Voxtral 3 TTS vs ElevenLabs: Enam Kali Lebih Murah, Tertinggal Seratus Poin

Mistral menetapkan harga Voxtral 3 T​TS sebesar $13 per juta karakter dan membawanya ke pasar tempat model yang dijadikan tolok ukur semua orang, ElevenLabs Eleven v4, berharga $80 dan mencetak 1.328 Elo berbanding 1.217 milik Voxtral. Itu berarti preferensi pendengar buta sebesar 111 poin dengan biaya 6,2 kali lipat, dan sekilas model murah itu tidak cukup dekat untuk berpengaruh. Namun itu tetap penting, karena alasan yang tidak ditunjukkan papan skor: ElevenLabs bukan hanya menjual sintesis. ElevenLabs menjual platform suara — pustaka, dubbing, agen, kloning profesional — dan sebagian besar tim yang membayar $80 per juta karakter membayar untuk platform itu sama besarnya dengan untuk suaranya. Voxtral 3 T​TS, yang dirilis pada 20 Oktober 2026, hadir di dalam SDK agen dan narasi penerapan berdaulat UE sebagai gantinya. Oleh karena itu, perbandingan yang menentukan pembelian bukanlah "mana yang terdengar lebih baik", karena itu sudah jelas, melainkan "dari kedua paket itu, mana yang sebenarnya Anda butuhkan". Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan di the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda perdebatan.

Papan skor, sebelum apa pun

• Elo Suara Penyedia — ElevenLabs Eleven v4: 1.328 (#2 dari 98). Voxtral 3 TTS: 1.217 (#13). Keduanya menurut Artificial Analysis, dibaca pada 21 Oktober 2026.

• Elo Suara Terkendali — Eleven v4: 1,157 (#4, seri dengan Eleven v4 Turbo). Voxtral 3 TTS: 1,066 (#14).

• Harga daftar per 1 juta karakter — $80.00 vs $13.00.

• Bahasa — ElevenLabs: 74 di semua paket. Voxtral 3 T​TS: 35+ bahasa dan 50+ dialek, dengan preset di 18.

• Kloning instan — ElevenLabs: dari sekitar 30 detik audio pada paket berbayar. Voxtral 3 TTS: belum ada kloning instan yang dipublikasikan; adaptasi "Pro Voice" membutuhkan 30 menit audio.

• Bobot — ditutup untuk keduanya.

Satu baris dalam daftar itu layak ditinjau ulang: produk unggulan ElevenLabs sendiri yang lebih murah. Eleven v4 Turbo mencetak skor 1.333 — lima poin di atas Eleven v4, masih dalam rentang noise — dengan harga $40 per juta karakter, tepat setengahnya. Jika pilihannya murni soal suara terbaik yang dijual ElevenLabs, Turbo adalah pembelian yang masuk akal dan memangkas jarak ke Voxtral 3 T​TS dari 111 Elo menjadi 116 hanya dengan biaya tiga kali lipat. Tangga harga ElevenLabs lebih lebar daripada yang diakui sebagian besar perbandingan dalam pertarungan ini.

Seperti apa 111 poin itu dalam sebuah produk

Selisih Elo sebesar itu bukanlah hal yang samar. Dalam mendengarkan berdampingan secara buta, itu adalah perbedaan yang disadari pendengar pada kalimat pertama, bukan kalimat kelima — sebanding dengan selisih antara Eleven v3 dan Eleven v4 dalam lini ElevenLabs sendiri (1.182 vs 1.328). Sonic 3.6 dari Cartesia, pada 1.289, berada di antaranya dan merupakan model yang paling langsung membantah anggapan "Anda mendapatkan apa yang Anda bayar"; model ini mengalahkan Voxtral dengan selisih 72 dan berharga $49, setengah dari Eleven v4.

Titik utama kesenjangannya adalah kendali penyampaian pada materi ekspresif. Generasi v4 ElevenLabs dibangun di sekitar tag audio — instruksi inline untuk emosi, tempo, dan penekanan yang disematkan dalam teks — dan di sekitar pustaka suara yang cukup kaya sehingga sebagian besar tim tidak perlu melakukan kloning sama sekali. Voxtral 3 TTS dari Mistral menawarkan kendali tingkat prompt atas emosi, tempo, dan penekanan plus pengucapan tingkat fonem dan pustaka kosakata. Keduanya mengekspos arahan. ElevenLabs telah mendapat umpan balik publik selama dua generasi tentang bagaimana kendali tersebut berperilaku di batas ekstrem, sedangkan Voxtral 3 TTS baru seumur satu hari.

Yang menjadi celah adalah bahasa Eropa selain Inggris. Model Mistral dibangun dengan pendekatan multibahasa sejak awal, dengan klaim 50+ dialek dan seluruh 24 bahasa resmi UE tercakup di seluruh keluarga model suaranya. ElevenLabs mencakup 74 bahasa, yang lebih luas secara jumlah, tetapi luasnya jumlah dan kualitas per bahasa adalah klaim yang berbeda, dan tidak ada vendor yang menerbitkan Elo per bahasa. Jika Anda merilis produk dalam bahasa Belanda, Polandia, atau Portugis, tidak ada papan skor yang memberi Anda jawabannya; Anda harus mendengarkannya sendiri.

Apa yang sebenarnya dibeli dengan $80 per juta karakter

Inilah bagian perbandingan ketika perbedaan harga tidak lagi terlihat seperti markup. Tarif per karakter ElevenLabs tergabung dalam sebuah platform: marketplace suara bersama yang bisa Anda lisensikan alih-alih kloning, kloning suara profesional dari sekitar 30 menit audio dengan alur persetujuan, dubbing, efek suara, stack agen percakapan, serta pustaka klien dan integrasi yang sudah bertahun-tahun dikembangkan. Tidak satu pun dari itu muncul di papan peringkat, dan semuanya adalah pekerjaan yang kalau tidak, harus dilakukan sendiri oleh tim.

Langkah Mistral menunjuk ke arah yang berbeda. Voxtral 3 TTS hadir bersama SDK voice-agent berbasis LiveKit dengan dukungan telepon SIP, WebRTC, dan IVR, klaim giliran agen di bawah satu detik, serta harga agen per menit sebesar $0,04 dengan Mistral Small 4 sebagai model penalarannya. Produk ini juga disertai tawaran eksplisit untuk penerapan berdaulat: endpoint EU, US, dan global, penerapan mandiri di infrastruktur privat, serta perhatian yang dinyatakan secara jelas terhadap lokasi pemrosesan audio dan apakah audio tersebut disimpan. Bagi perusahaan Eropa atau pembeli sektor publik, itu adalah jawaban pengadaan yang saat ini tidak dapat disamai ElevenLabs dalam bentuk yang sama.

Sederhananya: ElevenLabs menjual keluasan produk, Mistral menjual kendali atas penerapan. Tim yang membutuhkan dubbing, efek suara, dan katalog suara berlisensi sama sekali tidak memilih di antara keduanya. Tim yang membutuhkan satu suara, dalam satu pasangan bahasa, yang berjalan di pusat data yang mereka kendalikan, membayar untuk banyak sekali fitur ElevenLabs yang tidak akan pernah mereka aktifkan.

Pertanyaan migrasi, sejujurnya.

Kerangka yang menggoda adalah "beralih dari ElevenLabs dan hemat 84%". Hitung dulu angkanya sebelum mempercayainya, karena penghematan itu hanya nyata bagi beban kerja yang mampu menyerap penurunan kualitas dan hilangnya fitur.

• Narasi murni dalam skala besar, satu bahasa, tanpa suara berlisensi — penghematannya nyata. Seribu jam per bulan kira-kira $4,320 dengan Eleven v4 dibandingkan $700 dengan Voxtral 3 TTS, dan pendengar tidak melakukan perbandingan A/B.

• Apa pun yang menggunakan suara selebritas atau merek berlisensi dari pustaka ElevenLabs — migrasi tidak dapat dilakukan. Voxtral 3 TTS tidak memiliki marketplace; Anda menyediakan 30 menit audio dan membuat adaptasi Anda sendiri.

• Apa pun yang menghadap pengguna ketika pelanggan mengunggah klip singkat dan mengharapkan mendengar suara mereka sendiri — ElevenLabs mengkloning dalam sekitar 30 detik dan Voxtral, menurut dokumentasi Mistral, tidak menawarkan klon instan sama sekali.

• Apa pun yang sudah menggunakan dubbing, efek suara, atau tumpukan percakapan — perbandingan efektifnya bukanlah $80 versus $13, karena beralih berarti mengganti produk-produk yang tidak pernah berada pada baris tagihan yang sama.

Pola yang realistis adalah pembagian: pertahankan ElevenLabs untuk bagian-bagian produk yang didengarkan secara saksama oleh manusia dan mungkin dibandingkan, lalu alihkan rendering massal ke model yang lebih murah. Menjalankan pembagian itu secara rapi merupakan persoalan routing, bukan pengadaan. OrcaRouter menyediakan 200+ model di balik satu kunci yang kompatibel dengan OpenAI dengan harga daftar penyedia diteruskan tanpa markup 0%, sehingga pekerjaan narasi dengan suara khas brand dan klon untuk pelanggan dapat diarahkan ke backend berbeda tanpa kontrak kedua — dan jika salah satu endpoint menurun di tengah rendering, failover otomatis menjaga pekerjaan tetap berjalan. Pada saat penulisan ini, baik Voxtral 3 T​TS maupun ElevenLabs tidak ada dalam katalog OrcaRouter; keduanya dapat diakses melalui API vendor masing-masing dan beberapa platform pihak ketiga, dan desain routing itulah yang Anda bangun sekarang agar pengalihannya nanti cukup berupa perubahan konfigurasi.

Apa yang akan mengubah putusan ini

Tiga perkembangan, yang belum satu pun terjadi.

Yang pertama adalah angka latensi. Mistral belum menerbitkan waktu hingga audio pertama untuk Voxtral 3 T​TS. Satu-satunya angka latensi dalam materi peluncuran adalah milik model transkripsi real-time (di bawah 500 ms) dan loop agen (kurang dari satu detik). Artificial Analysis melaporkan throughput median 112 karakter per detik, yang lebih cepat daripada 56 milik Eleven v3 dan lebih lambat daripada 145 milik Sonic 3.6, tetapi throughput bukan waktu mulai. Jika Voxtral 3 T​TS ternyata melakukan streaming dengan angka audio pertama mendekati Cartesia, ia menjadi kandidat untuk pekerjaan interaktif dan harga ElevenLabs terlihat lebih buruk. Jika tidak, kategori streaming tetap tertutup baginya dan $13 hanyalah harga rendering batch.

Yang kedua adalah evaluasi independen pada tingkat bahasa. Skor papan bersifat agregat; sebuah model dapat memiliki 1,217 Elo secara keseluruhan dan jauh lebih baik atau jauh lebih buruk dalam bahasa Italia. Tidak ada vendor yang menerbitkan rinciannya, dan bagi pembeli Eropa, itulah angka yang paling penting.

Yang ketiga adalah daya tahan. Klip Arena itu pendek. Materi Mistral tidak mencantumkan panjang generasi maksimum untuk endpoint T​TS, dan koherensi bentuk panjang — hal yang menjadi fondasi warisan narasi ElevenLabs — belum diuji untuk Voxtral 3 T​TS pada panjang apa pun yang relevan bagi produser audiobook.

Sampai hal-hal itu terwujud, keputusannya luar biasa jelas. Jika suara produk Anda dinilai pelanggan lewat klip singkat, bayarlah ElevenLabs, dan bayar Eleven v4 Turbo seharga $40 alih-alih model unggulan seharga $80. Jika suara produk Anda dihasilkan secara massal, dalam bahasa Eropa, di infrastruktur yang Anda kendalikan, dan diputar ulang alih-alih ditampilkan secara langsung, Voxtral 3 T​TS seharga $13 adalah taruhan yang dapat dipertahankan dengan batas kualitas yang sudah diketahui — dan batas itu 111 poin di bawah pemain utama saat ini, angka yang bisa Anda rencanakan sejak awal alih-alih kejutan yang baru Anda temukan saat tinjauan.