Voxtral 3 TTS vs Cartesia Sonic 3.6: 3.8배 가격으로 72 Elo

Cartesia Sonic 3.6은 품질 논쟁에서 이기고 Voxtral 3 T​TS는 청구서에서 이기며, 두 격차의 크기가 이 비교의 전부입니다. 2026년 10월 21일 Artificial Analysis의 Provider Voice 리더보드에서 Sonic 3.6은 1,289 Elo(98개 평가 시스템 중 4위)이며, 1,217 Elo인 Voxtral 3 T​TS(13위)와 비교됩니다. 격차는 72점으로, 두 모델의 신뢰구간을 넉넉히 벗어납니다. 가격 격차는 반대 방향으로 더 큽니다: Sonic 3.6은 100만 자당 $49, Voxtral 3 T​TS는 $13으로, Mistral이 이 리더보드 측정보다 하루 앞서 출시한 모델에 비해 3.8배에 달하는 가격입니다. 두 수치 모두 논쟁의 여지가 없습니다. 논쟁의 여지가 있는 것은 72점의 블라인드 청취 격차가 실제 운영에서 얼마만큼의 가치를 지니느냐이며, 이는 전적으로 음성이 무엇을 하느냐에 달려 있습니다. 이와 같은 출시의 배경에 있는 문서화된 AI 실패 및 에이전트 사고들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이견 표시가 함께 제공됩니다.

먼저, 이사회가 실제로 측정한 것

두 수치는 모두 같은 출처에서 나온 것으로, 모든 벤더가 자체 선호도 연구를 발표하는 이 분야에서는 평소보다 더 중요합니다. Artificial Analysis는 두 개의 보드를 운영하며, 두 모델은 두 보드 모두에 나타납니다.

• 제공자 보이스 — 각 모델은 자체 네이티브 음성으로 평가됩니다. Sonic 3.6: Elo 1,289, #4, 95% 구간 1,275–1,303, 비교 2,732회. Voxtral 3 TTS: Elo 1,217, #13, 구간 1,202–1,232, 비교 1,619회.

• 통제된 음성 — 모든 모델은 동일한 8개의 참조 음성으로 복제되므로, 청취자는 음성 캐스팅이 아니라 엔진을 비교합니다. Sonic 3.6: Elo 1,151, #5, 구간 1,138–1,164. Voxtral 3 T​TS: Elo 1,066, #14, 구간 1,049–1,083.

• 출시됨 — 2026년 8월 Sonic 3.6; 2026년 10월 20일 Voxtral 3 TTS.

• 정가 — 100만 자당 $49.00 대 100만 자당 $13.00, 두 수치 모두 Artificial Analysis가 추적하며 각 공급업체의 공개 가격과 일치합니다.

• 처리량 — Sonic 3.6은 초당 145자(중앙값), Voxtral 3 T​TS는 112자로, Artificial Analysis에서 측정했습니다.

• 가중치 — 둘 다 비공개입니다. 어느 쪽도 허용적 라이선스로는 자체 호스팅할 수 없습니다.

그 표에 관한 두 가지 세부 사항은 놓치기 쉽지만 놓쳐서는 안 됩니다. Controlled Voice 결과가 둘 중 더 정직한 결과인데, 좋은 음성 라이브러리를 갖춘 이점을 제거하기 때문이며, 그 지표에서는 격차가 72점에서 85점으로 벌어집니다. Sonic 3.6은 음성 캐스팅에서 이기는 것이 아니라 합성에서 이기고 있습니다. 두 번째 세부 사항은 샘플 수입니다. Voxtral 3 T​TS는 제공자 보드에서 1,619개의 비교를 보유하고 있어 Sonic 3.6보다 약 40% 적으며, 그에 따라 신뢰구간도 더 넓습니다. 2일 차 점수는 실제 점수이지만 변동될 것입니다.

72 Elo는 기능별로 어디에서 비롯되는가

Elo는 진단이 아니라 선호도를 합산한 값이므로, 어떤 제품 결정이 그 결과를 만들어냈는지 따져볼 필요가 있다. 두 모델은 서로 다른 용도를 위해 설계되었으며, 사양에서도 그 점이 드러난다.

Cartesia는 스트리밍 엔진을 구축했습니다. Sonic 3.6의 대표 주장은 첫 오디오가 90밀리초 이내에 나온다는 것이며, 이는 속도를 앞세운 벤더 페이지에서 비롯됩니다. 이 모델의 제어 기능은 라이브 에이전트에게 필요한 것들입니다. 웃음소리 같은 인라인 큐, 볼륨 및 속도 조절, 사용자 지정 발음 사전, 문맥에서 추론되는 감정 등이 그것입니다. 대화 도중 호출되어 거의 즉시 말을 시작하도록 설계된 모델입니다.

Mistral은 기업용으로 포장한 스튜디오급 음성을 구축했습니다. Voxtral 3 TTS는 35개 이상의 언어와 50개 이상의 방언, 18개 언어의 음성 프리셋, 감정·속도·강조에 대한 프롬프트 수준 제어, 음소 수준 발음, 어휘 라이브러리를 제공합니다. 복제 방식은 'Pro Voice'입니다. 화자의 특성, 감정 범위, 스타일을 여러 언어에 걸쳐 재현하려면 30분 분량의 오디오가 필요합니다. 이는 즉석 복제가 아니라 적응 파이프라인입니다.

실질적인 결과는 두 모델이 같은 자리를 두고 경쟁하지 않는다는 것입니다. 30분짜리 음성 적응 과정은 브랜드 보이스 작업이고, 10초짜리 즉석 복제는 사용자 대상 기능입니다. 고객이 클립을 업로드하고 생성된 음성으로 자신의 목소리를 들어볼 수 있는 제품이라면, Sonic 3.6은 그걸 해내지만 Voxtral 3 TTS는 문서상 그렇지 않습니다.

지연 시간 비대칭은 이 문제를 더 악화시킵니다. Cartesia는 지연 시간 수치를 공개하지만 Mistral은 공개하지 않습니다. Voxtral 3 T​TS는 출시 자료 어디에도 첫 오디오까지 걸리는 시간(time-to-first-audio)이 공개되어 있지 않습니다. 가장 근접한 수치는 별도의 실시간 전사 모델에 대한 500ms 미만이라는 주장입니다. 수치가 없다는 것은 나쁜 수치가 아니지만, 구매 결정에서는 감수해야 하는 리스크이며, 자신의 수치를 공개하는 벤더가 모든 대화형 용도에서 더 안전한 기본 선택입니다.

비용 계산, 실제로 타격이 발생하는 규모에서

문자당 가격은 물량과 곱해지기 전까지는 추상적으로 보입니다. 발화 1분당 약 900자라고 하면, 1시간의 연속 발화는 약 54,000자입니다.

• 오디오 1시간 기준 — Sonic 3.6: 약 $2.65. Voxtral 3 TTS: 약 $0.70.

• 월 1,000시간 — Sonic 3.6: 약 $2,650. Voxtral 3 TTS: 약 $700. 연간 약 $23,400의 차이.

• 한 달에 10,000시간 — Sonic 3.6: 약 $26,500. Voxtral 3 TTS: 약 $7,000. 연간 약 $234,000 차이.

그 범위의 하단에서 그 격차는 누군가가 따져 묻는 개별 예산 항목이고, 상단에서는 인력 한 명이다. 그것이 Voxtral 3 T​TS의 근거 전부이며, 음성이 장문이고 사전 렌더링되는 모든 워크로드—오디오북, 이러닝 모듈, 카탈로그 내레이션, 더빙 파이프라인—에서는 강력한 근거다. 그런 작업에서 72 Elo는 일부 문장에서 약간 덜 자연스러운 낭독으로 나타날 뿐이고, 청자는 그것을 무엇과도 비교하지 않는다.

산수가 달라지는 지점은 두 모델이 한 제품 안에서 서로 다른 작업을 수행할 때입니다. 지원 라인에는 Sonic 3.6의 지연 시간과 1초 미만의 시작 시간이 필요하지만, 같은 회사의 마케팅 내레이션에는 그렇지 않습니다. 두 번째 작업에 $49를 지불하는 것은 그 작업이 활용할 수 없는 기능에 $49를 쓰는 것입니다. 그리고 두 번의 구매 프로세스 없이 둘 다를 유지하는 가장 깔끔한 방법은 모델을 매개변수로 취급하는 라우팅 계층입니다. 이것이 어느 한 벤더가 아니라 OrcaRouter의 구성에 대한 주장입니다: 200개 이상의 모델을 아우르는 하나의 OpenAI 호환 API, 공급자 정가를 0% 마크업으로 그대로 전달하며, 동일한 키로 배치 내레이션 작업과 실시간 호출을 서로 다른 백엔드로 보낼 수 있는 라우팅 DSL을 제공합니다. 이 글을 쓰는 시점에 Sonic 3.6과 Voxtral 3 TTS는 모두 OrcaRouter의 카탈로그에 없으므로, 현재 둘 다 각 벤더의 자체 API와 여러 타사 플랫폼을 통해 접근합니다. 핵심은 이들이 추가되었을 때 통합의 형태입니다.

실무에서 판가름하는 세 가지 반론

첫 번째는 언어입니다. Cartesia는 하나의 모델로 44개 언어를 광고합니다. Mistral은 35개 이상의 언어와 50개 이상의 방언을 광고하며, 18개 언어용 프리셋을 제공합니다. 서류상으로는 Mistral이 더 넓은 범위를 커버하지만, 실제로 방언 수는 커버리지 폭에 대한 약속일 뿐, 모든 방언이 평가되었다는 약속은 아닙니다. 로드맵에 두 공급업체 모두 데모가 없는 시장이 포함되어 있다면, 숫자를 읽는 대신 샘플을 요청하세요. Mistral이 확실히 더 강한 단 한 가지 영역은 유럽 커버리지입니다. Mistral은 전사 모델의 경우 EU의 24개 공식 언어 전부를, 합성의 경우 35개 이상을 지원한다고 주장하며, 프랑스 기업으로서 EU 조달 시장에 판매하면서 EU, 미국, 글로벌 엔드포인트의 데이터 레지던시 옵션을 제공합니다. Sonic 3.6에는 이에 상응하는 주권적 배포 스토리가 없습니다.

두 번째는 프로덕션에서의 발음 제어입니다. 바로 여기서 Elo 격차가 가장 크게 오해를 불러일으킵니다. 사전 없이 "Dr. Nguyen"을 올바르게 읽는 모델이 일반 산문에서는 더 자연스럽게 들리는 모델보다 낮은 순위를 받을 수 있습니다. Voxtral 3 T​TS는 어휘 라이브러리와 음소 제어를 제공하고, Sonic 3.6은 사용자 지정 발음 사전과 인라인 전달 큐를 제공합니다. 둘 다 해당 기능을 갖추고 있습니다. Mistral의 것은 엔터프라이즈 콘텐츠에 나오는 이름과 브랜드 용어를 겨냥하고, Cartesia의 것은 스트리밍 통화 내부의 같은 문제를 겨냥합니다. 어느 쪽 점수에든 한 표를 던지기 전에, 제품명, 성씨, 약어를 소리 내어 읽는 목록인 자체 어휘집으로 테스트해 보십시오.

세 번째는 벤더가 좋지 않은 오후를 보낼 때 벌어지는 일입니다. 단일 엔드포인트 음성 파이프라인은 폐쇄적으로 실패합니다. 엔드포인트가 성능 저하되면 제품은 조용해집니다. Sonic 3.6과 Voxtral 3 T​TS는 서로 다른 인프라와 서로 다른 장애 모드 위에 있으며, 둘 사이의 폴백 경로는 필요해지기 전에 설계할 가치가 있습니다. 공급자 간 자동 장애 조치는 라우터가 여기서 제공하는 바로 그 기능이며, 음성에서는 텍스트보다 더 가치 있습니다. 왜냐하면 누락된 토큰은 보이지 않지만 누락된 음절은 보이기 때문입니다.

그래서 어느 거야?

다음을 선택하세요: Cartesia Sonic 3.6 — 음성이 대화에 쓰일 때: 전화 상담원, 인앱 어시스턴트, 게임 NPC, 사용자가 로딩 스피너를 다 읽기도 전에 첫 음절이 도착해야 하는 모든 상황에서. 90밀리초 미만으로 시작하고 보드에서 1,289점을 기록하는 모델에 백만 자당 $49를 지불하는 것이며, 이 가격은 해당 지연 시간 등급의 다른 모든 모델과 비교해도 합리적입니다.

다음의 경우 선택하세요: Voxtral 3 T​TS — 목소리가 곧 콘텐츠일 때: 내레이션, 더빙, 카탈로그 전반에 걸친 브랜드 보이스, 미리 렌더링해 두고 재생하는 모든 경우. 선두 모델보다 72 Elo 뒤처지면서 3.8배 더 저렴한 모델에 $13을 지불하는 셈이며, EU 데이터 레지던시와 사용자별 클론보다 단일 기업 보이스에 더 적합한 30분 음성 적응 파이프라인을 갖추고 있습니다.

두 종류의 오디오를 모두 제공한다면 어느 한쪽만 배타적으로 고르지 마세요. 피해야 할 실수는 한 번 선택한 뒤 값싼 모델이 할 수 있는 작업에 프리미엄 모델의 요금을 지불하거나, 치명적인 지점에서 값싼 모델의 지연을 감수하는 것입니다. 하나의 키 뒤에 두 개의 엔드포인트를 두는 구성이 바로 그 결정이 영구적으로 굳어지지 않게 막아줍니다.

미해결 질문은 미스트랄의 누락된 지연 시간 수치가 실제로 얼마로 밝혀지느냐이다. Voxtral 3 TTS가 카르테시아의 수치에 근접하는 첫 오디오 지연 수치로 스트리밍된다면, 13달러라는 가격은 훨씬 반박하기 어려운 사실이 되고, 72 Elo는 Sonic 3.6이 여전히 가진 유일한 것이 된다. 미스트랄은 이를 공개하지 않았고, 어떤 제3자도 측정하지 않았으며, 둘 중 하나가 바뀌기 전까지 스트리밍 슬롯은 기본적으로 카르테시아의 몫이다.