Voxtral 3 TTS kontra ElevenLabs: sześć razy taniej, o sto punktów w tyle

Mistral wycenił Voxtral 3 T​TS na 13 dolarów za milion znaków i wprowadził go na rynek, na którym model, do którego porównują się wszyscy, ElevenLabs Eleven v4, kosztuje 80 dolarów i uzyskuje 1328 punktów Elo wobec 1217 punktów Voxtrala. To 111 punktów preferencji ślepych słuchaczy za 6,2 razy wyższą cenę, a na pierwszy rzut oka tani model nie jest wystarczająco blisko, by miało to znaczenie. Ma to jednak znaczenie z powodu, którego tabela wyników nie pokazuje: ElevenLabs nie sprzedaje wyłącznie syntezy. Sprzedaje platformę głosową — bibliotekę, dubbing, agentów, profesjonalne klonowanie — a większość zespołów płacących 80 dolarów za milion znaków płaci tyle samo za platformę, co za głos. Voxtral 3 T​TS, wydany 20 października 2026 r., trafia natomiast w pakiecie z agentowym SDK i narracją o suwerennym wdrożeniu w UE. Porównanie, które rozstrzyga o zakupie, nie brzmi więc „który brzmi lepiej”, bo to już rozstrzygnięto, lecz „który z tych dwóch pakietów jest tym, którego naprawdę potrzebujesz”. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, ocenę pewności i oznaczenie sporu.

Tablica wyników, przede wszystkim

• Elo głosu dostawcy — ElevenLabs Eleven v4: 1,328 (nr 2 z 98). Voxtral 3 TTS: 1,217 (nr 13). Oba według Artificial Analysis, odczyt z 21 października 2026 r.

• Elo kontrolowanego głosu — Eleven v4: 1,157 (#4, ex aequo z Eleven v4 Turbo). Voxtral 3 TTS: 1,066 (#14).

• Cena katalogowa za 1 mln znaków — 80,00 USD vs 13,00 USD.

• Języki — ElevenLabs: 74 we wszystkich planach. Voxtral 3 TTS: ponad 35 języków i ponad 50 dialektów, z presetami w 18.

• Natychmiastowe klonowanie — ElevenLabs: od około 30 sekund nagrania w płatnych planach. Voxtral 3 TTS: nie opublikowano funkcji natychmiastowego klonowania; adaptacja „Pro Voice” wymaga 30 minut nagrania.

• Wagi — zamknięte dla obu.

Jedna pozycja na tej liście zasługuje na drugie spojrzenie: tańszy flagowiec samego ElevenLabs. Eleven v4 Turbo uzyskuje 1,333 — pięć punktów więcej niż Eleven v4, w granicach szumu — przy 40 USD za milion znaków, czyli dokładnie połowie ceny. Jeśli wybór dotyczy wyłącznie „najlepszego głosu, jaki sprzedaje ElevenLabs”, Turbo jest rozsądnym zakupem i zmniejsza lukę do Voxtral 3 T​TS ze 111 Elo do 116 za jedynie trzykrotnie wyższą cenę. Drabinka cenowa ElevenLabs jest szersza, niż przyznaje większość porównań tego pojedynku.

Jak wyglądają 111 punktów w produkcie

Różnica w Elo tej wielkości nie jest subtelna. W słuchaniu porównawczym w ciemno to różnica, którą słuchacz zauważa już przy pierwszym zdaniu, a nie piątym — porównywalna z różnicą między Eleven v3 a Eleven v4 w samej ofercie ElevenLabs (1,182 vs 1,328). Sonic 3.6 od Cartesii, z wynikiem 1,289, plasuje się pomiędzy i jest modelem, który najbardziej bezpośrednio podważa interpretację „dostajesz to, za co płacisz”; bije Voxtrala o 72 i kosztuje 49 USD, czyli połowę ceny Eleven v4.

Luka koncentruje się na kontroli interpretacji materiału ekspresyjnego. Generacja v4 ElevenLabs opiera się na tagach audio — wbudowanych w tekst instrukcjach dotyczących emocji, tempa i nacisku — oraz na bibliotece głosów tak bogatej, że większość zespołów w ogóle nie klonuje głosów. Voxtral 3 T​TS od Mistrala oferuje kontrolę emocji, tempa i nacisku na poziomie promptu, a także wymowę na poziomie fonemów i bibliotekę słownictwa. Oba rozwiązania udostępniają sterowanie interpretacją. ElevenLabs otrzymał publiczne opinie z dwóch generacji na temat tego, jak te mechanizmy sterowania zachowują się w skrajnych przypadkach, a Voxtral 3 T​TS ma za sobą jeden dzień.

To, gdzie różnica się zmniejsza, dotyczy każdego języka europejskiego innego niż angielski. Model Mistrala został zbudowany z myślą o wielojęzyczności od samego początku – deklaruje ponad 50 dialektów, a cała jego rodzina modeli mowy obejmuje wszystkie 24 oficjalne języki UE. ElevenLabs obsługuje 74 języki, co oznacza szerszy zakres pod względem liczby, ale szerokość oferty pod względem liczby języków i jakość w poszczególnych językach to odrębne kwestie, a żaden z dostawców nie publikuje wyników Elo dla poszczególnych języków. Jeśli wdrażasz produkt w języku niderlandzkim, polskim lub portugalskim, żaden z tych rankingów nie da ci odpowiedzi; trzeba posłuchać.

Za co tak naprawdę płacisz 80 dolarów za milion znaków

To jest ten fragment porównania, w którym różnica cen przestaje wyglądać jak narzut. Stawka ElevenLabs za znak jest wliczona w platformę: wspólny rynek głosów, z którego można licencjonować głosy zamiast je klonować, profesjonalne klonowanie głosu na podstawie około 30 minut nagrania z procesem wyrażania zgody, dubbing, efekty dźwiękowe, stos agentów konwersacyjnych oraz kilkuletnie biblioteki klienckie i integracje. Nic z tego nie pojawia się w rankingach, a wszystko to jest pracą, którą zespół musiałby w przeciwnym razie wykonać sam.

Pakiet Mistrala wskazuje inny kierunek. Voxtral 3 TTS trafia na rynek wraz z opartym na LiveKit SDK do agentów głosowych z obsługą telefonii SIP, WebRTC i IVR, deklarowanym czasem tury agenta poniżej jednej sekundy oraz ceną agenta wynoszącą 0,04 USD za minutę, przy czym modelem rozumującym jest Mistral Small 4. W zestawie znajduje się też wyraźna propozycja wdrożenia suwerennego: punkty końcowe w UE, USA i na świecie, wdrożenie własne na prywatnej infrastrukturze oraz wyrażona troska o to, gdzie przetwarzane jest audio i czy jest ono przechowywane. Dla europejskiego przedsiębiorstwa lub nabywcy z sektora publicznego jest to odpowiedź na pytania z postępowania zakupowego, której ElevenLabs obecnie nie dorównuje w tej samej formie.

Mówiąc krótko: ElevenLabs sprzedaje szeroki zakres produktów, a Mistral — kontrolę nad wdrożeniem. Zespół, który potrzebuje dubbingu, efektów dźwiękowych i licencjonowanego katalogu głosów, wcale nie wybiera między tymi dwoma. Zespół, który potrzebuje jednego głosu w jednej parze językowej, działającego w kontrolowanym przez siebie centrum danych, płaci za dużą część ElevenLabs, której nigdy nie uruchomi.

Kwestia migracji, szczerze

Kusząca narracja brzmi: „przejdź z ElevenLabs i oszczędź 84%”. Zanim w to uwierzysz, policz — oszczędność jest realna tylko w przypadku obciążeń, które zniosą regresję jakości i brakujące funkcje.

• Czysta narracja na dużą skalę, w jednym języku, bez licencjonowanych głosów — oszczędności są realne. Tysiąc godzin miesięcznie to około 4320 USD w Eleven v4 w porównaniu z 700 USD w Voxtral 3 T​TS, a słuchacz nie przeprowadza porównań A/B.

• Cokolwiek z licencjonowanym głosem celebryty lub marki z biblioteki ElevenLabs — migracja nie jest możliwa. Voxtral 3 TTS nie ma marketplace’u; dostarczasz 30 minut audio i tworzysz własną adaptację.

• Wszystko, co jest widoczne dla użytkownika, gdy klient przesyła krótki klip i oczekuje, że usłyszy siebie — ElevenLabs tworzy klon w około 30 sekund, a Voxtral, zgodnie z dokumentacją Mistral, w ogóle nie oferuje natychmiastowego klonowania.

• Cokolwiek, co już korzysta z dubbingu, efektów dźwiękowych lub stosu konwersacyjnego — skuteczne porównanie to nie $80 kontra $13, ponieważ odejście oznacza zastąpienie produktów, które nigdy nie były na tej samej pozycji faktury.

Realistyczny wzorzec to podział: zachować ElevenLabs dla tych części produktu, w których człowiek uważnie słucha i może porównywać, a masowe renderowanie przenieść do tańszego modelu. Czyste przeprowadzenie takiego podziału to problem routingu, a nie zakupów. OrcaRouter udostępnia ponad 200 modeli za jednym kluczem zgodnym z OpenAI z ceną katalogową dostawcy przekazywaną bez marży, dzięki czemu zlecenie narracji głosem firmowym i klon dla klientów mogą wskazywać różne backendy bez drugiej umowy — a jeśli jeden punkt końcowy pogorszy się w trakcie renderowania, automatyczne przełączanie awaryjne utrzymuje zadanie w ruchu. W chwili pisania tego tekstu ani Voxtral 3 T​TS, ani ElevenLabs nie znajdują się w katalogu OrcaRouter; oba są dostępne przez własne API dostawców i kilka platform zewnętrznych, a projekt routingu to coś, co budujesz teraz, aby przełączenie było później zmianą konfiguracji.

Co zmieniłoby ten werdykt?

Trzy wydarzenia, z których żadne jeszcze nie nastąpiło.

Pierwsza to liczba opóźnienia. Mistral nie opublikował czasu do pierwszego dźwięku dla Voxtral 3 T​TS. Jedyne dane o opóźnieniach w materiałach premierowych dotyczą modelu transkrypcji czasu rzeczywistego (poniżej 500 ms) i pętli agenta (poniżej jednej sekundy). Artificial Analysis podaje medianę przepustowości 112 znaków na sekundę, czyli szybciej niż 56 w Eleven v3 i wolniej niż 145 w Sonic 3.6, ale przepustowość to nie czas startu. Jeśli Voxtral 3 T​TS okaże się przesyłać strumieniowo z wynikiem pierwszego dźwięku zbliżonym do Cartesii, staje się kandydatem do pracy interaktywnej, a cena ElevenLabs wygląda gorzej. Jeśli nie, kategoria streamingu pozostaje dla niego zamknięta, a 13 USD to wyłącznie cena renderowania wsadowego.

Drugi to niezależna ocena na poziomie językowym. Wyniki rankingowe są zbiorcze; model może mieć ogólnie 1,217 Elo i być znacznie lepszy lub znacznie gorszy w języku włoskim. Żaden z dostawców nie publikuje szczegółowego podziału, a dla europejskiego nabywcy to właśnie ta liczba ma największe znaczenie.

Trzecia to wytrzymałość. Klipy z Arena są krótkie. Materiały Mistrala nie podają maksymalnej długości generowania dla endpointu TTS, a spójność długich form — fundament dziedzictwa ElevenLabs w narracji — nie została przetestowana w przypadku Voxtral 3 TTS przy żadnej długości, która miałaby znaczenie dla producenta audiobooków.

Dopóki się nie pojawią, decyzja jest wyjątkowo prosta. Jeśli głos Twojego produktu jest oceniany przez klienta na podstawie krótkiego klipu, płać ElevenLabs i wybierz Eleven v4 Turbo za 40 USD zamiast flagowego modelu za 80 USD. Jeśli głos Twojego produktu jest generowany masowo, w języku europejskim, na infrastrukturze, którą kontrolujesz, i odtwarzany, a nie wykonywany na żywo, Voxtral 3 TTS za 13 USD to obronny zakład ze znanym pułapem jakości — a ten pułap jest o 111 punktów niższy niż u obecnego dostawcy, czyli liczba, z którą można planować, a nie niespodzianka odkrywana podczas przeglądu.