Voxtral 3 TTS vs Cartesia Sonic 3.6: 72 Elo per 3,8 volte il prezzo

Cartesia Sonic 3.6 vince sul fronte della qualità e Voxtral 3 T​TS vince su quello della fattura, e l'ampiezza di entrambi i margini è tutto il confronto. Sulla classifica Provider Voice di Artificial Analysis del 21 ottobre 2026, Sonic 3.6 si colloca a 1.289 Elo (#4 su 98 sistemi valutati) contro 1.217 di Voxtral 3 T​TS (#13). Il divario è di 72 punti, ben al di fuori degli intervalli di confidenza dei due modelli. Il divario di prezzo va nella direzione opposta ed è più ampio: 49 $ per milione di caratteri per Sonic 3.6 contro 13 $ per Voxtral 3 T​TS — 3,8 volte tanto per un modello che Mistral ha rilasciato un giorno prima di questa lettura della classifica. Nessuno dei due numeri è in discussione. Ciò che è in discussione è quanto valga in produzione un margine di 72 punti in ascolto cieco, e questo dipende interamente da ciò che la voce sta facendo. I fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti dentro l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Innanzitutto, cosa hanno effettivamente misurato i consigli di amministrazione

Entrambi i dati provengono dalla stessa fonte, il che conta più del solito in una categoria in cui ogni fornitore pubblica il proprio studio sulle preferenze. Artificial Analysis gestisce due classifiche, e i due modelli compaiono in entrambe.

• Voce del provider — ogni modello viene valutato con le proprie voci native. Sonic 3.6: 1.289 Elo, #4, intervallo al 95% 1.275–1.303, 2.732 confronti. Voxtral 3 T​TS: 1.217 Elo, #13, intervallo 1.202–1.232, 1.619 confronti.

• Voce controllata — ogni modello viene clonato sulle stesse otto voci di riferimento, così gli ascoltatori confrontano il motore anziché il casting vocale. Sonic 3.6: 1.151 Elo, #5, intervallo 1.138–1.164. Voxtral 3 TTS: 1.066 Elo, #14, intervallo 1.049–1.083.

• Rilasciato — Sonic 3.6 ad agosto 2026; Voxtral 3 T​TS il 20 ottobre 2026.

• Prezzo di listino — 49,00 $ per 1 milione di caratteri rispetto a 13,00 $ per 1 milione di caratteri, entrambi secondo il monitoraggio di Artificial Analysis e in linea con i prezzi pubblici di ciascun fornitore.

• Throughput — mediana di 145 caratteri al secondo per Sonic 3.6 contro 112 per Voxtral 3 T​TS, secondo la misurazione di Artificial Analysis.

• Pesi — chiusi per entrambi. Nessuno dei due può essere self-hosted con una licenza permissiva.

Due dettagli su quella tabella sono facili da trascurare e non dovrebbero esserlo. Il risultato Controlled Voice è il più onesto dei due, perché elimina il vantaggio di disporre di una buona libreria vocale, e lì il divario si allarga da 72 punti a 85. Sonic 3.6 non sta vincendo sul casting vocale; sta vincendo sulla sintesi. Il secondo dettaglio è il numero di campioni. Voxtral 3 T​TS ha 1.619 confronti nella classifica del provider, circa il 40% in meno rispetto a Sonic 3.6, e il suo intervallo è corrispondentemente più ampio. Un punteggio del secondo giorno è un punteggio reale, ma cambierà.

Da dove derivano i 72 Elo, funzionalità per funzionalità

Elo è una somma di preferenze, non una diagnosi, quindi vale la pena chiedersi quali decisioni di prodotto l'abbiano prodotta. I due modelli sono stati progettati per compiti diversi e le specifiche lo dimostrano.

Cartesia ha creato un motore di streaming. L'affermazione di punta di Sonic 3.6 è il primo audio in meno di 90 millisecondi, da una pagina del fornitore che mette al primo posto la velocità. I suoi controlli sono quelli di cui ha bisogno un agente live: segnali inline come risate, modulazione di volume e velocità, dizionari di pronuncia personalizzati, emozione dedotta dal contesto. È un modello progettato per essere chiamato a metà conversazione e per iniziare a parlare quasi immediatamente.

Mistral ha creato una voce da studio con un wrapper enterprise. Voxtral 3 T​TS offre oltre 35 lingue e oltre 50 dialetti, preset vocali in 18 lingue, controllo a livello di prompt su emozione, ritmo ed enfasi, pronuncia a livello di fonema e una libreria lessicale. La sua proposta di clonazione è "Pro Voice": 30 minuti di audio per riprodurre il carattere, la gamma emotiva e lo stile di un parlante in più lingue. Si tratta di una pipeline di adattamento, non di un clone istantaneo.

La conseguenza pratica è che i due modelli non competono per lo stesso spazio. Un processo di adattamento vocale di 30 minuti è un'operazione di brand voice; un clone istantaneo da 10 secondi è una funzionalità rivolta all'utente. Se il tuo prodotto consente a un cliente di caricare una clip e ascoltarsi con una voce generata, Sonic 3.6 lo fa, mentre Voxtral 3 T​TS, come documentato, no.

L’asimmetria della latenza lo aggrava. Cartesia pubblica un dato di latenza e Mistral no. Voxtral 3 T​TS non ha alcun tempo-al-primo-audio pubblicato nel materiale di lancio; il dato più vicino è l’affermazione di meno di 500 ms sul modello separato di trascrizione in tempo reale. Un numero mancante non è un numero negativo, ma in una decisione d’acquisto è un rischio che ti assumi, e il fornitore che pubblica il proprio dato è l’opzione predefinita più sicura per qualsiasi soluzione interattiva.

L’aritmetica dei costi, alla scala in cui morde

Il prezzo per carattere sembra astratto finché non viene moltiplicato per il volume. A circa 900 caratteri per minuto di parlato, un’ora di discorso continuo equivale a circa 54.000 caratteri.

• Un'ora di audio — Sonic 3.6: circa $2,65. Voxtral 3 TTS: circa $0,70.

• Mille ore al mese — Sonic 3.6: circa 2.650 dollari. Voxtral 3 TTS: circa 700 dollari. Una differenza di circa 23.400 dollari all'anno.

• Diecimila ore al mese — Sonic 3.6: circa 26.500 $. Voxtral 3 T​TS: circa 7.000 $. Una differenza di circa 234.000 $ all'anno.

Al limite inferiore di quell’intervallo, il divario è una voce di spesa su cui qualcuno discute. Al limite superiore, equivale a una persona in organico. È tutta qui la tesi a favore di Voxtral 3 TTS, ed è una tesi solida per qualsiasi carico di lavoro in cui la voce è di lunga durata e pre-renderizzata: audiolibri, moduli di e-learning, narrazione di cataloghi, pipeline di doppiaggio. In quei contesti, i 72 Elo si presentano come una lettura leggermente meno naturale su una piccola percentuale di frasi, e l’ascoltatore non la sta confrontando con nulla.

Il punto in cui l’aritmetica cambia forma è quando i due modelli svolgono lavori diversi all’interno di un unico prodotto. Una linea di assistenza ha bisogno della latenza di Sonic 3.6 e del suo avvio in meno di un secondo; la narrazione marketing della stessa azienda no. Pagare $49 per il secondo lavoro significa spendere $49 per una capacità che quel lavoro non può usare — e il modo più pulito per mantenerli entrambi senza due processi di approvvigionamento è un livello di routing che tratta il modello come un parametro. Questo è l’argomento a favore della configurazione di OrcaRouter anziché di uno dei due fornitori: un’unica API compatibile con OpenAI su oltre 200 modelli, prezzo di listino del fornitore applicato con markup pari a 0%, e un DSL di routing che può inviare un lavoro di narrazione in batch e una chiamata in tempo reale a backend diversi sulla stessa chiave. Né Sonic 3.6 né Voxtral 3 T​TS sono nel catalogo di OrcaRouter al momento in cui scriviamo, quindi oggi si accede a entrambi tramite le API dei rispettivi fornitori e diverse piattaforme di terze parti — il punto è la forma dell’integrazione quando lo saranno.

Tre obiezioni che decidono la questione in pratica

Il primo è la lingua. Cartesia pubblicizza 44 lingue con un unico modello. Mistral pubblicizza 35+ lingue e 50+ dialetti, con preset in 18 lingue. Sulla carta Mistral copre una gamma più ampia; in pratica il numero di dialetti è una promessa sull'ampiezza della copertura, non una promessa che ogni dialetto sia stato valutato. Se la tua roadmap include un mercato per cui nessuno dei due fornitori ha una demo, chiedi un campione invece di basarti sul conteggio. L'unico punto in cui Mistral è inequivocabilmente più forte è la copertura europea: dichiara tutte le 24 lingue ufficiali dell'UE per i suoi modelli di trascrizione e 35+ per la sintesi, e Mistral è un'azienda francese che vende agli appalti UE con opzioni di residenza dei dati in endpoint UE, USA e globali. Sonic 3.6 non ha un equivalente in termini di deployment sovrano.

Il secondo è il controllo della pronuncia in produzione. È qui che il divario Elo inganna di più. Un modello che legge correttamente «Dr. Nguyen» senza un dizionario può posizionarsi sotto uno che risulta più naturale sulla prosa generica. Voxtral 3 T​TS include una libreria di vocaboli e il controllo dei fonemi; Sonic 3.6 include dizionari di pronuncia personalizzati e indicazioni di resa inline. Entrambi hanno la funzionalità. Quella di Mistral è pensata per nomi e termini di marca nei contenuti aziendali; quella di Cartesia affronta lo stesso problema all'interno di una chiamata in streaming. Metti alla prova il tuo lessico — un elenco di nomi di prodotto, cognomi e acronimi da leggere ad alta voce — prima che uno dei due punteggi abbia voce in capitolo.

Il terzo è ciò che accade quando un fornitore ha una brutta giornata. Una pipeline vocale con endpoint singolo fallisce in modo chiuso: l'endpoint si degrada e il prodotto tace. Sonic 3.6 e Voxtral 3 TTS risiedono su infrastrutture diverse con modalità di errore diverse, e vale la pena progettare il percorso di fallback tra di essi prima che sia necessario. Failover automatico tra provider è la cosa specifica che un router ti offre in questo caso, ed è più preziosa nel parlato che nel testo perché un token perso è invisibile e una sillaba persa no.

Quindi quale

Scegli Cartesia Sonic 3.6 quando la voce è in una conversazione: agenti telefonici, assistenti in-app, NPC di gioco, qualsiasi cosa in cui la prima sillaba arrivi prima che l'utente abbia finito di leggere lo spinner. Stai pagando 49 $ per milione di caratteri per un modello che parte in meno di 90 millisecondi e ottiene 1.289 sulla classifica, e il prezzo è difendibile rispetto a ogni altro modello in quella classe di latenza.

Scegli Voxtral 3 T​TS quando la voce è il contenuto: narrazione, doppiaggio, voce del marchio su un catalogo, qualsiasi cosa renderizzata in anticipo e riprodotta. Stai pagando 13 $ per un modello che è 72 Elo dietro il leader e 3,8 volte più economico, con residenza dei dati nell'UE e una pipeline di adattamento vocale da 30 minuti che si adatta meglio a una singola voce aziendale rispetto a un clone per utente.

Non scegliere nessuno dei due in modo esclusivo se fornisci entrambi i tipi di audio. L'errore da evitare è scegliere una volta per tutte e poi pagare la tariffa del modello premium per un lavoro che il modello economico può svolgere, oppure assorbire la latenza del modello economico in un punto in cui è fatale. Due endpoint dietro un'unica chiave sono la configurazione che impedisce alla decisione di diventare permanente.

La domanda aperta è quale sia il numero di latenza mancante di Mistral. Se Voxtral 3 TTS facesse streaming con un valore del primo audio anche solo vicino a quello di Cartesia, il prezzo di 13 $ diventerebbe un fatto molto più difficile da contestare e i 72 Elo diventerebbero l'unica cosa che Sonic 3.6 ha ancora. Mistral non l'ha pubblicato, nessuna terza parte l'ha misurato e, finché una di queste cose non cambia, lo slot dello streaming spetta a Cartesia per impostazione predefinita.