Gemini 3.8 TTS vs Cartesia Sonic 3.6: Tredici punti Elo e sedici dollari

I due modelli text-to-speech più vicini nella classifica dei voti ciechi di Artificial Analysis distano una posizione e sedici dollari, e questi due divari puntano in direzioni opposte. Cartesia Sonic 3.6 è al primo posto con un Elo di Provider Voice Arena di 1.273 su 1.757 campioni. Gemini 3.8 Flash TTS è al secondo posto con 1.260 su 1.999 campioni. Il divario di Elo è di tredici punti — all'interno dell'intervallo di confidenza pubblicato per entrambi — e il divario di prezzo va nella direzione opposta, con Gemini a 33,00 $ per milione di caratteri contro i 49,00 $ di Cartesia. Se stai scegliendo tra i due, la lettura onesta è che stai pagando sedici dollari per milione di caratteri per una differenza di qualità che la classifica non riesce a risolvere.

Questa è l'intera decisione, e vale la pena prendersi più tempo perché entrambi i modelli sono così nuovi che quasi nient'altro è stato misurato. Cartesia Sonic 3.6 è arrivato ad agosto 2026. Gemini 3.8 Flash TTS è arrivato il 23 settembre 2026. Nessuno dei due ha un benchmark indipendente pubblicato oltre ai voti dell'arena, e i voti dell'arena li collocano in un pareggio statistico in vetta.

Cosa dice davvero la classifica

L'Artificial Analysis Provider Voice Arena è la classifica utile in questo caso, perché confronta le voci native di ciascun provider con quelle di ogni altro provider, tramite un voto pairwise in cieco. Si tratta di un confronto più equo rispetto a una classifica a voce controllata per rispondere alla domanda "quale prodotto suona meglio", perché consente a ogni fornitore di distribuire le voci che effettivamente distribuisce.

• Posizione 1 — Cartesia Sonic 3.6, Elo 1.273 con un intervallo di 17 punti, 1.757 campioni, 8 voci dell'arena, rilasciato ad agosto 2026, 49,0 $ per 1 milione di caratteri.

• Posizione 2 — Gemini 3.8 Flash TTS, Elo 1.260 con un intervallo di 17 punti, 1.999 campioni, 8 voci dell'arena, rilasciato a settembre 2026, 33,0 $ per 1 milione di caratteri.

• Posizione 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1.259, 1.447 campioni, 15 voci dell'arena, 27,6 $ per 1 milione di caratteri.

Dal 4º al 9º posto, per contesto — Inworld Realtime TTS-2 a 1.245, SpeechifyAI Simba 3.2 a 1.237, Google Gemini 3.8 Flash-Lite TTS a 1.235, VUI Labs Luna TTS a 1.230, Inworld Realtime TTS-2 Flash a 1.210 e BreezeBlue Breeze TTS 2 a 1.204.

Leggi gli intervalli e i primi tre collassano l'uno nell'altro. Il 1.273 di Sonic 3.6 copre un intervallo di diciassette punti; il 1.260 di Gemini ha lo stesso. I loro intervalli si sovrappongono per quasi tutta la loro ampiezza. Qwen-Audio-3.0-TTS-Plus a 1.259 si sovrappone a entrambi. La classifica ti sta dicendo che questi tre sono indistinguibili in base alla preferenza in cieco sui campioni raccolti finora, e che l'ordine tra loro non è un'evidenza stabile.

Anche i conteggi dei campioni sono abbastanza vicini da non spiegare la differenza: 1.757 per Cartesia contro 1.999 per Gemini. Entrambi si collocano nelle migliaia inferiori, una cifra sufficiente a inserire un modello in una fascia, ma non a distinguere i vicini al suo interno.

Da dove vengono i sedici dollari

La pagina dei prezzi di Cartesia non pubblica una tariffa per milione di caratteri per Sonic. Vende livelli di abbonamento con minuti inclusi — Free a 0 $ con 20.000 crediti, circa 27 minuti di Sonic 3.6; Pro a 5 $ con 100.000 crediti, circa 133 minuti; Startup a 49 $ con 1,25 milioni di crediti, circa 1.667 minuti; Scale a 299 $ con 8 milioni di crediti, circa 10.667 minuti — oltre a limiti di concorrenza di 2, 3, 5 e 15 rispettivamente, localizzazione vocale a 225 crediti per accento aggiunto, durata delle chiamate dell'agente vocale a 0,06 $ al minuto e telefonia a 0,014 $ al minuto.

Quindi i $49.00 per milione di caratteri non sono il prezzo di listino di Cartesia nelle sue unità. È Artificial Analysis che normalizza i crediti di Cartesia in un denominatore comune, così che la tabella possa quantomeno classificare in base al prezzo. È una cosa legittima da fare per una tabella comparativa, ed è l'unico dato comparabile disponibile, ma significa che il numero di Cartesia è una tariffa derivata, mentre quello di Gemini è pubblicato.

La tariffa di Google è semplice. Gemini 3.8 Flash TTS fattura 0,50 $ per milione di token di testo in input e 9,00 $ per milione di token audio in output fino al 31 dicembre 2026, poi 1,00 $ e 18,00 $. L'audio viene conteggiato a 25 token al secondo, quindi la tariffa di output audio equivale a circa 0,02 centesimi al secondo di parlato. Flash-Lite TTS, il fratello più economico, costa 6,00 $ per milione di token audio sullo stesso secondo da 25 token, e Artificial Analysis lo colloca a un equivalente di 22,10 $ per milione di caratteri, al 6° posto con un Elo di 1.235.

• Prezzo per 1 milione di caratteri — 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, tutti con intervalli di 17 punti nelle prime due posizioni.

• Voci dell'arena — 8 vs 8 vs 8.

• Campioni — 1.757 vs 1.999 vs 2.000.

• Disponibilità — beta ospitata di Cartesia vs l'API Gemini Developer di Google, disponibile a livello generale.

• Rilascio del peso — chiuso per entrambi; nessuno dei due è scaricabile.

La parte che il confronto dei prezzi nasconde

L'unità per milione di caratteri è comoda e non è il modo in cui fattura nessuno dei due prodotti.

L'unità di Cartesia è un credito su un abbonamento, con limiti di concorrenza associati al livello. Ciò significa che il costo marginale dei tuoi prossimi mille caratteri è zero finché non raggiungi il limite, e poi è il costo del livello successivo. Per un carico di lavoro con un tetto prevedibile, è un affare migliore di quanto suggerisca la tariffa per carattere — stai comprando margine, non consumo. Per un carico di lavoro che presenta picchi, è peggio, perché una concorrenza di 2 nel livello Free e di 3 in Pro è un muro invalicabile più che un prezzo.

L'unità di Gemini è un token, misurato per chiamata, senza alcun tetto di concorrenza pubblicato e con tre livelli di servizio — Standard, Batch e Flex, e Priority — a tariffe diverse. Batch e Flex dimezzano la tariffa audio a $4,50 per milione di token su Flash TTS; Priority la porta a $16,20. Si tratta di un modello di costo molto più granulare, e premia ciò che la tariffazione di Google di solito premia: sapere in anticipo se un lavoro è interattivo o batch.

Quale sia quindi più economico dipende dal fatto che il tuo carico di lavoro vocale assomigli a un abbonamento o a un contatore. I livelli di Cartesia sono tariffati per prodotti con volume stabile e limitato. Quelli di Gemini sono tariffati per un consumo che puoi classificare.

Cosa ha ancora Cartesia che Google non ha

Due cose, ed entrambe riguardano l'essere un prodotto vocale anziché un modello vocale.

Cartesia vende direttamente infrastrutture per la telefonia e gli agenti vocali: 0,014 $ al minuto per la telefonia, 0,06 $ al minuto per la durata delle chiamate dell'agente vocale, e localizzazione vocale a 225 crediti per ogni accento aggiunto. Se stai costruendo un agente telefonico, è uno stack che puoi acquistare in un unico posto. Gemini 3.8 Flash TTS è un endpoint di sintesi — restituisce l'audio e si ferma. Il trasporto, il rilevamento dei turni e la telefonia li fornisci tu, oppure li assembli da altri fornitori.

Cartesia è anche in classifica da più tempo. La sua data di uscita ad agosto rispetto a settembre di Google significa che una quota maggiore del suo conteggio di campioni si è accumulata contro una versione consolidata, mentre un lancio di settembre sta ancora raccogliendo voti. L'Elo di un modello nella sua prima settimana è una stima più rumorosa rispetto all'Elo dello stesso modello dopo un mese, e questo depone contro l'interpretazione del divario di tredici punti come prova a favore di Cartesia.

Cosa ha Google che Cartesia non ha

La copertura linguistica è quella più chiara. Flash TTS gestisce 130 lingue con rilevamento automatico; Flash-Lite ne gestisce 101. Il modello di localizzazione di Cartesia è additivo — si acquistano accenti su una voce di base a 225 crediti ciascuno — il che rappresenta un approccio diverso e una curva di costi diversa una volta superata una manciata di lingue.

La superficie di interpretazione è la seconda. Gemini 3.8 Flash TTS ti consente di dirigere una battuta come dirigeresti un attore, di mettere in scena scene a due voci all'interno di una singola chiamata e di scrivere indicazioni non verbali — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — direttamente nel copione. Offre inoltre la progettazione della voce a partire da una descrizione in linguaggio naturale e la replica vocale da un campione di 30 secondi con verifica del consenso, un watermark SynthID e credenziali C2PA sull'output. Il remixaggio vocale è indicato come disponibile a breve.

Ed è generalmente disponibile, non in beta. Cartesia Sonic 3.6 è una beta ospitata, il che dice molto sulla fiducia del fornitore stesso nell'endpoint sotto carico.

Quale chiamare effettivamente

Se il tuo carico di lavoro è un agente telefonico con volume prevedibile e desideri telefonia, concorrenza e sintesi da un unico fornitore, Cartesia Sonic 3.6 è la scelta coerente, e il divario di sedici dollari è il prezzo per non dover mettere insieme tre fornitori da solo.

Se il tuo carico di lavoro è la sintesi all'interno di un prodotto che già gestisci — narrazione, uno strato di accessibilità, la voce di un bot di assistenza, un passaggio di localizzazione in 130 lingue — Gemini 3.8 Flash TTS costa meno per carattere, ha una copertura linguistica più ampia, un controllo più fine dell'eloquio ed è disponibile a livello generale. La differenza di Elo non depone contro di esso, perché la differenza di Elo non è statisticamente reale.

Se vuoi il più economico dei tre in cima alla classifica e puoi accettare un elenco di lingue più breve, Gemini 3.8 Flash-Lite TTS costa 6,00 $ per milione di token audio e si trova sei posizioni più in basso, a 1.235 — un divario che rientra anch’esso nel rumore.

Qualunque modello tu scelga, il percorso di migrazione conta più della scelta, perché entrambi i modelli sono nuovi ed entrambi i fornitori stanno ancora facendo le messe a punto. OrcaRouter è la copertura: una sola chiave per oltre 200 modelli al prezzo di listino del fornitore, senza ricarichi, così un taglio di prezzo da parte di uno dei due laboratori arriva sulla tua fattura lo stesso giorno invece che al rinnovo, failover automatico se una chiamata di sintesi fallisce, e un DSL di routing se vuoi inviare un job batch a un modello e una chiamata interattiva a un altro. Non ospitiamo gli endpoint TTS di Cartesia Sonic 3.6 o Gemini 3.8 — la sintesi di Cartesia è un prodotto a sé e i modelli vocali Gemini provengono dall'API di Google — ma il livello testuale e il percorso di failover sono nostri, e sono proprio le parti che rendono sicuro provare un modello nuovissimo.

La cosa da tenere d'occhio è la prossima revisione di Artificial Analysis. Se Gemini 3.8 Flash TTS colma i tredici punti una volta che il suo conteggio di campioni matura, il divario di prezzo smette di essere un compromesso e inizia a essere una risposta semplice. Se non lo fa, Cartesia mantiene la corona della qualità e Google mantiene quella del prezzo, e la scelta rimane esattamente dov'è ora: un abbonamento con telefonia annessa, o un contatore con 130 lingue annesse.