Voxtral 3 TTS vs Cartesia Sonic 3.6: 72 Elo por 3,8 vezes o preço

Cartesia Sonic 3.6 vence a discussão sobre qualidade, e Voxtral 3 T​TS vence na conta, e a magnitude das duas margens resume toda a comparação. No ranking Provider Voice da Artificial Analysis em 21 de outubro de 2026, Sonic 3.6está em 1.289 Elo (#4 de 98 sistemas avaliados), contra 1.217 do Voxtral 3 T​TS (#13). A diferença é de 72 pontos, confortavelmente fora dos intervalos de confiança dos dois modelos. A diferença de preço vai na direção oposta e é maior: US$ 49 por milhão de caracteres para o Sonic 3.6, contra US$ 13 para o Voxtral 3 T​TS — 3,8 vezes mais por um modelo que a Mistral lançou um dia antes desta leitura do ranking. Nenhum dos dois números está em disputa. O que está em disputa é quanto vale em produção uma margem de 72 pontos em escuta cega, e isso depende inteiramente do que a voz está fazendo. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicação de contestação.

Primeiro, o que os painéis realmente mediram

Ambos os números vêm da mesma fonte, o que importa mais do que o habitual numa categoria em que cada fornecedor publica o seu próprio estudo de preferência. A Artificial Analysis mantém dois rankings, e os dois modelos aparecem em ambos.

• Voz do provedor — cada modelo é avaliado com suas próprias vozes nativas. Sonic 3.6: 1.289 Elo, #4, intervalo de 95% 1.275–1.303, 2.732 comparações. Voxtral 3 T​TS: 1.217 Elo, #13, intervalo 1.202–1.232, 1.619 comparações.

• Voz controlada — cada modelo é clonado nas mesmas oito vozes de referência, para que os ouvintes comparem o motor em vez da escolha de vozes. Sonic 3.6: 1.151 Elo, #5, intervalo 1.138–1.164. Voxtral 3 TTS: 1.066 Elo, #14, intervalo 1.049–1.083.

• Lançado — Sonic 3.6 em agosto de 2026; Voxtral 3 TTS em 20 de outubro de 2026.

• Preço de tabela — US$ 49,00 por 1 milhão de caracteres versus US$ 13,00 por 1 milhão de caracteres, ambos conforme acompanhado pela Artificial Analysis e compatíveis com o preço público de cada fornecedor.

• Vazão — mediana de 145 caracteres por segundo para Sonic 3.6 versus 112 para Voxtral 3 T​TS, medidas pela Artificial Analysis.

Pesos — fechados para ambos. Nenhum dos dois pode ser auto-hospedado sob uma licença permissiva.

Dois detalhes sobre essa tabela são fáceis de ignorar e não deveriam ser. O resultado de Voz Controlada é o mais honesto dos dois, porque elimina a vantagem de ter uma boa biblioteca de vozes, e aí a diferença aumenta de 72 pontos para 85. O Sonic 3.6 não está ganhando na escolha de vozes; está ganhando na síntese. O segundo detalhe é a contagem de amostras. O Voxtral 3 T​TS tem 1.619 comparações no painel do provedor, cerca de 40% menos que o Sonic 3.6, e seu intervalo é correspondentemente mais amplo. Uma pontuação do segundo dia é uma pontuação real, mas vai mudar.

De onde vêm os 72 Elo, recurso por recurso

Elo é uma soma de preferências, não um diagnóstico, então vale perguntar quais decisões de produto o produziram. Os dois modelos foram construídos para trabalhos diferentes, e as especificações mostram isso.

A Cartesia construiu um mecanismo de streaming. A principal promessa do Sonic 3.6 é o primeiro áudio em menos de 90 milissegundos, segundo uma página de fornecedor que coloca a velocidade em primeiro plano. Seus controles são os que um agente ao vivo precisa: sinais embutidos como riso, modulação de volume e velocidade, dicionários de pronúncia personalizados, emoção inferida a partir do contexto. É um modelo projetado para ser chamado no meio de uma conversa e começar a falar quase imediatamente.

A Mistral criou uma voz de estúdio com uma camada empresarial. O Voxtral 3 T​TS oferece mais de 35 idiomas e mais de 50 dialetos, presets de voz em 18 idiomas, controle no nível do prompt sobre emoção, ritmo e ênfase, pronúncia no nível dos fonemas e uma biblioteca de vocabulário. Sua proposta de clonagem é o "Pro Voice": 30 minutos de áudio para reproduzir o caráter, a amplitude emocional e o estilo de um locutor em vários idiomas. Isso é um pipeline de adaptação, não um clone instantâneo.

A consequência prática é que os dois modelos não estão competindo pela mesma posição. Um processo de adaptação de voz de 30 minutos é uma operação de voz de marca; um clone instantâneo de 10 segundos é um recurso voltado ao usuário. Se o seu produto permite que um cliente envie um clipe e ouça a si próprio em uma voz gerada, o Sonic 3.6 faz isso, e o Voxtral 3 TTS, conforme documentado, não faz.

A assimetria de latência agrava isso. A Cartesia publica um número de latência e a Mistral não. O Voxtral 3 TTS não tem nenhum tempo até o primeiro áudio publicado em lugar algum do material de lançamento; o número mais próximo é a alegação de menos de 500 ms no modelo separado de transcrição em tempo real. Um número ausente não é um número ruim, mas, em uma decisão de compra, é um risco que você carrega, e o fornecedor que publica seu número é a opção padrão mais segura para qualquer coisa interativa.

A aritmética dos custos, na escala em que ela pesa de verdade

O preço por caractere parece abstrato até ser multiplicado pelo volume. A cerca de 900 caracteres por minuto falado, uma hora de fala contínua equivale a aproximadamente 54.000 caracteres.

• Uma hora de áudio — Sonic 3.6: cerca de US$ 2,65. Voxtral 3 TTS: cerca de US$ 0,70.

• Mil horas por mês — Sonic 3.6: cerca de US$ 2.650. Voxtral 3 TTS: cerca de US$ 700. Uma diferença de aproximadamente US$ 23.400 por ano.

Dez mil horas por mês — Sonic 3.6: cerca de US$ 26.500. Voxtral 3 T​TS: cerca de US$ 7.000. Uma diferença de aproximadamente US$ 234.000 por ano.

No limite inferior dessa faixa, a diferença é um item de orçamento sobre o qual alguém discute. No limite superior, é uma contratação. Esse é todo o argumento em favor do Voxtral 3 T​TS, e é um argumento forte para qualquer carga de trabalho em que a voz seja de formato longo e pré-renderizada: audiolivros, módulos de e-learning, narração de catálogos, pipelines de dublagem. Nesses trabalhos, os 72 Elo aparecem como uma leitura um pouco menos natural em uma pequena fração das frases, e o ouvinte não está comparando com nada.

O ponto em que a aritmética muda de forma é quando os dois modelos desempenham funções diferentes em um único produto. Uma linha de suporte precisa da latência do Sonic 3.6 e da inicialização em menos de um segundo; a narração de marketing da mesma empresa não precisa. Pagar US$ 49 pelo segundo trabalho é gastar US$ 49 em uma capacidade que o trabalho não consegue usar — e a maneira mais limpa de manter os dois sem dois processos de aquisição é uma camada de roteamento que trata o modelo como um parâmetro. Esse é o argumento a favor da configuração do OrcaRouter, e não de qualquer um dos fornecedores: uma única API compatível com OpenAI para mais de 200 modelos, com o preço de tabela do provedor repassado a 0% de markup, e uma DSL de roteamento que consegue enviar um trabalho de narração em lote e uma chamada em tempo real para backends diferentes usando a mesma chave. Nem o Sonic 3.6 nem o Voxtral 3 T​TS estão no catálogo do OrcaRouter até o momento desta redação, então hoje ambos são acessados pelas APIs de seus próprios fornecedores e por várias plataformas de terceiros — o ponto é o formato da integração quando eles estiverem lá.

Três objeções que decidem a questão na prática

O primeiro é o idioma. A Cartesia anuncia 44 idiomas a partir de um único modelo. A Mistral anuncia mais de 35 idiomas e mais de 50 dialetos, com presets em 18. No papel, a Mistral cobre mais terreno; na prática, a contagem de dialetos é uma promessa sobre a amplitude da cobertura, não a promessa de que todos os dialetos foram avaliados. Se o seu roteiro inclui um mercado para o qual nenhum dos fornecedores tem uma demonstração, peça uma amostra em vez de ler a contagem. O único ponto em que a Mistral é inequivocamente mais forte é a cobertura europeia: ela afirma cobrir todos os 24 idiomas oficiais da UE nos seus modelos de transcrição e mais de 35 na síntese, e a Mistral é uma empresa francesa que vende para compras públicas da UE com opções de residência de dados em endpoints da UE, dos EUA e globais. O Sonic 3.6 não tem uma história equivalente de implantação soberana.

O segundo é o controle de pronúncia em produção. É aqui que a lacuna no Elo mais engana. Um modelo que lê “Dr. Nguyen” corretamente sem um dicionário pode ficar abaixo de outro que soa mais natural em prosa genérica. O Voxtral 3 TTS vem com uma biblioteca de vocabulário e controle de fonemas; o Sonic 3.6 vem com dicionários de pronúncia personalizados e sinais de locução embutidos. Ambos têm o recurso. O da Mistral é voltado a nomes e termos de marca em conteúdo empresarial; o da Cartesia é voltado ao mesmo problema dentro de uma chamada de streaming. Teste seu próprio léxico — uma lista de nomes de produtos, sobrenomes e siglas lidos em voz alta — antes que qualquer uma das pontuações seja levada em conta.

O terceiro é o que acontece quando um fornecedor tem uma tarde ruim. Um pipeline de voz de endpoint único falha de modo fechado: o endpoint se degrada e o produto fica em silêncio. Sonic 3.6 e Voxtral 3 TTS ficam em infraestruturas diferentes, com modos de falha diferentes, e vale a pena projetar o caminho de fallback entre eles antes que seja necessário. Failover automático entre provedores é exatamente o que um roteador oferece aqui, e é mais valioso em fala do que em texto porque um token descartado é invisível e uma sílaba descartada não é.

Então, qual deles?

Escolha Cartesia Sonic 3.6quando a voz estiver em uma conversa: agentes telefônicos, assistentes no aplicativo, NPCs de jogos, qualquer caso em que a primeira sílaba chegue antes de o usuário terminar de ler o indicador de carregamento. Você está pagando US$ 49 por milhão de caracteres por um modelo que começa em menos de 90 milissegundos e pontua 1.289 no ranking, e o preço é defensável contra todos os outros modelos dessa classe de latência.

Escolha o Voxtral 3 T​TS quando a voz for conteúdo: narração, dublagem, voz da marca em um catálogo, qualquer coisa renderizada com antecedência e reproduzida. Você está pagando US$ 13 por um modelo que está 72 Elo atrás do líder e 3,8 vezes mais barato, com residência de dados na UE e um pipeline de adaptação de voz de 30 minutos que se adequa melhor a uma única voz corporativa do que a um clone por usuário.

Não escolha nenhum dos dois exclusivamente se você entrega os dois tipos de áudio. O erro a evitar é escolher uma vez e depois pagar a tarifa do modelo premium por um trabalho que o modelo barato dá conta, ou absorver a latência do modelo barato num ponto em que ela é fatal. Dois endpoints atrás de uma única chave é a configuração que impede que a decisão se torne permanente.

A questão em aberto é qual será o número de latência ausente da Mistral. Se o Voxtral 3 TTS fizer streaming com um valor de primeiro áudio próximo do da Cartesia, o preço de US$ 13 se torna um fato muito mais difícil de contestar, e os 72 Elo se tornam a única coisa que o Sonic 3.6 ainda tem. A Mistral não o publicou, nenhum terceiro o mediu e, até que uma dessas coisas mude, a vaga de streaming pertence à Cartesia por padrão.