Gemini 3.8 TTS vs Inworld Realtime TTS-2: Papan Skor Mana yang Anda Percaya Mengubah Jawabannya

Letakkan Gemini 3.8 Flash TTS dan Inworld Realtime TTS-2 bersebelahan di Artificial Analysis Provider Voice Arena dan jawabannya tampak jelas: peringkat 2 versus peringkat 4, Elo 1.260 versus 1.245, masing-masing 8 suara arena, dan harga ternormalisasi $16,50 per juta karakter versus $20,80. Vendor tersebut unggul dalam hal posisi dan harga, dan lagipula selisih 15 poin itu berada di dalam interval kepercayaan kedua baris.

Beralihlah ke papan lain yang diterbitkan Artificial Analysis dan urutannya terbalik. Inworld Realtime TTS-2 memegang baris teratas di Controlled Voice Arena dengan Elo 1.123, dengan varian Flash-nya di 1.075. Itu bukan perbedaan pembulatan — ini model yang berbeda yang menang, dan alasannya adalah kedua papan tersebut tidak mengukur hal yang sama. Jika Anda memilih suara untuk sebuah produk, mengetahui pertanyaan mana dari kedua pertanyaan itu yang sebenarnya diajukan oleh kasus penggunaan Anda adalah inti dari seluruh keputusan.

Dua papan, dua pertanyaan yang berbeda

Provider Voice Arena menilai suara bawaan milik model itu sendiri — suara yang dirilis dan dihosting oleh vendor. Controlled Voice Arena menjaga suara tetap konstan dan menilai seberapa baik setiap model tampil saat diminta berbicara dengan suara yang bukan miliknya. Juri yang sama, jenis perbandingan buta yang sama, variabel yang berbeda.

Perbedaan itu berkaitan dengan dua pekerjaan yang berbeda:

• Peringkat penyedia menjawab "apakah model ini terdengar bagus sejak awal". Ini adalah papan yang tepat untuk produk yang hadir dengan kumpulan suara narator tetap dan tidak pernah mengkloning apa pun.

• Peringkat terkontrol menjawab "apakah model ini mematuhi spesifikasi voice". Itu adalah papan yang tepat untuk produk yang voice-nya milik pelanggan — voice merek yang dikloning, aktor berlisensi, identitas per-tenant.

Model-model Google memimpin pada yang pertama. Model-model Inworld memimpin pada yang kedua. Kedua pernyataan itu benar pada saat yang sama dan tidak satu pun merupakan kontradiksi, yang justru membuat jawaban tunggal untuk "model TTS mana yang terbaik" biasanya menjadi tanda bahwa penulisnya memilih satu papan peringkat dan tidak melihat papan lainnya.

Apa makna posisi nomor satu Inworld dalam praktiknya

Hasil Controlled peringkat pertama adalah klaim tentang kesetiaan pada suatu instruksi, dan kesetiaan pada suatu instruksi adalah sifat yang menentukan apakah kloning dapat digunakan sama sekali.

Jalur kloning Inworld hadir dalam dua bentuk. Kloning instan bekerja dari sampel pendek — angka dari vendor adalah 5 hingga 15 detik audio referensi — dan tingkat kloning profesional berada dalam tahap beta serta menargetkan sekitar sepuluh menit. Keduanya dilaporkan oleh vendor, dan tidak satu pun diverifikasi secara independen oleh arena; yang diukur arena adalah perilaku model setelah ia memiliki suara, bukan kualitas langkah kloning yang menghasilkannya.

Klaim latensi yang melekat pada keluarga ini berada dalam kategori yang sama. Angka byte pertama varian Flash — 25 milidetik, yang dilaporkan melalui pengukuran pihak ketiga — dan angka p99 untuk model penuh adalah milik Inworld sendiri, dan arena tidak mengatakan apa pun tentang keduanya. Angka-angka itu masuk akal untuk model yang berorientasi realtime dan belum terverifikasi, yang merupakan cara yang tepat untuk menyikapinya.

Jadi bacaan praktisnya adalah: jika produk Anda mengkloning suara, hasil Controlled dari Inworld adalah yang lebih relevan di antara kedua skor tersebut, dan itulah alasan peringkat Provider yang lebih rendah tidak mendiskualifikasi. Jika produk Anda tidak mengkloning, keunggulan itu tidak terlihat bagi Anda dan papan Provider-lah yang perlu dibaca.

Tangga harga memiliki tiga tingkat, dan yang murah adalah langganan.

Membandingkan satu harga dengan satu harga membuat perbandingan ini salah, karena Inworld tidak memiliki harga — ia memiliki tangga.

• Sesuai permintaan — Realtime TTS-2 seharga $25.00 per juta karakter, Flash $15.00. Ini adalah tarif yang dilihat oleh pengguna bayar-sesuai-pemakaian, dan ini adalah angka yang diterbitkan sendiri oleh vendor.

• Creator plan — $20.00 dan $10.00 untuk dua model yang sama, yang merupakan diskon 20% dan 33% karena berkomitmen pada paket alih-alih metering. Dilaporkan vendor, dan tingkatan yang paling perlu diperiksa ulang di halaman harga langsung sebelum Anda berkomitmen, karena ketentuan paket bergerak lebih cepat daripada tarif daftar.

• Dinormalisasi — konversi per juta karakter milik arena menghasilkan $20,80 untuk Realtime TTS-2 dan $10,40 untuk Flash, yang merupakan perhitungan papan peringkat, bukan kutipan dari vendor mana pun.

Sebagai pembanding, tarif Google berbasis token dan bersifat promosi: $0,50 per juta token teks masuk dan $9,00 per juta token audio keluar hingga 31 Desember 2026, lalu $18,00; Flash-Lite TTS adalah $0,50 dan $6,00, lalu $12,00. Setelah dinormalisasi, itu berarti $16,50 dan $11,00.

Baca keduanya bersama-sama dan gambarannya menjadi lebih menarik daripada "Google lebih murah". Berdasarkan angka-angka yang dipublikasikan hari ini, Flash TTS adalah yang termurah di antara ketiga model dan varian Flash milik Inworld adalah yang termurah kedua — kedua model Flash itu cukup berdekatan sehingga perubahan kecil pada rasio audio-ke-teks Anda dapat membalik mana yang tagihannya lebih rendah. Pada 1 Januari 2027, ketika tarif Google berlipat ganda, urutannya menetap dan Inworld menjadi opsi yang lebih murah di setiap tingkat tangganya. Siapa pun yang membandingkan keduanya pada bulan September dan mengambil keputusan pada bulan Desember sedang membandingkan angka yang salah.

Di mana masing-masing adalah jawaban yang lebih baik

Kedua model cukup berdekatan dalam hal kualitas sehingga faktor pembedanya bersifat struktural, jadi versi jujurnya adalah daftar kondisi, bukan sebuah putusan.

Pilih Gemini 3.8 Flash TTS ketika Anda bebas memilih suara. Desain suara dari deskripsi tertulis, dialog dua pembicara dalam satu panggilan, gaya per giliran, dan cakupan bahasa terluas di antara keduanya menurut hitungan Google sendiri — yang tidak satu pun ditandingi Inworld dalam perbandingan ini. Model ini juga yang lebih murah saat ini, dan saudaranya Flash-Lite memberi Anda titik harga kedua di dalam API yang sama.

Pilih Inworld Realtime TTS-2 ketika suara itu milik pelanggan. Baris Controlled Voice teratas, jalur kloning instan yang diukur dalam hitungan detik audio referensi, tingkat kloning profesional untuk kasus yang membutuhkan lebih, dan orientasi realtime yang didukung klaim byte pertama yang dipublikasikan vendor — dengan catatan bahwa klaim tersebut berasal dari vendor. Berdasarkan dokumentasi vendor sendiri, layanan ini hanya berbahasa Inggris, yang merupakan batasan ketat jika Anda membutuhkan hal lain.

Tak satu pun dari model ini dihosting oleh OrcaRouter, dan ada baiknya hal itu dikatakan terus terang alih-alih menyiratkan sebaliknya: tempat untuk memanggil Gemini 3.8 Flash TTS adalah API milik Google sendiri dan permukaan yang disebutkan Google pada 23 September, dan tempat untuk memanggil Inworld Realtime TTS-2 adalah platform milik Inworld sendiri. Yang menjadi kegunaan OrcaRouter adalah segala hal di sekitar pilihan itu — lebih dari 200 model di balik satu kunci dengan harga daftar penyedia tanpa markup, sehingga perubahan tarif vendor seperti kenaikan Januari langsung berlaku di sisi kami pada hari yang sama, failover otomatis sehingga model yang sedang dievaluasi tidak harus menjadi dependensi produksi, serta DSL perutean untuk menyusun model menjadi satu panggilan ketika tidak ada satu suara pun yang menangani seluruh pekerjaan.

Alasan untuk tetap mempertimbangkan keduanya adalah bahwa perubahan tarif Januari dan perbedaan Controlled-versus-Provider merupakan dua alasan terpisah yang dapat membuat jawaban berubah. Pipeline yang hanya dapat memanggil salah satunya tidak dapat mengikuti salah satu pun.