Voxtral 3 TTS kontra Cartesia Sonic 3.6: 72 Elo przy 3,8-krotnie wyższej cenie

Cartesia Sonic 3.6 wygrywa argument jakościowy, a Voxtral 3 T​TS wygrywa pod względem kosztów, a całe porównanie sprowadza się do wielkości obu tych marginesów. W rankingu Provider Voice firmy Artificial Analysis z 21 października 2026 r. Sonic 3.6 znajduje się na poziomie 1289 Elo (4. miejsce wśród 98 ocenianych systemów) wobec 1217 dla Voxtral 3 T​TS (13. miejsce). Różnica wynosi 72 punkty i z zapasem wykracza poza przedziały ufności obu modeli. Różnica cen biegnie w przeciwnym kierunku i jest większa: 49 USD za milion znaków dla Sonic 3.6 wobec 13 USD dla Voxtral 3 T​TS — 3,8 razy więcej za model, który Mistral udostępnił dzień przed tym odczytem rankingu. Żadna z tych liczb nie jest kwestionowana. Sporne jest to, ile w produkcji warta jest przewaga 72 punktów w odsłuchu w ciemno, a to zależy wyłącznie od tego, co robi głos. Udokumentowane awarie AI i incydenty z agentami stojące za takimi premierami jak ta są gromadzone w the OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, dotkliwość, stopień pewności i flagę sporu.

Najpierw, co faktycznie mierzyły zarządy

Obie liczby pochodzą z tego samego źródła, co ma większe znaczenie niż zwykle w kategorii, w której każdy dostawca publikuje własne badanie preferencji. Artificial Analysis prowadzi dwa rankingi, a oba modele figurują w obu.

• Głos dostawcy — każdy model jest oceniany na podstawie własnych głosów natywnych. Sonic 3.6: 1289 Elo, #4, 95-procentowy przedział 1275–1303, 2732 porównania. Voxtral 3 T​TS: 1217 Elo, #13, przedział 1202–1232, 1619 porównań.

• Kontrolowany głos — każdy model jest klonowany na tych samych ośmiu głosach referencyjnych, więc słuchacze porównują silnik, a nie obsadę głosową. Sonic 3.6: 1,151 Elo, #5, przedział 1,138–1,164. Voxtral 3 T​TS: 1,066 Elo, #14, przedział 1,049–1,083.

• Wydano — Sonic 3.6 w sierpniu 2026 r.; Voxtral 3 TTS 20 października 2026 r.

• Cena katalogowa — 49,00 USD za 1 mln znaków w porównaniu z 13,00 USD za 1 mln znaków, obie według danych Artificial Analysis i zgodne z publicznymi cennikami każdego dostawcy.

• Przepustowość — mediana 145 znaków na sekundę dla Sonic 3.6 w porównaniu ze 112 dla Voxtral 3 T​TS, według pomiarów Artificial Analysis.

• Wagi — zamknięte w obu przypadkach. Żadnego z nich nie można hostować samodzielnie na warunkach permisywnej licencji.

Dwa szczegóły w tej tabeli łatwo przeoczyć — i nie powinno się. Wynik Controlled Voice jest bardziej uczciwy z tych dwóch, ponieważ usuwa przewagę posiadania dobrej biblioteki głosów, i tam luka rośnie z 72 punktów do 85. Sonic 3.6 nie wygrywa dzięki doborowi głosów; wygrywa dzięki syntezie. Drugi szczegół to liczba próbek. Voxtral 3 TTS ma 1 619 porównań na tablicy dostawców, około 40% mniej niż Sonic 3.6, a jego przedział jest odpowiednio szerszy. Wynik z drugiego dnia to prawdziwy wynik, ale będzie się zmieniać.

Skąd bierze się 72 Elo – cecha po cesze

Elo jest sumą preferencji, a nie diagnozą, dlatego warto zapytać, jakie decyzje produktowe ją ukształtowały. Oba modele zbudowano z myślą o różnych zadaniach i widać to w specyfikacjach.

Cartesia zbudowała silnik strumieniowy. Sztandarowe twierdzenie Sonic 3.6 to pierwsze audio w mniej niż 90 milisekund, pochodzące ze strony dostawcy, która stawia na szybkość. Jej mechanizmy sterowania to te, których potrzebuje agent na żywo: wbudowane sygnały, takie jak śmiech, modulacja głośności i szybkości, własne słowniki wymowy, emocje wnioskowane z kontekstu. To model zaprojektowany do wywoływania w trakcie rozmowy i rozpoczynania mówienia niemal natychmiast.

Mistral zbudował studyjny głos w korporacyjnym opakowaniu. Voxtral 3 T​TS oferuje ponad 35 języków i ponad 50 dialektów, presety głosowe w 18 językach, kontrolę na poziomie promptu nad emocjami, tempem i akcentowaniem, wymowę na poziomie fonemów oraz bibliotekę słownictwa. Jego historia klonowania to „Pro Voice”: 30 minut audio, by odtworzyć charakter mówiącego, zakres emocjonalny i styl w różnych językach. To pipeline adaptacyjny, a nie natychmiastowy klon.

Praktyczną konsekwencją jest to, że te dwa modele nie konkurują o to samo miejsce. Trzydziestominutowy proces adaptacji głosu to operacja związana z głosem marki; dziesięciosekundowy natychmiastowy klon to funkcja skierowana do użytkownika. Jeśli Twój produkt pozwala klientowi przesłać klip i usłyszeć siebie w wygenerowanym głosie, Sonic 3.6 to potrafi, a Voxtral 3 T​TS — zgodnie z dokumentacją — nie.

Asymetria opóźnień dodatkowo pogłębia ten problem. Cartesia publikuje wartość opóźnienia, a Mistral nie. Voxtral 3 T​TS nie ma nigdzie w materiałach premierowych podanego czasu do pierwszego dźwięku; najbliższa wartość to deklaracja poniżej 500 ms dotycząca odrębnego modelu transkrypcji w czasie rzeczywistym. Brak liczby nie oznacza złej liczby, ale w decyzji zakupowej jest to ryzyko, które bierzesz na siebie, a dostawca, który publikuje swoją wartość, jest bezpieczniejszym domyślnym wyborem w przypadku wszystkiego, co interaktywne.

Arytmetyka kosztów w skali, w której naprawdę daje się we znaki

Cennik za znak wygląda abstrakcyjnie, dopóki nie zostanie pomnożony przez wolumen. Przy około 900 znakach na minutę mowy godzina ciągłej wypowiedzi to około 54 000 znaków.

• Godzina audio — Sonic 3.6: około 2,65 USD. Voxtral 3 TTS: około 0,70 USD.

• Tysiąc godzin miesięcznie — Sonic 3.6: około 2650 USD. Voxtral 3 TTS: około 700 USD. Różnica wynosi około 23 400 USD rocznie.

• Dziesięć tysięcy godzin miesięcznie — Sonic 3.6: około 26 500 USD. Voxtral 3 T​TS: około 7000 USD. Różnica to około 234 000 USD rocznie.

Na dolnym końcu tego zakresu różnica to pozycja budżetowa, o którą ktoś się spiera. Na górnym końcu to liczba etatów. To cała argumentacja za Voxtral 3 T​TS i jest ona mocna w przypadku każdego zastosowania, w którym materiał głosowy jest długi i wstępnie wyrenderowany: audiobooki, moduły e-learningowe, narracja katalogowa, pipeline’y dubbingu. W tych zadaniach 72 Elo objawia się jako nieco mniej naturalne czytanie w niewielkim ułamku zdań, a słuchacz nie porównuje tego z niczym.

Arytmetyka zmienia kształt, gdy dwa modele wykonują różne zadania w jednym produkcie. Linia wsparcia potrzebuje opóźnienia Sonic 3.6 i jego uruchomienia w mniej niż sekundę; narracja marketingowa tej samej firmy już nie. Płacenie 49 USD za drugie zadanie to 49 USD wydane na możliwość, której to zadanie nie wykorzysta — a najczystszym sposobem na zachowanie obu bez dwóch procesów zakupowych jest warstwa routingu, która traktuje model jako parametr. To argument za konfiguracją OrcaRouter, a nie za którymkolwiek z dostawców: jeden interfejs API zgodny z OpenAI obejmujący ponad 200 modeli, cena katalogowa dostawcy przekazywana bez narzutu 0%, oraz DSL routingu, który może kierować zadanie narracji wsadowej i połączenie w czasie rzeczywistym do różnych backendów przy użyciu tego samego klucza. Ani Sonic 3.6, ani Voxtral 3 T​TS nie znajdują się w katalogu OrcaRouter w chwili pisania tego tekstu, więc dziś do obu dociera się przez własne API ich dostawców i kilka platform zewnętrznych — sedno tkwi w kształcie integracji, gdy już się tam znajdą.

Trzy obiekcje, które w praktyce rozstrzygają sprawę

Pierwsza kwestia to język. Cartesia reklamuje 44 języki z jednego modelu. Mistral reklamuje 35+ języków i 50+ dialektów, z presetami w 18. Na papierze Mistral obejmuje szerszy zakres; w praktyce liczba dialektów to obietnica szerokości pokrycia, a nie obietnica, że każdy dialekt został oceniony. Jeśli Twój plan działania obejmuje rynek, dla którego żaden z dostawców nie ma demo, poproś o próbkę, zamiast kierować się liczbą. Jedynym miejscem, w którym Mistral jest jednoznacznie silniejszy, jest pokrycie europejskie: twierdzi, że jego modele transkrypcji obsługują wszystkie 24 oficjalne języki UE, a modele syntezy 35+, a Mistral to francuska firma sprzedająca do unijnych zamówień publicznych z opcjami rezydencji danych w punktach końcowych UE, USA i globalnych. Sonic 3.6 nie ma równoważnej historii suwerennego wdrożenia.

Drugi obszar to kontrola wymowy w środowisku produkcyjnym. To tutaj różnica w rankingu Elo najbardziej myli. Model, który poprawnie odczytuje „Dr. Nguyen” bez słownika, może uplasować się niżej niż model, który brzmi naturalniej w ogólnym tekście prozatorskim. Voxtral 3 T​TS dostarcza bibliotekę słownictwa i kontrolę fonemów; Sonic 3.6 oferuje niestandardowe słowniki wymowy i wbudowane wskazówki dotyczące sposobu wypowiadania. Obie mają tę funkcję. Rozwiązanie Mistrala jest skierowane do nazw i terminów markowych w treściach korporacyjnych; rozwiązanie Cartesii — do tego samego problemu w trakcie połączenia strumieniowego. Przetestuj własny leksykon — listę nazw produktów, nazwisk i akronimów czytanych na głos — zanim którykolwiek z wyników zacznie się liczyć.

Trzecia sytuacja to to, co się dzieje, gdy dostawca ma zły dzień. Potok głosowy z pojedynczym punktem końcowym ulega awarii w trybie zamkniętym: punkt końcowy ulega degradacji, a produkt milknie. Sonic 3.6 i Voxtral 3 T​TS działają na innej infrastrukturze z innymi trybami awarii, a ścieżkę awaryjną między nimi warto zaprojektować, zanim będzie potrzebna. Automatyczne przełączanie awaryjne między dostawcami to konkretna rzecz, którą daje ci tu router, i jest ona cenniejsza w mowie niż w tekście, ponieważ utracony token jest niewidoczny, a utracona sylaba nie.

Więc który?

Wybierz Cartesia Sonic 3.6, gdy głos bierze udział w rozmowie: agenci telefoniczni, asystenci w aplikacjach, NPC w grach — wszędzie tam, gdzie pierwsza sylaba dociera, zanim użytkownik skończy czytać wskaźnik ładowania. Płacisz 49 dolarów za milion znaków za model, który startuje w mniej niż 90 milisekund i zdobywa 1289 punktów w rankingu, a ta cena jest do obrony wobec każdego innego modelu w tej klasie opóźnień.

Wybierz Voxtral 3 T​TS, gdy głos jest treścią: narracja, dubbing, głos marki w całym katalogu, wszystko, co jest renderowane z wyprzedzeniem i odtwarzane. Płacisz 13 USD za model, który jest o 72 punkty Elo za liderem i 3,8 razy tańszy, z przechowywaniem danych w UE i 30-minutowym procesem adaptacji głosu, który lepiej sprawdza się przy jednym głosie firmowym niż przy klonie dla każdego użytkownika.

Nie wybieraj wyłącznie jednego z nich, jeśli udostępniasz oba rodzaje dźwięku. Błędu, którego należy unikać, to dokonanie jednorazowego wyboru, a następnie płacenie stawki modelu premium za pracę, którą wykona tani model, albo znoszenie opóźnień taniego modelu w miejscu, w którym są one zabójcze. Dwa endpointy za jednym kluczem to konfiguracja, która sprawia, że decyzja nie staje się ostateczna.

Otwartym pytaniem pozostaje, jaka okaże się brakująca liczba dotycząca opóźnienia Mistrala. Jeśli Voxtral 3 TTS będzie strumieniował z czasem do pierwszego dźwięku choćby zbliżonym do Cartesii, cena 13 USD staje się znacznie trudniejszym do podważenia faktem, a 72 Elo staje się jedyną rzeczą, jaką Sonic 3.6 jeszcze ma. Mistral jej nie opublikował, żadna strona trzecia jej nie zmierzyła, a dopóki jedno z tego się nie zmieni, miejsce w streamingu domyślnie należy do Cartesii.