Voxtral 3 TTS 対 Cartesia Sonic 3.6：3.8倍の価格で72 Elo

Cartesia Sonic 3.6は品質の議論で勝利し、Voxtral 3 T​TSは請求額で勝利する。そして両方の差の大きさこそが比較のすべてだ。2026年10月21日のArtificial AnalysisのProvider Voiceリーダーボードでは、Sonic 3.6が1,289 Elo（評価対象98システム中4位）で、Voxtral 3 T​TSの1,217（13位）に対して優位に立つ。差は72ポイントで、両モデルの信頼区間を余裕で超えている。価格差は逆方向に、しかもより大きく開く。Sonic 3.6は100万文字あたり49ドル、Voxtral 3 T​TSは13ドル——Mistralがこのボードの今回の集計より1日前に出荷したモデルと比べて3.8倍の価格だ。どちらの数字も争点ではない。争点は、ブラインド聴取での72ポイントの差が本番環境でどれほどの価値を持つかであり、それは音声が何をしているかによって完全に決まる。 このようなリリースの背後にある、文書化されたAI障害やエージェントインシデントはthe OrcaRouter AI Incident Archiveに収集されており、各項目には独自の出典、重大度、信頼度グレード、係争中フラグが付いている。

まず、ボードが実際に測定した内容

両方の数値は同じ情報源に由来しており、各ベンダーが独自の選好調査を公表するこのカテゴリーでは、それがいつも以上に重要だ。Artificial Analysisは2つのボードを運営しており、2つのモデルはその両方に掲載されている。

• プロバイダー音声 — 各モデルは、それぞれ固有のネイティブ音声で評価されます。Sonic 3.6：1,289 Elo、#4、95%区間 1,275～1,303、2,732件の比較。Voxtral 3 TTS：1,217 Elo、#13、区間 1,202～1,232、1,619件の比較。

• 統制された音声 — すべてのモデルは同じ8つの参照音声にクローンされるため、聴き手は声のキャスティングではなくエンジンを比較する。Sonic 3.6：1,151 Elo、#5、区間 1,138–1,164。Voxtral 3 TTS：1,066 Elo、#14、区間 1,049–1,083。

• リリース済み — Sonic 3.6 は2026年8月、Voxtral 3 TTS は2026年10月20日。

• リスト価格 — 100万文字あたり49.00ドル対100万文字あたり13.00ドル。いずれもArtificial Analysisによる追跡値で、各ベンダーの公開価格と一致しています。

• スループット — Sonic 3.6 の中央値は毎秒145文字、Voxtral 3 TTS は112文字（Artificial Analysis による測定）。

• 重み — 両方ともクローズド。どちらも寛容なライセンスの下でセルフホストすることはできません。

その表には、見落としやすいけれど見落とすべきではない2つの詳細がある。Controlled Voice の結果は2つの中でより正直なものだ。なぜなら、優れた音声ライブラリを持っていることの利点を排除しており、そこで差は72ポイントから85ポイントに広がるからだ。Sonic 3.6 は声のキャスティングで勝っているのではなく、合成で勝っている。2つ目の詳細はサンプル数だ。Voxtral 3 T​TS はプロバイダーボード上で1,619件の比較があり、Sonic 3.6 よりおよそ40%少なく、その分信頼区間は広い。2日目のスコアは本物のスコアだが、変動する。

72 Eloはどこから来るのか、機能ごとに見ていく

Eloは嗜好の合計値であり、診断ではない。だからこそ、どのような製品上の判断がそれを生み出したのかを問う価値がある。2つのモデルは異なる用途のために作られており、そのことは仕様にも表れている。

Cartesiaはストリーミングエンジンを構築した。Sonic 3.6の目玉となる主張は、最初の音声が90ミリ秒未満で出力されるというもので、スピードを前面に押し出したベンダーのページに基づいている。その制御機能は、ライブのエージェントが必要とするものだ。笑い声などのインラインキュー、音量と速度の変調、カスタム発音辞書、文脈から推測される感情。これは、会話の途中で呼び出され、ほぼ即座に話し始めるように設計されたモデルである。

Mistralは、エンタープライズ向けの枠組みを備えたスタジオ品質の音声を構築した。Voxtral 3 TTSは35以上の言語と50以上の方言、18言語の音声プリセット、感情・話す速さ・強調をプロンプトで制御する機能、音素レベルの発音、語彙ライブラリを提供する。そのクローニングの目玉は「Pro Voice」で、30分の音声から話者の個性、感情の幅、スタイルを言語をまたいで再現する。これは適応パイプラインであり、即時クローンではない。

実務上の帰結は、この2つのモデルが同じ枠を争っているわけではないということだ。30分の声適応プロセスはブランドボイス向けの運用であり、10秒のインスタントクローンはユーザー向け機能である。製品が顧客にクリップをアップロードさせ、生成された声で自分自身の声を聞けるようにするなら、Sonic 3.6はそれを実現し、Voxtral 3 TTSは文書に記載されているとおり、実現しない。

レイテンシの非対称性が、それをさらに深刻にしている。Cartesiaはレイテンシの数値を公表しているが、Mistralは公表していない。Voxtral 3 T​TSには、ローンチ資料のどこにも初回音声までの時間の公表値がない。最も近い数値は、別個のリアルタイム文字起こしモデルについての500ms未満という主張だ。数値がないことは悪い数値ではないが、購入判断においては背負うことになるリスクであり、自社の数値を公表しているベンダーこそが、あらゆるインタラクティブ用途においてより安全なデフォルトである。

実際に痛手となる規模でのコスト計算

文字単位の料金は、量を掛けるまでは抽象的でしかありません。音声1分あたりおよそ900文字とすると、1時間の連続した発話は約54,000文字になります。

• 音声1時間 — Sonic 3.6：約2.65ドル。Voxtral 3 T​TS：約0.70ドル。

• 月間1,000時間 — Sonic 3.6：約2,650ドル。Voxtral 3 TTS：約700ドル。年間でおよそ23,400ドルの差。

• 月1万時間 — Sonic 3.6：約26,500ドル。Voxtral 3 TTS：約7,000ドル。年間でおよそ234,000ドルの差。

その範囲の下限では、その差は誰かが議論する費目にすぎない。上限では、それは人員数になる。これがVoxtral 3 TTSの主張のすべてであり、音声が長尺で事前レンダリングされるあらゆるワークロードにとって強力な主張だ。オーディオブック、eラーニングモジュール、カタログナレーション、吹き替えパイプラインなどがそうだ。そうした作業では、72 Eloはごく一部の文で少し不自然な読み上げとして現れるだけで、聴き手はそれを何かと比較しているわけではない。

計算の形が変わるのは、2つのモデルが1つの製品内で異なる役割を担う場合だ。サポート窓口にはSonic 3.6のレイテンシと1秒未満の起動が必要だが、同じ企業のマーケティング用ナレーションには必要ない。2つ目の用途に49ドルを払うのは、その用途では活用できない能力に49ドルを費やすことだ——そして、2つの調達プロセスを踏まずに両方を維持する最もクリーンな方法は、モデルをパラメータとして扱うルーティング層だ。これが、どちらか一方のベンダーではなくOrcaRouterの構成を支持する論拠である：200以上のモデルをカバーする単一のOpenAI互換API、プロバイダーのリスト価格を0%のマークアップでそのまま適用し、同じキーでバッチナレーションジョブとリアルタイム通話を異なるバックエンドへ送れるルーティングDSL。本書執筆時点では、Sonic 3.6もVoxtral 3 TTSもOrcaRouterのカタログには含まれていない。そのため現在は、両方とも各ベンダー自身のAPIと複数のサードパーティプラットフォームを通じて利用されている——重要なのは、両者がカタログに加わったときの統合の形だ。

実務上、それを決める3つの反論

最初は言語です。Cartesiaは1つのモデルで44言語を提供すると宣伝しています。Mistralは35以上の言語と50以上の方言、18のプリセットを宣伝しています。紙の上ではMistralの方がより広い範囲をカバーしていますが、実際には方言の数はカバレッジの広さに関する約束であり、すべての方言が評価済みであるという約束ではありません。もしロードマップにどちらのベンダーもデモを持たない市場が含まれているなら、数値を読むのではなくサンプルを求めてください。Mistralが明確に強い唯一の点は欧州のカバレッジです。同社は文字起こしモデルでEUの24公用語すべてを、音声合成で35以上をカバーすると主張しており、Mistralはフランス企業として、EU、米国、グローバルのエンドポイントでのデータレジデンシーオプションを備え、EU調達向けに販売しています。Sonic 3.6には同等のソブリン展開のストーリーがありません。

2つ目は本番環境での発音制御です。ここでEloの差が最も誤解を招きます。「Dr. Nguyen」を辞書なしで正しく読めるモデルが、一般的な文章ではより自然に聞こえるモデルより下にランクされることがあります。Voxtral 3 T​TSは語彙ライブラリと音素制御を提供し、Sonic 3.6はカスタム発音辞書とインラインの話し方指示を提供します。どちらも機能を備えています。Mistralのものは企業コンテンツ内の人名やブランド用語を対象とし、Cartesiaのものはストリーミング通話内の同じ問題を対象としています。どちらのスコアにも判断を委ねる前に、独自のレキシコン——読み上げる製品名、姓、頭字語のリスト——をテストしてください。

第三は、ベンダーにとって厄介な午後が訪れたときに何が起こるかです。単一エンドポイントの音声パイプラインはフェイルクローズします。エンドポイントが劣化すると、製品は沈黙します。Sonic 3.6 と Voxtral 3 T​TS は異なるインフラストラクチャ上にあり、障害モードも異なるため、両者間のフォールバック経路は、必要になる前に設計しておく価値があります。プロバイダー間の自動フェイルオーバーは、ここでルーターがもたらす具体的なものであり、音声ではテキスト以上に価値があります。なぜなら、欠落したトークンは目に見えませんが、欠落した音節はそうではないからです。

で、どれ？

選ぶならCartesia Sonic 3.6、音声が会話の中で使われる場面——電話エージェント、アプリ内アシスタント、ゲームのNPCなど、ユーザーがスピナーを読み終える前に最初の音節が届くあらゆるケース——に最適です。100万文字あたり49ドルを支払うことになりますが、そのモデルは90ミリ秒未満で起動し、リーダーボードで1,289を記録しており、この価格は同じレイテンシクラスの他のどのモデルと比べても妥当です。

選ぶならVoxtral 3 T​TSです。音声がコンテンツである場合——ナレーション、吹き替え、カタログ全体にわたるブランドボイス、事前にレンダリングして再生するもの——に最適です。リーダーより72 Elo低く、3.8倍安いモデルに$13を支払うことになります。EUデータレジデンシーと、ユーザーごとのクローンよりも単一の企業ボイスに適した30分の音声適応パイプラインを備えています。

両方の種類の音声を提供するなら、どちらか一方だけを排他的に選ぶべきではない。避けるべき過ちは、一度選んだ後に、安価なモデルでできる作業にプレミアムモデルの料金を払うこと、あるいは致命的な場面で安価なモデルのレイテンシーを受け入れることだ。1つのキーの背後に2つのエンドポイントを置くことが、その決定を恒久的なものにしない構成だ。

未解決の問いは、Mistralが公表していないレイテンシの数値が実際いくつになるかだ。もしVoxtral 3 TTSが、初回音声出力までの値でCartesiaに匹敵するストリーミングを実現するなら、13ドルという価格ははるかに反論しにくい事実となり、72 EloがSonic 3.6に残る唯一の強みになる。Mistralはそれを公表しておらず、第三者が測定したこともない。そのどちらかが変わるまで、ストリーミング枠は既定でCartesiaのものだ。