native milik masing-masing penyedia dengan milik setiap penyedia lain, dalam pemungutan suara berpasangan secara buta. Itu adalah perbandingan yang lebih adil daripada papan suara terkontrol untuk pertanyaan "produk mana yang terdengar lebih baik", karena hal itu memungkinkan setiap vendor merilis suara yang benar-benar mereka rilis.

• Peringkat 1 — Cartesia Sonic 3.6, Elo 1.273 dengan interval 17 poin, 1.757 sampel, 8 suara arena, dirilis Agustus 2026, $49,0 per 1 juta karakter.

• Peringkat 2 — Gemini 3.8 Flash TTS, Elo 1.260 dengan interval 17 poin, 1.999 sampel, 8 suara arena, dirilis September 2026, $33,0 per 1 juta karakter.

• Peringkat 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1.259, 1.447 sampel, 15 suara arena, $27,6 per 1 juta karakter.

• Peringkat 4 hingga 9, sebagai konteks — Inworld Realtime TTS-2 dengan 1,245, SpeechifyAI Simba 3.2 dengan 1,237, Google Gemini 3.8 Flash-Lite TTS dengan 1,235, VUI Labs Luna TTS dengan 1,230, Inworld Realtime TTS-2 Flash dengan 1,210, dan BreezeBlue Breeze TTS 2 dengan 1,204.

Bacalah intervalnya dan tiga teratas melebur menjadi satu sama lain. Sonic 3.6 dengan 1,273 memiliki rentang tujuh belas poin; Gemini dengan 1,260 memiliki rentang yang sama. Rentang mereka tumpang tindih hampir di seluruh lebarnya. Qwen-Audio-3.0-TTS-Plus pada 1,259 tumpang tindih dengan keduanya. Papan tersebut memberi tahu Anda bahwa ketiganya tidak dapat dibedakan berdasarkan preferensi buta pada sampel yang dikumpulkan sejauh ini, dan bahwa urutan di antara mereka bukanlah bukti yang stabil.

Jumlah sampelnya juga cukup berdekatan sehingga tidak dapat menjelaskan perbedaan tersebut — 1.757 untuk Cartesia versus 1.999 untuk Gemini. Keduanya berada di kisaran ribuan rendah, yang cukup untuk menempatkan sebuah model dalam suatu rentang dan tidak cukup untuk memisahkan model-model yang bertetangga di dalamnya.

Dari mana enam belas dolar itu berasal

Halaman harga Cartesia sendiri tidak mempublikasikan tarif per juta karakter untuk Sonic. Cartesia menjual tingkatan langganan dengan menit bawaan — Free seharga $0 dengan 20.000 kredit, sekitar 27 menit Sonic 3.6; Pro seharga $5 dengan 100.000 kredit, sekitar 133 menit; Startup seharga $49 dengan 1,25 juta kredit, sekitar 1.667 menit; Scale seharga $299 dengan 8 juta kredit, sekitar 10.667 menit — ditambah batas konkurensi masing-masing 2, 3, 5, dan 15, lokalisasi suara sebesar 225 kredit per aksen tambahan, durasi panggilan agen suara sebesar $0,06 per menit, dan telefoni sebesar $0,014 per menit.

Jadi, $49.00 per juta karakter bukanlah harga daftar Cartesia dalam unitnya sendiri. Itu adalah Artificial Analysis yang menormalisasi kredit Cartesia ke penyebut bersama agar papan peringkat dapat memeringkat berdasarkan harga. Itu hal yang sah dilakukan oleh papan perbandingan dan merupakan satu-satunya angka setara yang tersedia, tetapi itu berarti angka Cartesia adalah tarif turunan sementara angka Gemini adalah angka yang dipublikasikan.

Tarif Google lugas. Gemini 3.8 Flash TTS menagih $0,50 per juta token teks masuk dan $9,00 per juta token audio keluar hingga 31 Desember 2026, lalu $1,00 dan $18,00. Audio diukur pada 25 token per detik, sehingga tarif output audio setara dengan sekitar 0,02 sen per detik ucapan. Flash-Lite TTS, saudara yang lebih murah, dikenakan $6,00 per juta token audio pada 25 token per detik yang sama, dan Artificial Analysis menempatkannya pada setara $22,10 per 1 juta karakter di peringkat 6 dengan Elo 1.235.

• Harga per 1 juta karakter — 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, semuanya dengan interval 17 poin di dua peringkat teratas.

• Suara Arena — 8 vs 8 vs 8.

• Sampel — 1.757 vs 1.999 vs 2.000.

• Ketersediaan — beta terhosting Cartesia vs Gemini Developer API milik Google sendiri, yang tersedia secara umum.

• Rilis bobot — ditutup untuk keduanya; keduanya tidak dapat diunduh.

Bagian yang disembunyikan oleh perbandingan harga

Per-juta-karakter adalah satuan yang praktis dan bukan cara kedua produk menagih.

Unit Cartesia adalah kredit terhadap langganan, dengan batas konkurensi yang melekat pada tier. Artinya, biaya marginal untuk seribu karakter berikutnya adalah nol sampai Anda mencapai batas, lalu biayanya adalah biaya tier berikutnya yang lebih tinggi. Untuk beban kerja dengan batas atas yang dapat diprediksi, ini penawaran yang lebih baik daripada yang disiratkan oleh tarif per karakter — Anda membeli ruang cadangan, bukan konsumsi. Untuk beban kerja yang melonjak, ini lebih buruk, karena konkurensi 2 pada tier Free dan 3 pada Pro adalah dinding keras, bukan harga.

Unit Gemini adalah token, dihitung per panggilan, tanpa batas konkurensi yang dipublikasikan dan tiga tingkat layanan — Standard, Batch dan Flex, serta Priority — dengan tarif yang berbeda. Batch dan Flex memangkas tarif audio menjadi separuhnya, yaitu $4,50 per juta token pada Flash TTS; Priority menaikkannya menjadi $16,20. Itu adalah model biaya yang jauh lebih terperinci, dan model ini memberi imbalan pada hal yang biasanya diberi imbalan oleh penetapan harga Google: mengetahui sebelumnya apakah suatu pekerjaan bersifat interaktif atau batch.

Oleh karena itu, mana yang lebih murah bergantung pada apakah beban kerja ucapan Anda terlihat seperti langganan atau meteran. Paket Cartesia diberi harga untuk produk dengan volume yang stabil dan terbatas. Paket Gemini diberi harga untuk konsumsi yang dapat Anda klasifikasikan.

Apa yang masih dimiliki Cartesia yang tidak dimiliki Google

Dua hal, dan keduanya tentang menjadi produk suara, bukan model suara.

Cartesia menjual infrastruktur teleponi dan agen suara secara langsung: $0,014 per menit untuk teleponi, $0,06 per menit untuk durasi panggilan agen suara, dan lokalisasi suara sebesar 225 kredit per aksen tambahan. Jika Anda membangun agen telepon, itu adalah stack yang dapat Anda beli di satu tempat. Gemini 3.8 Flash TTS adalah endpoint sintesis — ia mengembalikan audio lalu berhenti. Anda menyediakan transport, deteksi giliran, dan teleponi sendiri, atau Anda merakitnya dari vendor lain.

Cartesia juga sudah lebih lama berada di papan peringkat. Tanggal rilisnya pada Agustus versus September milik Google berarti lebih banyak jumlah sampelnya terakumulasi terhadap versi yang sudah mapan, sedangkan peluncuran pada September masih mengumpulkan suara. Elo suatu model pada minggu pertama adalah estimasi yang lebih bising daripada Elo model yang sama setelah sebulan, dan itu melemahkan penafsiran selisih tiga belas poin sebagai bukti untuk Cartesia.

Apa yang dimiliki Google yang tidak dimiliki Cartesia

Cakupan bahasa adalah yang paling jelas. Flash TTS menangani 130 bahasa dengan deteksi otomatis; Flash-Lite menangani 101. Model lokalisasi Cartesia bersifat aditif — Anda membeli aksen di atas suara dasar dengan harga 225 kredit per aksen — yang merupakan pendekatan berbeda dan kurva biaya berbeda begitu Anda melewati beberapa bahasa.

Sisi penyampaian adalah yang kedua. Gemini 3.8 Flash TTS memungkinkan Anda mengarahkan dialog seperti Anda mengarahkan seorang aktor, mementaskan adegan dua pembicara dalam satu panggilan, dan menulis isyarat nonverbal — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — langsung ke dalam skrip. Layanan ini juga menawarkan desain suara dari deskripsi bahasa alami dan replikasi suara dari sampel 30 detik dengan verifikasi persetujuan, watermark SynthID dan kredensial C2PA pada output. Pencampuran ulang suara disebut akan segera hadir.

Dan ini tersedia secara umum, bukan beta. Cartesia Sonic 3.6 adalah beta yang dihosting, yang merupakan pernyataan tentang keyakinan vendor itu sendiri terhadap endpoint di bawah beban.

Yang mana yang sebenarnya harus dipanggil?

Jika beban kerja Anda adalah agen telepon dengan volume yang dapat diprediksi dan Anda menginginkan telefoni, konkurensi, dan sintesis dari satu vendor, Cartesia Sonic 3.6 adalah pilihan yang koheren, dan selisih enam belas dolar itu adalah harga dari tidak merakit tiga vendor sendiri.

Jika beban kerja Anda adalah sintesis di dalam produk yang sudah Anda operasikan — narasi, lapisan aksesibilitas, suara bot dukungan, proses lokalisasi 130 bahasa — Gemini 3.8 Flash TTS lebih murah per karakter, cakupan bahasa lebih luas, kendali penyampaian lebih rinci, dan tersedia secara umum. Perbedaan Elo tidak menjadi argumen untuk menolaknya, karena perbedaan Elo tersebut tidak nyata secara statistik.

Jika Anda menginginkan yang termurah di antara ketiganya di puncak papan peringkat dan bisa menerima daftar bahasa yang lebih pendek, Gemini 3.8 Flash-Lite TTS berharga $6,00 per juta token audio dan berada enam peringkat lebih rendah di 1.235 — selisih yang juga masih berada dalam kisaran noise.

Siapa pun yang Anda pilih, jalur migrasi lebih penting daripada pilihannya, karena kedua model masih baru dan kedua vendor masih melakukan penyempurnaan. OrcaRouter adalah lindung nilainya: satu kunci untuk 200+ model dengan harga daftar penyedia tanpa markup, sehingga penurunan harga dari salah satu lab langsung terasa pada tagihan Anda di hari yang sama, bukan saat perpanjangan, failover otomatis jika panggilan sintesis gagal, dan DSL perutean jika Anda ingin mengirim tugas batch ke satu model dan panggilan interaktif ke model lain. Kami tidak menghosting endpoint Cartesia Sonic 3.6 atau Gemini 3.8 TTS — sintesis Cartesia adalah produknya sendiri dan model suara Gemini berasal dari API Google — tetapi lapisan teks dan jalur failover adalah milik kami, dan itulah bagian yang membuat model yang benar-benar baru aman untuk dicoba.

Hal yang perlu diperhatikan adalah revisi Artificial Analysis berikutnya. Jika Gemini 3.8 Flash TTS menutup selisih tiga belas poin setelah jumlah sampelnya matang, kesenjangan harga berhenti menjadi kompromi dan mulai menjadi jawaban yang lugas. Jika tidak, Cartesia tetap memegang mahkota kualitas dan Google memegang mahkota harga, dan pilihannya tetap persis seperti sekarang: langganan dengan teleponi yang disertakan, atau meteran dengan 130 bahasa yang disertakan.