Voxtral 3 TTS 対 ElevenLabs：6倍安いが、100ポイント劣る

Mistral はVoxtral 3 T​TSを100万文字あたり13ドルに価格設定し、市場に投入した。その市場では、誰もが比較対象とするモデル、ElevenLabs Eleven v4が80ドルで、Voxtralの1,217に対してElo 1,328を記録する。これは6.2倍の費用に対して、ブラインド聴取者の選好で111ポイントの差であり、表面上は、安価なモデルは問題にならないほど差が開いている。それでも重要なのは、スコアボードに表れない理由があるからだ。ElevenLabsは合成音声だけを売っているのではない。音声プラットフォーム——ライブラリ、吹き替え、エージェント、プロフェッショナル向けクローニング——を売っており、100万文字あたり80ドルを支払うチームの多くは、声そのものと同じくらいプラットフォームに金を払っている。2026年10月20日にリリースされたVoxtral 3 T​TSは、その代わりにエージェントSDKとEU主権のデプロイという物語の中で登場する。したがって、購入を決める比較は「どちらがより良く聞こえるか」ではない。それは決着済みだからだ。そうではなく「その2つのバンドルのうち、実際に必要なのはどちらか」である。 このようなリリースの背後にある、文書化されたAIの障害やエージェントのインシデントは、the OrcaRouter AI Incident Archiveに集約されており、各項目には独自の出典、重大度、信頼度グレード、異議ありフラグが付いています。

何よりもまず、スコアボード

プロバイダー音声Elo — ElevenLabs Eleven v4：1,328（98件中2位）。Voxtral 3 TTS：1,217（13位）。いずれもArtificial Analysisによるもので、2026年10月21日閲覧。

• Controlled Voice Elo — Eleven v4: 1,157（#4、Eleven v4 Turboと同点）。Voxtral 3 TTS: 1,066（#14）。

• 100万文字あたりの定価 — $80.00 対 $13.00。

• 言語 — ElevenLabs: 全プランで74言語。Voxtral 3 TTS: 35以上の言語と50以上の方言に対応し、18種類のプリセットを用意。

• インスタントクローニング — ElevenLabs：有料プランでは約30秒の音声から可能。Voxtral 3 TTS：インスタントクローンは未公開。「Pro Voice」の適応には30分の音声が必要。

• ウェイト — 両方ともクローズ済み。

そのリストの1行は、もう一度見る価値がある。ElevenLabs自身の、より安価なフラッグシップだ。Eleven v4 Turboは1,333を記録し、Eleven v4を5ポイント上回るが誤差の範囲内で、100万文字あたり$40、価格はちょうど半分だ。「ElevenLabsが販売する最高の音声」という純粋な基準で選ぶなら、Turboは賢明な買い物であり、わずか3倍の費用でVoxtral 3 TTSとの差を111 Eloから116 Eloに縮める。ElevenLabsの価格ラダーは、この対決に関するほとんどの比較が認めているより広い。

製品において111ポイントがどのように見えるか

その規模のElo差は微妙なものではない。ブラインドでの並列聴取では、それは5文目ではなく最初の文で聞き手が気づく差であり、ElevenLabs自身の製品ラインにおけるEleven v3とEleven v4の差（1,182対1,328）に匹敵する。CartesiaのSonic 3.6は1,289でその中間に位置し、「支払った分だけ得られる」という解釈を最も直接的に覆すモデルである。Voxtralを72上回り、価格は49ドルで、Eleven v4の半額だ。

ギャップが集中しているのは、表現力が問われる素材におけるデリバリーの制御です。ElevenLabsのv4世代は、感情、ペース、強調に関するインライン指示であるオーディオタグを中心に構築されており、さらに、ほとんどのチームがクローン作成をまったく行わないほど充実した音声ライブラリも備えています。MistralのVoxtral 3 T​TSは、感情、ペース、強調をプロンプトレベルで制御できるうえ、音素レベルの発音と語彙ライブラリも提供します。どちらも制御の方向性を打ち出しています。ElevenLabsには、これらの制御が限界領域でどう振る舞うかについて、2世代分の公開フィードバックがあります。一方、Voxtral 3 T​TSにはまだ1日分しかありません。

差が縮まるのは、英語以外のヨーロッパ言語のケースだ。Mistralのモデルは多言語を前提に構築され、50以上の方言を謳い、その音声ファミリー全体でEUの24公用語すべてをカバーしている。ElevenLabsは74言語をカバーしており、数ではより広い。だが数の広さと言語ごとの品質は別の話であり、どちらのベンダーも言語別のEloを公開していない。オランダ語、ポーランド語、ポルトガル語を出荷するなら、どちらのスコアボードも答えを教えてはくれない。自分で聴いて確かめるしかない。

100万文字あたり80ドルで実際に何を買っているのか

価格差がもはや単なる上乗せに見えなくなるのは、この比較のこの部分です。ElevenLabsの文字単位の料金は、ひとつのプラットフォームにまとめられています。クローンするのではなくライセンスを受けられる共有ボイスマーケットプレイス、同意ワークフロー付きで約30分の音声から作成できるプロ向けボイスクローニング、吹き替え、効果音、会話エージェントスタック、そして数年にわたるクライアントライブラリと各種連携です。そうしたものはどれもリーダーボードには現れませんし、そのすべては、チームが本来なら自分たちで行うことになる作業です。

Mistralのバンドルは別の方向を指している。Voxtral 3 T​TSは、SIPテレフォニー、WebRTC、IVRをサポートするLiveKitベースの音声エージェントSDKとともに提供され、エージェントのターンは1秒未満と主張され、推論モデルにMistral Small 4を用いたエージェント価格は毎分0.04ドルだ。さらに、明示的なソブリン展開の訴求も伴っている。EU、米国、グローバルのエンドポイント、プライベートインフラ上での自己展開、そして音声がどこで処理され、保持されるかに対する明確な懸念だ。欧州の企業や公共部門の購買担当者にとって、それはElevenLabsが現在同じ形では対応できていない調達上の答えである。

簡単に言えば、ElevenLabsは製品の幅広さを売り、Mistralはデプロイの制御を売っている。吹き替え、効果音、ライセンス済みの音声カタログを必要とするチームは、そもそもこの2社のどちらかを選んでいるわけではない。1つの声を1つの言語ペアで、自社が管理するデータセンターで動かしたいチームは、決して使うことのないElevenLabsの多くの機能に多大な費用を払っているのだ。

移民問題、正直に言うと

「ElevenLabsから乗り換えれば84%節約」という魅力的な謳い文句がある。しかし、それを信じる前に数字を検証すべきだ。品質の低下や失われる機能を許容できるワークロードに限って、その節約は本当に成立するのだから。

• 大規模な純粋ナレーション、単一言語、ライセンス音声なし——節約効果は実在します。月1,000時間なら、Eleven v4では約4,320ドル、Voxtral 3 TTSでは700ドルで、聴き手はA/B比較などしていません。

• ElevenLabsライブラリのライセンス済み著名人またはブランドの声を含むもの — 移行はできません。Voxtral 3 T​TSにはマーケットプレイスがないため、30分の音声を用意して独自の適応版を作成する必要があります。

• 顧客が短いクリップをアップロードして自分の声を聞けることを期待する、あらゆるユーザー向けの用途 — ElevenLabsは約30秒でクローンを作成し、VoxtralはMistralのドキュメントによると、インスタントクローンをまったく提供していません。

• ダビング、効果音、または会話スタックをすでに利用している場合、実質的な比較は$80対$13ではない。なぜなら、離れるということは、そもそも同じ請求書の行に載ったことのない製品を置き換えることを意味するからだ。

現実的なパターンは分割です。人間が注意深く聴き、比較する可能性がある製品部分にはElevenLabsを残し、大量レンダリングはより安価なモデルに移します。この分割をきれいに運用するのは、調達の問題ではなくルーティングの問題です。OrcaRouterは単一のOpenAI互換キーの背後に200以上のモデルを、プロバイダーの定価を0%のマークアップでそのまま通して公開しているため、ハウスボイス（自社標準音声）のナレーション案件と顧客向けクローンを、2つ目の契約なしで異なるバックエンドに向けられます。また、あるエンドポイントがレンダリング中に劣化しても、自動フェイルオーバーがジョブを継続させます。本稿執筆時点では、Voxtral 3 TTSもElevenLabsもOrcaRouterのカタログにはありません。どちらもベンダー自身のAPIおよび複数のサードパーティプラットフォーム経由で利用可能であり、今構築すべきなのはルーティング設計です。そうすれば後での切り替えは設定変更で済みます。

何がこの評決を変えるでしょうか

まだどれも起きていない3つの展開。

1つ目はレイテンシの数値です。MistralはVoxtral 3 T​TSの初回音声までの時間（time-to-first-audio）を公開していません。発表資料にある唯一のレイテンシ数値は、リアルタイム文字起こしモデル（500ms未満）とエージェントループ（1秒未満）に関するものです。Artificial Analysisは中央値スループット112文字/秒を報告しており、これはEleven v3の56より速く、Sonic 3.6の145より遅いですが、スループットは起動時間ではありません。もしVoxtral 3 T​TSがCartesiaに近い初回音声数値でストリーミングできることが分かれば、インタラクティブ用途の候補になり、ElevenLabsの価格はより見劣りします。そうでなければ、ストリーミング分野には参入できず、13ドルはバッチレンダリング用の価格にすぎません。

第二は、独立した言語別評価です。ボードのスコアはあくまで集計値であり、モデルが全体で1,217 Eloを持っていても、イタリア語でははるかに優れていたり、はるかに劣っていたりすることがあります。どちらのベンダーも内訳を公開しておらず、欧州のバイヤーにとって最も重要なのはまさにその数字なのです。

第三は耐久性です。Arenaのクリップは短いものです。Mistralの資料にはT​TSエンドポイントの最大生成長が記載されておらず、ElevenLabsのナレーションの伝統が基盤とする長尺の一貫性は、オーディオブック制作者にとって意味のあるどの長さにおいてもVoxtral 3 T​TSでは検証されていません。

それらが実現するまでは、判断は異例なほど明確だ。製品の音声が短いクリップで顧客に評価されるなら、ElevenLabs に支払い、$80 のフラッグシップではなく $40 の Eleven v4 Turbo に支払うべきだ。製品の音声を、欧州言語で、自社が管理するインフラ上で大量生成し、ライブ実演ではなく再生するなら、$13 の Voxtral 3 T​TS は、既知の品質上限を伴う擁護可能な賭けだ——そしてその上限は現行製品より 111 ポイント低く、それはレビューで発見する不意打ちではなく、計画に織り込める数値だ。