Voxtral 3 TTS vs Cartesia Sonic 3.6: 72 Elo dengan Harga 3,8 Kali Lipat

Cartesia Sonic 3.6 memenangkan argumen kualitas dan Voxtral 3 T​TS memenangkan soal tagihan, dan besarnya kedua selisih itulah inti perbandingannya. Dalam papan peringkat Provider Voice Artificial Analysis pada 21 Oktober 2026, Sonic 3.6 berada di 1.289 Elo (#4 dari 98 sistem yang dinilai) versus 1.217 untuk Voxtral 3 T​TS (#13). Selisihnya 72 poin, jauh di luar interval kepercayaan kedua model. Selisih harga bergerak ke arah sebaliknya dan lebih lebar: $49 per juta karakter untuk Sonic 3.6 versus $13 untuk Voxtral 3 T​TS — 3,8 kali lipat untuk model yang dirilis Mistral satu hari lebih awal daripada pembacaan papan ini. Tak satu pun angka itu diperdebatkan. Yang diperdebatkan adalah seberapa berharga selisih 72 poin dari pendengaran buta dalam produksi, dan itu sepenuhnya bergantung pada apa yang dilakukan suara tersebut. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, kelas keyakinan, dan penanda status diperdebatkan.

Pertama, apa yang sebenarnya diukur oleh dewan-dewan itu

Kedua angka berasal dari sumber yang sama, yang lebih penting daripada biasanya dalam kategori di mana setiap vendor menerbitkan studi preferensinya sendiri. Artificial Analysis menjalankan dua papan peringkat, dan kedua model muncul di keduanya.

• Suara Penyedia — setiap model dinilai dengan suara aslinya sendiri. Sonic 3.6: 1.289 Elo, #4, interval 95% 1.275–1.303, 2.732 perbandingan. Voxtral 3 T​TS: 1.217 Elo, #13, interval 1.202–1.232, 1.619 perbandingan.

• Suara Terkendali — setiap model diklon ke delapan suara referensi yang sama, sehingga pendengar membandingkan mesinnya, bukan pemilihan suaranya. Sonic 3.6: 1.151 Elo, #5, interval 1.138–1.164. Voxtral 3 TTS: 1.066 Elo, #14, interval 1.049–1.083.

• Dirilis — Sonic 3.6 pada Agustus 2026; Voxtral 3 TTS pada 20 Oktober 2026.

• Harga daftar — $49.00 per 1 juta karakter dibandingkan $13.00 per 1 juta karakter, keduanya sebagaimana dilacak oleh Artificial Analysis dan sesuai dengan harga publik masing-masing vendor.

• Throughput — median 145 karakter per detik untuk Sonic 3.6 versus 112 untuk Voxtral 3 T​TS, diukur oleh Artificial Analysis.

• Bobot — tertutup untuk keduanya. Tidak satu pun dapat di-hosting sendiri di bawah lisensi permisif.

Ada dua detail tentang tabel itu yang mudah dilewatkan dan seharusnya tidak. Hasil Controlled Voice adalah yang lebih jujur di antara keduanya, karena menghilangkan keuntungan memiliki pustaka suara yang baik, dan di situ selisihnya melebar dari 72 poin menjadi 85. Sonic 3.6 tidak menang dalam pemilihan suara; ia menang dalam sintesis. Detail kedua adalah jumlah sampel. Voxtral 3 TTS memiliki 1.619 perbandingan di papan penyedia, sekitar 40% lebih sedikit daripada Sonic 3.6, dan intervalnya pun lebih lebar. Skor hari kedua adalah skor nyata, tetapi akan bergerak.

Dari mana 72 Elo berasal, fitur demi fitur

Elo adalah jumlah preferensi, bukan diagnosis, jadi patut ditanyakan keputusan produk mana yang menghasilkannya. Kedua model dibangun untuk pekerjaan yang berbeda dan spesifikasinya menunjukkan hal itu.

Cartesia membangun mesin streaming. Klaim utama Sonic 3.6 adalah audio pertama dalam waktu kurang dari 90 milidetik, dari halaman vendor yang mengedepankan kecepatan. Kontrolnya adalah kontrol yang dibutuhkan agen langsung: isyarat inline seperti tawa, modulasi volume dan kecepatan, kamus pengucapan kustom, emosi yang disimpulkan dari konteks. Ini adalah model yang dirancang untuk dipanggil di tengah percakapan dan mulai berbicara hampir seketika.

Mistral membangun suara studio dengan pembungkus enterprise. Voxtral 3 T​TS menawarkan 35+ bahasa dan 50+ dialek, preset suara dalam 18 bahasa, kontrol tingkat prompt atas emosi, tempo, dan penekanan, pengucapan tingkat fonem, serta pustaka kosakata. Kisah kloningnya adalah "Pro Voice": 30 menit audio untuk mereproduksi karakter, rentang emosi, dan gaya penutur lintas bahasa. Itu adalah pipeline adaptasi, bukan kloning instan.

Konsekuensi praktisnya adalah kedua model tersebut tidak bersaing untuk slot yang sama. Proses adaptasi suara selama 30 menit merupakan operasi brand voice; kloning instan dalam 10 detik adalah fitur yang berhadapan langsung dengan pengguna. Jika produk Anda memungkinkan pelanggan mengunggah klip dan mendengar suara mereka sendiri dalam suara yang dihasilkan, Sonic 3.6 melakukannya, sedangkan Voxtral 3 TTS, sebagaimana didokumentasikan, tidak.

Asimetri latensi memperburuknya. Cartesia menerbitkan angka latensi dan Mistral tidak. Voxtral 3 TTS tidak memiliki waktu-ke-audio-pertama yang diterbitkan di mana pun dalam materi peluncuran; angka terdekat adalah klaim di bawah 500 ms pada model transkripsi real-time terpisah. Angka yang tidak ada bukanlah angka yang buruk, tetapi dalam keputusan pembelian itu adalah risiko yang Anda tanggung, dan vendor yang menerbitkan angkanya adalah pilihan default yang lebih aman untuk apa pun yang interaktif.

Aritmetika biaya, pada skala ketika dampaknya benar-benar terasa

Penetapan harga per karakter tampak abstrak sampai dikalikan dengan volume. Dengan sekitar 900 karakter per menit ucapan, satu jam berbicara terus-menerus adalah sekitar 54.000 karakter.

• Satu jam audio — Sonic 3.6: sekitar $2,65. Voxtral 3 T​TS: sekitar $0,70.

• Seribu jam per bulan — Sonic 3.6: sekitar $2,650. Voxtral 3 TTS: sekitar $700. Selisih sekitar $23,400 per tahun.

• Sepuluh ribu jam per bulan — Sonic 3.6: sekitar $26,500. Voxtral 3 T​TS: sekitar $7,000. Selisih sekitar $234,000 per tahun.

Pada ujung bawah rentang itu, selisihnya hanyalah pos anggaran yang diperdebatkan seseorang. Pada ujung atas, itu adalah jumlah personel. Itulah seluruh dasar argumen untuk Voxtral 3 T​TS, dan itu kuat untuk beban kerja apa pun yang suaranya berdurasi panjang dan dirender terlebih dahulu: buku audio, modul e-learning, narasi katalog, alur dubbing. Dalam pekerjaan tersebut, 72 Elo muncul sebagai pembacaan yang sedikit kurang natural pada sebagian kecil kalimat, dan pendengar tidak membandingkannya dengan apa pun.

Titik ketika perhitungan berubah bentuk adalah saat kedua model mengerjakan tugas yang berbeda dalam satu produk. Saluran dukungan membutuhkan latensi Sonic 3.6 dan waktu mulainya yang kurang dari satu detik; narasi pemasaran perusahaan yang sama tidak memerlukannya. Membayar $49 untuk tugas kedua berarti $49 yang dibelanjakan untuk kemampuan yang tidak dapat digunakan oleh tugas itu — dan cara terbersih untuk mempertahankan keduanya tanpa dua proses pengadaan adalah lapisan perutean yang memperlakukan model sebagai parameter. Itulah argumen untuk penyiapan OrcaRouter, bukan untuk salah satu vendor: satu API yang kompatibel dengan OpenAI untuk 200+ model, harga daftar penyedia diteruskan dengan markup 0%, dan DSL perutean yang dapat mengirim tugas narasi batch dan panggilan real-time ke backend yang berbeda dengan kunci yang sama. Baik Sonic 3.6 maupun Voxtral 3 TTS tidak ada dalam katalog OrcaRouter pada saat penulisan ini, jadi saat ini keduanya diakses melalui API milik vendor masing-masing dan beberapa platform pihak ketiga — intinya adalah bentuk integrasinya ketika keduanya sudah ada.

Tiga keberatan yang menentukan dalam praktik

Yang pertama adalah bahasa. Cartesia mengiklankan 44 bahasa dari satu model. Mistral mengiklankan 35+ bahasa dan 50+ dialek, dengan preset untuk 18. Di atas kertas, Mistral menjangkau lebih luas; dalam praktik, jumlah dialek adalah janji tentang luasnya cakupan, bukan janji bahwa setiap dialek telah dievaluasi. Jika peta jalan Anda mencakup pasar yang belum memiliki demo dari kedua vendor, mintalah sampel alih-alih membaca angka. Satu area yang jelas-jelas lebih kuat pada Mistral adalah cakupan Eropa: Mistral mengklaim semua 24 bahasa resmi Uni Eropa untuk model transkripsinya dan 35+ untuk sintesis, serta Mistral adalah perusahaan Prancis yang menjual ke pengadaan UE dengan opsi residensi data di endpoint UE, AS, dan global. Sonic 3.6 tidak memiliki padanan narasi penerapan berdaulat.

Yang kedua adalah kontrol pelafalan dalam produksi. Di sinilah kesenjangan Elo paling menyesatkan. Model yang membaca "Dr. Nguyen" dengan benar tanpa kamus bisa berada di peringkat bawah dibandingkan model yang terdengar lebih natural pada prosa umum. Voxtral 3 T​TS menyertakan pustaka kosakata dan kontrol fonem; Sonic 3.6 menyertakan kamus pelafalan khusus dan isyarat penyampaian inline. Keduanya memiliki fitur tersebut. Milik Mistral ditujukan untuk nama dan istilah merek dalam konten perusahaan; milik Cartesia ditujukan untuk masalah yang sama di dalam panggilan streaming. Uji leksikon Anda sendiri — daftar nama produk, nama keluarga, dan akronim yang dibaca lantang — sebelum salah satu skor mendapat suara.

Yang ketiga adalah apa yang terjadi ketika vendor mengalami hari buruk. Pipeline suara satu-endpoint gagal tertutup: endpoint terdegradasi dan produk menjadi senyap. Sonic 3.6 dan Voxtral 3 T​TS berada di infrastruktur berbeda dengan mode kegagalan berbeda, dan jalur fallback di antara keduanya layak dirancang sebelum dibutuhkan. Failover otomatis lintas penyedia adalah hal spesifik yang didapat dari router di sini, dan itu lebih bernilai dalam ucapan daripada teks karena token yang hilang tidak terlihat sedangkan suku kata yang hilang terlihat.

Jadi yang mana

Pilih Cartesia Sonic 3.6 saat suara digunakan dalam percakapan: agen telepon, asisten dalam aplikasi, NPC game, apa pun yang suku kata pertamanya tiba sebelum pengguna selesai membaca spinner. Anda membayar $49 per sejuta karakter untuk model yang mulai dalam waktu kurang dari 90 milidetik dan mencetak 1.289 di papan peringkat, dan harganya dapat dipertahankan dibandingkan setiap model lain di kelas latensi tersebut.

Pilih Voxtral 3 T​TSsaat suara menjadi konten: narasi, dubbing, suara merek di seluruh katalog, apa pun yang dirender terlebih dahulu lalu diputar kembali. Anda membayar $13 untuk model yang tertinggal 72 Elo dari pemimpin dan 3,8 kali lebih murah, dengan residensi data UE dan pipeline adaptasi suara 30 menit yang lebih cocok untuk satu suara korporat daripada klon per pengguna.

Jangan memilih salah satunya secara eksklusif jika Anda menyediakan kedua jenis audio. Kesalahan yang harus dihindari adalah memilih sekali lalu membayar tarif model premium untuk pekerjaan yang bisa dilakukan model murah, atau menanggung latensi model murah di tempat yang fatal. Dua endpoint di balik satu kunci adalah konfigurasi yang mencegah keputusan menjadi permanen.

Pertanyaan yang masih terbuka adalah berapa angka latensi Mistral yang hilang itu nantinya. Jika Voxtral 3 T​TS melakukan streaming dengan angka audio pertama yang mendekati Cartesia, harga $13 menjadi fakta yang jauh lebih sulit dibantah dan 72 Elo menjadi satu-satunya yang masih dimiliki Sonic 3.6. Mistral belum menerbitkannya, belum ada pihak ketiga yang mengukurnya, dan sampai salah satu dari itu berubah, slot streaming menjadi milik Cartesia secara default.