Gemini 3.8 TTS vs Cartesia Sonic 3.6: Treze pontos Elo e dezesseis dólares

Os dois modelos de conversão de texto em fala mais próximos no ranking de votação cega da Artificial Analysis estão a uma posição de distância e a dezesseis dólares de distância, e essas duas diferenças apontam em direções opostas. Cartesia Sonic 3.6 ocupa o primeiro lugar, com um Elo de 1.273 no Provider Voice Arena em 1.757 amostras. Gemini 3.8 Flash TTS ocupa o segundo lugar, com 1.260 em 1.999 amostras. A diferença de Elo é de treze pontos — dentro do intervalo de confiança divulgado para ambos — e a diferença de preço segue na direção oposta, com o Gemini a US$ 33,00 por milhão de caracteres contra US$ 49,00 do Cartesia. Se você está escolhendo entre os dois, a análise honesta é que você está pagando dezesseis dólares por milhão de caracteres por uma diferença de qualidade que o ranking não consegue resolver.

Essa é a decisão inteira, e vale a pena ir com calma porque ambos os modelos são novos o bastante para que quase nada mais tenha sido medido. Cartesia Sonic 3.6 chegou em agosto de 2026. Gemini 3.8 Flash TTS chegou em 23 de setembro de 2026. Nenhum dos dois tem um benchmark independente publicado além dos votos da arena, e os votos da arena os colocam em um empate estatístico no topo.

O que a tabela de classificação realmente diz

O Artificial Analysis Provider Voice Arena é o ranking útil aqui porque compara as vozes nativas próprias de cada provedor com as de todos os outros provedores, em uma votação cega em pares. Essa é uma comparação mais justa do que um ranking de vozes controladas para a pergunta "qual produto soa melhor", porque permite que cada fornecedor disponibilize as vozes que realmente disponibiliza.

• Classificação 1 — Cartesia Sonic 3.6, Elo 1.273 com um intervalo de 17 pontos, 1.757 amostras, 8 vozes da arena, lançado em agosto de 2026, US$ 49,0 por 1 milhão de caracteres.

• Classificação 2 — Gemini 3.8 Flash TTS, Elo 1.260 com intervalo de 17 pontos, 1.999 amostras, 8 vozes de arena, lançado em setembro de 2026, US$ 33,0 por 1 milhão de caracteres.

• 3.º lugar — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1.259, 1.447 amostras, 15 vozes de arena, US$ 27,6 por 1 milhão de caracteres.

• Posições 4 a 9, para contextualizar — Inworld Realtime TTS-2 com 1.245, SpeechifyAI Simba 3.2 com 1.237, Google Gemini 3.8 Flash-Lite TTS com 1.235, VUI Labs Luna TTS com 1.230, Inworld Realtime TTS-2 Flash com 1.210, e BreezeBlue Breeze TTS 2 com 1.204.

Leia os intervalos e os três primeiros colapsam uns nos outros. O 1.273 do Sonic 3.6 tem uma faixa de dezessete pontos; o 1.260 do Gemini tem a mesma. Suas faixas se sobrepõem em quase toda a sua largura. Qwen-Audio-3.0-TTS-Plus, com 1.259, se sobrepõe a ambos. O placar está lhe dizendo que esses três são indistinguíveis por preferência cega nas amostras coletadas até agora, e que a ordenação entre eles não é evidência estável.

As contagens de amostras também são próximas o suficiente para não explicar a diferença — 1.757 para o Cartesia contra 1.999 para o Gemini. Ambas estão na casa dos milhares baixos, o que é suficiente para colocar um modelo numa faixa e não o suficiente para separar vizinhos dentro dela.

De onde vêm os dezesseis dólares

A própria página de preços da Cartesia não publica uma tarifa por milhão de caracteres para o Sonic. Ela vende níveis de assinatura com minutos incluídos — Free a US$ 0 com 20.000 créditos, aproximadamente 27 minutos de Sonic 3.6; Pro a US$ 5 com 100.000 créditos, aproximadamente 133 minutos; Startup a US$ 49 com 1,25 milhão de créditos, aproximadamente 1.667 minutos; Scale a US$ 299 com 8 milhões de créditos, aproximadamente 10.667 minutos — além de limites de simultaneidade de 2, 3, 5 e 15, respectivamente, localização de voz a 225 créditos por sotaque adicionado, duração de chamada do agente de voz a US$ 0,06 por minuto e telefonia a US$ 0,014 por minuto.

Então, os US$ 49,00 por milhão de caracteres não são o preço de tabela da Cartesia em suas próprias unidades. Trata-se de a Artificial Analysis normalizar os créditos da Cartesia para um denominador comum, para que o painel consiga ao menos classificar por preço. É algo legítimo para um painel de comparação fazer, e é o único número comparável em bases equivalentes disponível, mas significa que o número da Cartesia é uma taxa derivada, enquanto o número do Gemini é um valor publicado.

A tarifa do Google é direta. O Gemini 3.8 Flash TTS cobra US$ 0,50 por milhão de tokens de texto de entrada e US$ 9,00 por milhão de tokens de áudio de saída até 31 de dezembro de 2026, depois US$ 1,00 e US$ 18,00. O áudio é medido a 25 tokens por segundo, então a tarifa de saída de áudio equivale a cerca de 0,02 centavos por segundo de fala. O Flash-Lite TTS, o irmão mais barato, custa US$ 6,00 por milhão de tokens de áudio no mesmo segundo de 25 tokens, e o Artificial Analysis o coloca no equivalente a US$ 22,10 por 1 milhão de caracteres, na 6ª posição, com um Elo de 1.235.

• Preço por 1M de caracteres — Cartesia Sonic 3.6 $49.00 vs Gemini 3.8 Flash TTS $33.00 vs Gemini 3.8 Flash-Lite TTS $22.10.

• Elo da Arena — 1.273 vs 1.260 vs 1.235, todos com intervalos de 17 pontos nos dois primeiros.

• Vozes da Arena — 8 vs 8 vs 8.

• Amostras — 1.757 vs 1.999 vs 2.000.

• Disponibilidade — beta hospedado da Cartesia vs a própria API Gemini Developer do Google, com disponibilidade geral.

• Liberação de peso — fechado para ambos; nenhum dos dois pode ser baixado.

A parte que a comparação de preços esconde

Por milhão de caracteres é uma unidade conveniente e não é como nenhum dos dois produtos cobra.

A unidade da Cartesia é um crédito vinculado a uma assinatura, com limites de concorrência atrelados ao nível. Isso significa que o custo marginal dos seus próximos mil caracteres é zero até você atingir o limite, e depois passa a ser o custo do próximo nível acima. Para uma carga de trabalho com um teto previsível, isso é um negócio melhor do que a tarifa por caractere sugere — você está comprando folga, não consumo. Para uma carga de trabalho que tem picos, é pior, porque a concorrência de 2 no nível Free e de 3 no Pro é uma barreira rígida, e não um preço.

A unidade do Gemini é um token, medido por chamada, sem teto de concorrência publicado e com três níveis de serviço — Standard, Batch e Flex, e Priority — a tarifas diferentes. Batch e Flex reduzem pela metade a tarifa de áudio para US$ 4,50 por milhão de tokens no Flash TTS; Priority eleva essa tarifa para US$ 16,20. Esse é um modelo de custos muito mais granular, e recompensa aquilo que a precificação do Google costuma recompensar: saber de antemão se uma tarefa é interativa ou em lote.

Qual é mais barato, portanto, depende de se a sua carga de trabalho de fala se parece com uma assinatura ou com um medidor. Os níveis da Cartesia são precificados para produtos com volume estável e limitado. Os do Gemini são precificados para consumo que você consegue classificar.

O que a Cartesia ainda tem que o Google não tem

Duas coisas, e ambas dizem respeito a ser um produto de voz, e não um modelo de voz.

A Cartesia vende infraestrutura de telefonia e de agentes de voz diretamente: $0,014 por minuto para telefonia, $0,06 por minuto para duração de chamada de agente de voz, e localização de voz a 225 créditos por sotaque adicionado. Se você está construindo um agente telefônico, essa é uma stack que você pode comprar em um só lugar. O Gemini 3.8 Flash TTS é um endpoint de síntese — ele retorna áudio e para. Você fornece o transporte, a detecção de turno e a telefonia por conta própria, ou os monta a partir de outros fornecedores.

Cartesia também está no ranking há mais tempo. Sua data de lançamento em agosto, em comparação com a de setembro do Google, significa que mais de sua contagem de amostras se acumulou contra uma versão consolidada, ao passo que um lançamento em setembro ainda está coletando votos. O Elo de um modelo em sua primeira semana é uma estimativa mais ruidosa do que o Elo do mesmo modelo depois de um mês, e isso depõe contra interpretar a diferença de treze pontos como evidência a favor da Cartesia.

O que o Google tem que a Cartesia não tem

A cobertura de idiomas é a mais clara. O Flash TTS suporta 130 idiomas com detecção automática; o Flash-Lite suporta 101. O modelo de localização da Cartesia é aditivo — você compra sotaques além de uma voz base a 225 créditos cada — o que é uma abordagem diferente e uma curva de custo diferente quando se ultrapassa um punhado de idiomas.

A superfície de entrega é a segunda. O Gemini 3.8 Flash TTS permite dirigir uma fala como você dirigiria um ator, montar cenas com dois falantes dentro de uma única chamada e escrever indicações não verbais — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — diretamente no roteiro. Também oferece design de voz a partir de uma descrição em linguagem natural e replicação de voz a partir de uma amostra de 30 segundos com verificação de consentimento, uma marca d'água SynthID e credenciais C2PA na saída. A remixagem de voz está listada como disponível em breve.

E tem disponibilidade geral, não está em beta. O Cartesia Sonic 3.6 é um beta hospedado, o que constitui uma declaração sobre a confiança do próprio fornecedor no endpoint sob carga.

Qual deles realmente ligar

Se a sua carga de trabalho é um agente telefônico com volume previsível e você quer telefonia, concorrência e síntese de um único fornecedor, o Cartesia Sonic 3.6 é a escolha coerente, e a diferença de dezesseis dólares é o preço de não montar três fornecedores por conta própria.

Se sua carga de trabalho é síntese dentro de um produto que você já opera — narração, uma camada de acessibilidade, a voz de um bot de suporte, uma etapa de localização para 130 idiomas —, o Gemini 3.8 Flash TTS é mais barato por caractere, tem cobertura de idiomas mais ampla, oferece controle de entrega mais refinado e está disponível para uso geral. A diferença de Elo não argumenta contra ele, porque a diferença de Elo não é estatisticamente real.

Se você quiser o mais barato dos três no topo da tabela e puder aceitar uma lista de idiomas mais curta, o Gemini 3.8 Flash-Lite TTS custa US$ 6,00 por milhão de tokens de áudio e fica seis posições abaixo, em 1.235 — uma diferença que também está dentro do ruído.

Seja qual for a sua escolha, o caminho de migração importa mais do que a escolha, porque ambos os modelos são novos e ambos os fornecedores ainda estão fazendo ajustes. O OrcaRouter é a proteção: uma única chave para mais de 200 modelos pelo preço de tabela do provedor, sem markup, de modo que um corte de preço de qualquer um dos laboratórios cai na sua fatura no mesmo dia, e não na renovação, failover automático caso uma chamada de síntese falhe, e uma DSL de roteamento se você quiser enviar um trabalho em lote para um modelo e uma chamada interativa para outro. Não hospedamos os endpoints de TTS do Cartesia Sonic 3.6 nem do Gemini 3.8 — a síntese da Cartesia é um produto à parte e os modelos de fala do Gemini vêm da API do Google —, mas a camada de texto e o caminho de failover são nossos, e são essas as partes que tornam seguro experimentar um modelo totalmente novo.

O ponto a acompanhar é a próxima revisão da Artificial Analysis. Se o Gemini 3.8 Flash TTS fechar os treze pontos quando a contagem de amostras amadurecer, a diferença de preço deixa de ser um trade-off e passa a ser uma resposta direta. Se não fechar, a Cartesia mantém a coroa da qualidade e o Google mantém a do preço, e a escolha continua exatamente onde está agora: uma assinatura com telefonia acoplada, ou um medidor com 130 idiomas acoplados.