Voxtral 3 TTS vs ElevenLabs: sei volte più economico, cento punti dietro

Mistral ha prezzato Voxtral 3 T​TS a $13 per milione di caratteri e lo ha lanciato in un mercato in cui il modello usato da tutti come benchmark, ElevenLabs Eleven v4, costa $80 e ottiene 1.328 Elo contro i 1.217 di Voxtral. Sono 111 punti di preferenza di ascoltatori in cieco a fronte di un prezzo 6,2 volte maggiore, e all'apparenza il modello economico non è abbastanza vicino da contare. Conta comunque, per una ragione che il tabellone non mostra: ElevenLabs non vende solo sintesi. Vende una piattaforma vocale — libreria, doppiaggio, agenti, clonazione professionale — e la maggior parte dei team che pagano $80 per milione di caratteri paga la piattaforma tanto quanto la voce. Voxtral 3 T​TS, rilasciato il 20 ottobre 2026, arriva invece all'interno di un SDK per agenti e di una proposta di deployment con sovranità UE. La comparazione che decide un acquisto non è quindi «quale suona meglio», perché quella è già stabilita, ma «quale di quei due pacchetti è quello che ti serve davvero». I fallimenti documentati dell'AI e gli incidenti degli agenti dietro rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Il tabellone, prima di ogni altra cosa

• Voice Elo del provider — ElevenLabs Eleven v4: 1.328 (#2 di 98). Voxtral 3 TTS: 1.217 (#13). Entrambi secondo Artificial Analysis, dati consultati il 21 ottobre 2026.

• Elo vocale controllato — Eleven v4: 1.157 (#4, a pari merito con Eleven v4 Turbo). Voxtral 3 TTS: 1.066 (#14).

Prezzo di listino per 1 milione di caratteri — 80,00 $ vs 13,00 $.

• Lingue — ElevenLabs: 74 in tutti i piani. Voxtral 3 TTS: oltre 35 lingue e oltre 50 dialetti, con preset in 18.

• Clonazione istantanea — ElevenLabs: a partire da circa 30 secondi di audio nei piani a pagamento. Voxtral 3 T​TS: nessun clone istantaneo pubblicato; l'adattamento "Pro Voice" richiede 30 minuti di audio.

• Pesi — chiusi per entrambi.

Una riga di quell'elenco merita un secondo sguardo: l'ammiraglia più economica di ElevenLabs. Eleven v4 Turbo segna 1.333 — cinque punti sopra Eleven v4, entro il margine di rumore — a 40 $ per milione di caratteri, esattamente la metà del prezzo. Se la scelta è puramente "la migliore voce che ElevenLabs vende", Turbo è l'acquisto sensato e riduce il divario rispetto a Voxtral 3 T​TS da 111 Elo a 116 per appena tre volte la spesa. La scala dei prezzi di ElevenLabs è più ampia di quanto la maggior parte dei confronti di questo testa a testa ammetta.

Che aspetto hanno i 111 punti in un prodotto

Un divario Elo di quella portata non è sottile. Nell'ascolto cieco affiancato è la differenza che un ascoltatore nota alla prima frase, non alla quinta — paragonabile al divario tra Eleven v3 ed Eleven v4 all'interno della stessa gamma di ElevenLabs (1.182 contro 1.328). Sonic 3.6 di Cartesia, a 1.289, si colloca nel mezzo ed è il modello che confuta più direttamente l'interpretazione secondo cui "ottieni ciò per cui paghi"; supera Voxtral di 72 e costa $49, la metà di Eleven v4.

Il punto in cui il divario si concentra è il controllo della resa su materiale espressivo. La generazione v4 di ElevenLabs è costruita attorno ai tag audio — istruzioni inline per emozione, ritmo ed enfasi incorporate nel testo — e attorno a una libreria di voci così ampia che la maggior parte dei team non arriva mai a clonare. Il Voxtral 3 TTS di Mistral offre un controllo a livello di prompt di emozione, ritmo ed enfasi, oltre a pronuncia a livello di fonemi e una libreria di vocaboli. Entrambi espongono la direzione. ElevenLabs ha avuto due generazioni di feedback pubblico su come quei controlli si comportano ai margini, mentre Voxtral 3 TTS ha avuto un solo giorno.

Dove il divario si restringe è con qualsiasi lingua europea che non sia l'inglese. Il modello di Mistral è stato costruito con un approccio multilingue fin dall'inizio, con oltre 50 dialetti dichiarati e tutte le 24 lingue ufficiali dell'UE coperte nella sua famiglia di modelli vocali. ElevenLabs ne copre 74, un numero più ampio, ma l'ampiezza del numero e la qualità per lingua sono affermazioni diverse, e nessuno dei due fornitori pubblica l'Elo per lingua. Se stai distribuendo un prodotto in olandese, polacco o portoghese, nessuna delle due classifiche ti dà la risposta; devi ascoltare.

Cosa si acquista davvero con 80 dollari per un milione di caratteri

Questa è la parte del confronto in cui la differenza di prezzo smette di sembrare un ricarico. La tariffa per carattere di ElevenLabs è inclusa in una piattaforma: un marketplace condiviso di voci da cui ottenere licenze invece di clonarle, clonazione vocale professionale a partire da circa 30 minuti di audio con un flusso di consenso, doppiaggio, effetti sonori, uno stack di agenti conversazionali e diversi anni di librerie client e integrazioni. Niente di tutto ciò compare in una classifica, e tutto questo è lavoro che un team altrimenti dovrebbe svolgere.

Il pacchetto di Mistral punta in una direzione diversa. Voxtral 3 TTS arriva insieme a un SDK per agenti vocali basato su LiveKit, con supporto alla telefonia SIP, a WebRTC e all'IVR, un turno dell'agente dichiarato sotto il secondo e un prezzo per minuto dell'agente di 0,04 $, con Mistral Small 4 come modello di ragionamento. Include inoltre una proposta esplicita di distribuzione sovrana: endpoint UE, USA e globali, self-deployment su infrastruttura privata e un'attenzione dichiarata a dove viene elaborato l'audio e se viene conservato. Per un'impresa europea o un acquirente del settore pubblico, è una risposta sul piano degli acquisti che ElevenLabs attualmente non eguaglia nella stessa forma.

In parole semplici: ElevenLabs vende l'ampiezza del prodotto, Mistral vende il controllo del deployment. Un team che ha bisogno di doppiaggio, effetti sonori e un catalogo di voci con licenza non sta affatto scegliendo tra questi due. Un team che ha bisogno di una sola voce, in un'unica coppia linguistica, in esecuzione in un data center che controlla, sta pagando per una gran quantità di ElevenLabs che non userà mai.

La questione migratoria, onestamente

L'idea allettante è «passare da ElevenLabs e risparmiare l'84%». Fai i conti prima di crederci, perché il risparmio è reale solo per carichi di lavoro che possono assorbire il calo di qualità e le funzionalità mancanti.

• Narrazione pura su larga scala, una sola lingua, senza voci con licenza — il risparmio è reale. Mille ore al mese costano circa $4.320 su Eleven v4 contro $700 su Voxtral 3 TTS, e chi ascolta non fa confronti A/B.

• Qualunque elemento con una voce di celebrità o di marchio su licenza dalla libreria ElevenLabs — la migrazione non è possibile. Voxtral 3 T​TS non ha un marketplace; fornisci 30 minuti di audio e realizzi il tuo adattamento.

• Qualsiasi elemento rivolto all'utente in cui il cliente carica una clip breve e si aspetta di sentire se stesso — {{1}}ElevenLabs{{/1}} clona in circa 30 secondi e {{2}}Voxtral{{/2}}, secondo la documentazione di Mistral, non offre affatto un clone istantaneo.

• Qualsiasi cosa che utilizzi già doppiaggio, effetti sonori o lo stack conversazionale — il confronto effettivo non è 80 $ contro 13 $, perché andarsene significa sostituire prodotti che non sono mai stati sulla stessa riga di fattura.

Il modello realistico è una divisione: mantenere ElevenLabs per le parti del prodotto in cui un essere umano ascolta con attenzione e potrebbe fare confronti, e spostare il rendering di massa sul modello più economico. Gestire questa divisione in modo pulito è un problema di routing, non di approvvigionamento. OrcaRouter espone oltre 200 modelli dietro un'unica chiave compatibile con OpenAI con il prezzo di listino del fornitore trasferito a un markup dello 0%, così un lavoro di narrazione con voce aziendale e un clone rivolto al cliente possono puntare a backend diversi senza un secondo contratto — e se un endpoint peggiora a metà rendering, il failover automatico mantiene il lavoro in corso. Al momento in cui scriviamo né Voxtral 3 T​TS né ElevenLabs sono nel catalogo di OrcaRouter; entrambi sono raggiungibili tramite le API dei rispettivi fornitori e diverse piattaforme di terze parti, e il design del routing è ciò che si costruisce ora, così che il passaggio sia in seguito solo una modifica di configurazione.

Che cosa cambierebbe questo verdetto?

Tre sviluppi, nessuno dei quali si è ancora verificato.

Il primo è un dato di latenza. Mistral non ha pubblicato il tempo al primo audio per Voxtral 3 T​TS. Gli unici dati di latenza nel materiale di lancio appartengono al modello di trascrizione in tempo reale (sotto i 500 ms) e al loop dell'agente (meno di un secondo). Artificial Analysis riporta un throughput mediano di 112 caratteri al secondo, superiore ai 56 di Eleven v3 e inferiore ai 145 di Sonic 3.6, ma il throughput non è il tempo di avvio. Se Voxtral 3 T​TS si rivelerà in grado di fare streaming con un valore di primo audio vicino a quello di Cartesia, diventa un candidato per il lavoro interattivo e il prezzo di ElevenLabs appare peggiore. In caso contrario, la categoria dello streaming resta chiusa per esso e i 13 dollari sono solo un prezzo per il rendering in batch.

Il secondo è la valutazione indipendente a livello linguistico. I punteggi della classifica sono aggregati; un modello può avere 1,217 Elo complessivi ed essere molto migliore o molto peggiore in italiano. Nessuno dei due fornitori pubblica la ripartizione, e per un acquirente europeo è il dato che conta di più.

Il terzo è la tenuta. I clip di Arena sono brevi. I materiali di Mistral non indicano una lunghezza massima di generazione per l'endpoint TTS, e la coerenza su testi lunghi — l'elemento su cui si basa l'eredità narrativa di ElevenLabs — non è stata testata per Voxtral 3 TTS a nessuna lunghezza che sarebbe rilevante per un produttore di audiolibri.

Finché non arriveranno, la decisione è insolitamente netta. Se la voce del tuo prodotto viene giudicata da un cliente su una clip breve, paga ElevenLabs e scegli {{1}}Eleven v4 Turbo a 40 ${{/1}} invece del {{2}}flagship da 80 ${{/2}}. Se la voce del tuo prodotto viene generata in massa, in una lingua europea, su un'infrastruttura che controlli e riprodotta anziché eseguita dal vivo, {{3}}Voxtral 3 T​TS a 13 ${{/3}} è una scommessa difendibile con un tetto di qualità noto — e il tetto è 111 punti sotto l'incumbent, un numero su cui puoi pianificare invece che una sorpresa che scopri in fase di revisione.