Gemini 3.8 TTS kontra Cartesia Sonic 3.6: Trzynaście punktów Elo i szesnaście dolarów

Dwa najbliższe sobie modele zamiany tekstu na mowę w tabeli głosowania w ciemno Artificial Analysis dzieli jedno miejsce i szesnaście dolarów, a te dwie różnice wskazują w przeciwnych kierunkach. Cartesia Sonic 3.6 zajmuje pierwsze miejsce z Elo Provider Voice Arena wynoszącym 1,273 na 1,757 próbek. Gemini 3.8 Flash TTS zajmuje drugie miejsce z wynikiem 1,260 na 1,999 próbek. Różnica w Elo wynosi trzynaście punktów — mieści się w opublikowanym przedziale ufności dla obu modeli — a różnica w cenie biegnie w przeciwnym kierunku: Gemini kosztuje 33,00 USD za milion znaków wobec 49,00 USD Cartesii. Jeśli wybierasz między nimi, uczciwie trzeba powiedzieć, że płacisz szesnaście dolarów za milion znaków za różnicę w jakości, której tabela nie jest w stanie rozstrzygnąć.

To jest cała decyzja i warto się nad nią pochylić, ponieważ oba modele są tak nowe, że nie zmierzono prawie niczego innego. Cartesia Sonic 3.6 pojawił się w sierpniu 2026 r. Gemini 3.8 Flash TTS pojawił się 23 września 2026 r. Żaden z nich nie ma opublikowanego niezależnego benchmarku poza głosami w arenie, a głosy w arenie stawiają je w statystycznym remisie na szczycie.

Co tak naprawdę mówi leaderboard

Artificial Analysis Provider Voice Arena to tutaj przydatny ranking, ponieważ porównuje własne natywne głosy każdego dostawcy z natywnymi głosami każdego innego dostawcy w ślepym głosowaniu parami. To sprawiedliwsze porównanie niż ranking z kontrolowanym głosem w kwestii „który produkt brzmi lepiej”, ponieważ pozwala każdemu dostawcy udostępniać głosy, które faktycznie oferuje.

• Miejsce 1 — Cartesia Sonic 3.6, Elo 1273 przy 17-punktowym przedziale, 1757 próbek, 8 głosów areny, wydany w sierpniu 2026 r., 49,0 USD za 1 mln znaków.

• Miejsce 2 — Gemini 3.8 Flash TTS, Elo 1 260 z 17-punktowym przedziałem, 1 999 próbek, 8 głosów w arenie, wydany we wrześniu 2026, 33,0 USD za 1 mln znaków.

• Miejsce 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1259, 1447 próbek, 15 głosów w arenie, 27,6 USD za 1 mln znaków.

• Miejsca od 4 do 9, dla kontekstu — Inworld Realtime TTS-2 z wynikiem 1 245, SpeechifyAI Simba 3.2 z wynikiem 1 237, Google Gemini 3.8 Flash-Lite TTS z wynikiem 1 235, VUI Labs Luna TTS z wynikiem 1 230, Inworld Realtime TTS-2 Flash z wynikiem 1 210 i BreezeBlue Breeze TTS 2 z wynikiem 1 204.

Odczytaj przedziały, a trzy czołowe pozycje zlewają się ze sobą. Sonic 3.6 z wynikiem 1,273 ma przedział o rozpiętości siedemnastu punktów; Gemini z 1,260 ma taki sam. Ich przedziały pokrywają się na niemal całej szerokości. Qwen-Audio-3.0-TTS-Plus z 1,259 pokrywa się z oboma. Tablica wyników mówi ci, że te trzy są nieodróżnialne przy ślepym porównaniu preferencji na dotychczas zebranych próbkach oraz że kolejność między nimi nie stanowi stabilnego dowodu.

Liczby próbek są również zbyt zbliżone, by wyjaśniać tę różnicę — 1 757 w przypadku Cartesia wobec 1 999 w przypadku Gemini. Obie mieszczą się w niskich tysiącach, co wystarcza, aby umieścić model w przedziale, ale nie wystarcza, by odróżnić sąsiadów w tym przedziale.

Skąd pochodzi szesnaście dolarów

Własna strona z cennikiem Cartesia nie publikuje stawki za milion znaków dla Sonic. Oferuje poziomy subskrypcji z pakietami minut — Free za 0 USD z 20 000 kredytów, około 27 minut Sonic 3.6; Pro za 5 USD ze 100 000 kredytów, około 133 minut; Startup za 49 USD z 1,25 miliona kredytów, około 1667 minut; Scale za 299 USD z 8 milionów kredytów, około 10 667 minut — plus limity współbieżności wynoszące odpowiednio 2, 3, 5 i 15, lokalizacja głosu za 225 kredytów za każdy dodany akcent, czas trwania połączenia agenta głosowego za 0,06 USD za minutę oraz telefonia za 0,014 USD za minutę.

A więc $49.00 za milion znaków nie jest ceną katalogową Cartesia w jej własnych jednostkach. To Artificial Analysis normalizuje kredyty Cartesia do wspólnego mianownika, aby tablica mogła w ogóle szeregować według ceny. To uzasadnione działanie w przypadku tablicy porównawczej i jest to jedyna dostępna liczba bezpośrednio porównywalna, ale oznacza to, że wartość dla Cartesia jest stawką pochodną, podczas gdy wartość dla Gemini jest publikowana.

Stawka Google jest prosta. Gemini 3.8 Flash TTS rozlicza 0,50 USD za milion tokenów tekstu wejściowego i 9,00 USD za milion tokenów audio wyjściowego do 31 grudnia 2026 r., a następnie 1,00 USD i 18,00 USD. Audio jest mierzone w tempie 25 tokenów na sekundę, więc stawka za audio wyjściowe przekłada się na około 0,02 centa za sekundę mowy. Flash-Lite TTS, tańszy brat, kosztuje 6,00 USD za milion tokenów audio przy tym samym tempie 25 tokenów na sekundę, a Artificial Analysis podaje jego równowartość na poziomie 22,10 USD za 1 mln znaków, na 6. miejscu z Elo 1235.

• Cena za 1 mln znaków — Cartesia Sonic 3.6 49,00 USD vs Gemini 3.8 Flash TTS 33,00 USD vs Gemini 3.8 Flash-Lite TTS 22,10 USD.

• Arena Elo — 1,273 vs 1,260 vs 1,235, wszystkie z 17-punktowymi odstępami na dwóch czołowych miejscach.

• Głosy areny — 8 vs 8 vs 8.

• Próbki — 1 757 vs 1 999 vs 2 000.

• Dostępność — hostowana wersja beta Cartesia kontra własne Gemini Developer API Google, ogólnie dostępne.

• Wydanie wagi — zamknięte dla obu; żadnego nie można pobrać.

Ta część, którą ukrywa porównanie cen

Stawka za milion znaków to wygodna jednostka, ale żaden z produktów nie rozlicza w ten sposób.

Jednostką Cartesia jest kredyt w ramach subskrypcji, z limitami współbieżności przypisanymi do planu. Oznacza to, że koszt krańcowy kolejnego tysiąca znaków wynosi zero, dopóki nie osiągniesz limitu, a potem jest to koszt kolejnego, wyższego planu. W przypadku obciążenia o przewidywalnym pułapie jest to lepsza oferta, niż sugeruje stawka za znak — kupujesz zapas mocy, a nie zużycie. W przypadku obciążenia ze skokami jest gorzej, ponieważ współbieżność 2 w planie Free i 3 w planie Pro to twarda bariera, a nie cena.

Jednostką rozliczeniową Gemini jest token, metrowany za wywołanie, bez publikowanego pułapu współbieżności i z trzema poziomami usług — Standard, Batch i Flex oraz Priority — po różnych stawkach. Batch i Flex zmniejszają o połowę stawkę za audio, do 4,50 USD za milion tokenów w Flash TTS; Priority podnosi ją do 16,20 USD. To znacznie bardziej drobnoziarnisty model kosztów i nagradza to, co cennik Google zwykle nagradza: wiedzę z góry, czy zadanie jest interaktywne, czy wsadowe.

Które z nich jest tańsze, zależy więc od tego, czy Twoje obciążenie mową wygląda jak subskrypcja, czy jak licznik. Poziomy cenowe Cartesia są ustalone dla produktów o stałym, ograniczonym wolumenie. Poziomy Gemini są ustalone dla zużycia, które możesz sklasyfikować.

Co Cartesia wciąż ma, czego Google nie ma

Dwie rzeczy — i obie dotyczą tego, że jest się produktem głosowym, a nie modelem głosowym.

Cartesia sprzedaje bezpośrednio infrastrukturę telefonii i agentów głosowych: 0,014 USD za minutę telefonii, 0,06 USD za minutę czasu trwania połączenia agenta głosowego oraz lokalizację głosu po 225 kredytów za każdy dodany akcent. Jeśli budujesz agenta telefonicznego, to stos, który możesz kupić w jednym miejscu. Gemini 3.8 Flash TTS to punkt końcowy syntezy — zwraca dźwięk i kończy działanie. Transport, wykrywanie tur i telefonię zapewniasz samodzielnie albo kompletujesz je od innych dostawców.

Cartesia znajduje się też na liście rankingowej dłużej. Jej sierpniowa data premiery w porównaniu z wrześniowym startem Google oznacza, że więcej jej próbek zgromadziło się w starciach z ustabilizowaną wersją, podczas gdy wrześniowa premiera wciąż zbiera głosy. Elo modelu w pierwszym tygodniu jest bardziej zaszumionym szacunkiem niż Elo tego samego modelu po miesiącu, co przemawia przeciwko interpretowaniu trzynastopunktowej różnicy jako dowodu na korzyść Cartesii.

Co Google ma, a czego nie ma Cartesia

Pokrycie językowe jest tu najwyraźniejsze. Flash TTS obsługuje 130 języków z automatycznym wykrywaniem; Flash-Lite obsługuje 101. Model lokalizacji Cartesia działa addytywnie — akcenty dokupuje się do bazowego głosu po 225 kredytów za każdy — co stanowi inne podejście i inną krzywą kosztów, gdy wyjdzie się poza kilka języków.

Powierzchnia dostarczania jest druga. Gemini 3.8 Flash TTS pozwala reżyserować kwestię tak, jak reżyserowałbyś aktora, inscenizować sceny z dwoma mówcami w ramach jednego wywołania i zapisywać niewerbalne wskazówki — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — bezpośrednio w skrypcie. Oferuje także projektowanie głosu na podstawie opisu w języku naturalnym oraz replikację głosu z 30-sekundowej próbki z weryfikacją zgody, znakiem wodnym SynthID i poświadczeniami C2PA na wyjściu. Remiksowanie głosu wymieniono jako funkcję, która pojawi się wkrótce.

I jest ogólnie dostępne, a nie w wersji beta. Cartesia Sonic 3.6 to beta hostowana, co stanowi wyraz zaufania samego dostawcy do punktu końcowego pod obciążeniem.

Który właściwie wywołać

Jeśli Twoje obciążenie to agent telefoniczny o przewidywalnym wolumenie i chcesz uzyskać telefonię, współbieżność oraz syntezę od jednego dostawcy, Cartesia Sonic 3.6 jest spójnym wyborem, a różnica szesnastu dolarów to cena tego, że nie składasz samodzielnie rozwiązania od trzech dostawców.

Jeśli Twoim obciążeniem jest synteza w produkcie, który już obsługujesz — narracja, warstwa dostępności, głos bota wsparcia, przebieg lokalizacji na 130 języków — Gemini 3.8 Flash TTS jest tańszy w przeliczeniu na znak, ma szersze pokrycie językowe, precyzyjniejszą kontrolę nad sposobem mówienia i jest ogólnie dostępny. Różnica w Elo nie przemawia przeciwko niemu, ponieważ różnica w Elo nie jest statystycznie realna.

Jeśli chcesz mieć najtańszy z tych trzech modeli na szczycie tabeli i możesz zaakceptować krótszą listę języków, Gemini 3.8 Flash-Lite TTS kosztuje 6,00 USD za milion tokenów audio i plasuje się sześć miejsc niżej, na 1 235 — różnica, która również mieści się w granicach szumu.

Niezależnie od tego, co wybierzesz, ścieżka migracji ma większe znaczenie niż sam wybór, bo oba modele są nowe, a obaj dostawcy wciąż je dostrajają. OrcaRouter to zabezpieczenie: jeden klucz do ponad 200 modeli w cenie katalogowej dostawcy, bez marży, więc obniżka ceny od któregokolwiek z laboratoriów trafia na twój rachunek tego samego dnia, a nie dopiero przy odnowieniu, automatyczne przełączanie awaryjne, jeśli wywołanie syntezy się nie powiedzie, oraz DSL routingu, jeśli chcesz wysłać zadanie wsadowe do jednego modelu, a wywołanie interaktywne do innego. Nie hostujemy punktów końcowych Cartesia Sonic 3.6 ani Gemini 3.8 TTS — synteza Cartesia to osobny produkt, a modele mowy Gemini pochodzą z API Google — ale warstwa tekstowa i ścieżka przełączania awaryjnego należą do nas, i to właśnie te elementy sprawiają, że całkiem nowy model można bezpiecznie wypróbować.

Najważniejsze, na co trzeba uważać, to następna rewizja Artificial Analysis. Jeśli Gemini 3.8 Flash TTS nadrobi trzynaście punktów, gdy jego liczba próbek się ustabilizuje, różnica w cenie przestaje być kompromisem, a zaczyna być prostą odpowiedzią. Jeśli nie, Cartesia zachowuje koronę jakości, a Google koronę ceny, i wybór pozostaje dokładnie tam, gdzie jest teraz: subskrypcja z dołączoną telefonią albo licznik z dołączonymi 130 językami.