Voxtral 3 TTS vs ElevenLabs: Seis vezes mais barato, cem pontos atrás

A Mistral precificou o Voxtral 3 T​TS a US$ 13 por milhão de caracteres e o lançou num mercado onde o modelo usado como referência por todo mundo, ElevenLabs Eleven v4, custa US$ 80 e marca 1.328 Elo contra 1.217 do Voxtral. São 111 pontos de preferência em escuta às cegas por 6,2 vezes o preço e, à primeira vista, o modelo barato não chega perto o suficiente para importar. Ainda assim, importa, por um motivo que o placar não mostra: a ElevenLabs não vende apenas síntese. Vende uma plataforma de voz — uma biblioteca, dublagem, agentes, clonagem profissional — e a maioria das equipes que paga US$ 80 por milhão de caracteres está pagando pela plataforma tanto quanto pela voz. O Voxtral 3 T​TS, lançado em 20 de outubro de 2026, chega, em vez disso, dentro de um SDK de agentes e de uma proposta de implantação com soberania da UE. A comparação que decide uma compra, portanto, não é "qual soa melhor", porque essa já está resolvida, mas "qual desses dois pacotes é o que você realmente precisa". As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos no Arquivo de Incidentes de IA do OrcaRouter, em que cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

O placar, antes de qualquer outra coisa

• Elo de Voz do Provedor — ElevenLabs Eleven v4: 1.328 (#2 de 98). Voxtral 3 TTS: 1.217 (#13). Ambos segundo a Artificial Analysis, consultado em 21 de outubro de 2026.

• Elo de Voz Controlada — Eleven v4: 1.157 (#4, empatado com Eleven v4 Turbo). Voxtral 3 TTS: 1.066 (#14).

• Preço de tabela por 1 milhão de caracteres — US$ 80,00 vs US$ 13,00.

• Idiomas — ElevenLabs: 74 em todos os planos. Voxtral 3 T​TS: mais de 35 idiomas e mais de 50 dialetos, com predefinições em 18.

• Clonagem instantânea — ElevenLabs: a partir de aproximadamente 30 segundos de áudio nos planos pagos. Voxtral 3 T​TS: nenhum clone instantâneo publicado; a adaptação "Pro Voice" exige 30 minutos de áudio.

• Pesos — fechado para ambos.

Uma linha dessa lista merece um segundo olhar: o próprio carro-chefe mais barato da ElevenLabs. O Eleven v4 Turbo marca 1.333 pontos — cinco acima do Eleven v4, dentro da margem de ruído — a US$ 40 por milhão de caracteres, exatamente metade do preço. Se a escolha for puramente "a melhor voz que a ElevenLabs vende", o Turbo é a compra sensata, e reduz a diferença para o Voxtral 3 TTS de 111 Elo para 116 por apenas o triplo do dinheiro. A escada de preços da ElevenLabs é mais ampla do que a maioria das comparações deste confronto admite.

Como são os 111 pontos em um produto

Uma diferença de Elo desse tamanho não é sutil. Em uma escuta cega lado a lado, é a diferença que o ouvinte percebe já na primeira frase, não na quinta — comparável à diferença entre Eleven v3 e Eleven v4 dentro da própria linha da ElevenLabs (1.182 vs 1.328). O Sonic 3.6 da Cartesia, com 1.289, fica no meio e é o modelo que mais diretamente contesta a leitura de "você recebe o que paga"; ele supera o Voxtral em 72 pontos e custa US$ 49, metade do Eleven v4.

Onde a lacuna se concentra é no controle de entrega em material expressivo. A geração v4 da ElevenLabs é construída em torno de tags de áudio — instruções inline para emoção, ritmo e ênfase incorporadas ao texto — e de uma biblioteca de vozes ampla o suficiente para que a maioria das equipes nunca precise clonar de fato. O Voxtral 3 TTS da Mistral oferece controle no nível do prompt de emoção, ritmo e ênfase, além de pronúncia no nível do fonema e uma biblioteca de vocabulário. Ambos expõem direção. A ElevenLabs já teve duas gerações de feedback público sobre como esses controles se comportam nos limites, e o Voxtral 3 TTS teve apenas um dia.

Onde a diferença se estreita é em qualquer idioma europeu que não seja o inglês. O modelo da Mistral foi criado com uma abordagem multilíngue desde o início, com mais de 50 dialetos alegados e todos os 24 idiomas oficiais da UE cobertos em sua família de fala. A ElevenLabs cobre 74 idiomas, o que é mais amplo em número, mas amplitude de número e qualidade por idioma são alegações diferentes, e nenhum dos fornecedores publica Elo por idioma. Se você está lançando produtos em holandês, polonês ou português, nenhum dos rankings lhe dá a resposta; você precisa ouvir.

O que US$ 80 por milhão de caracteres realmente compra

Esta é a parte da comparação em que a diferença de preço deixa de parecer um sobrepreço. A taxa por caractere da ElevenLabs vem embutida em uma plataforma: um marketplace de vozes compartilhado no qual você pode licenciar vozes em vez de cloná-las, clonagem profissional de voz a partir de cerca de 30 minutos de áudio com um fluxo de consentimento, dublagem, efeitos sonoros, uma pilha de agentes conversacionais e vários anos de bibliotecas de cliente e integrações. Nada disso aparece em um ranking, e tudo isso é trabalho que uma equipe teria de fazer de outra forma.

O pacote da Mistral aponta noutra direção. O Voxtral 3 TTS é lançado em conjunto com um SDK de agentes de voz baseado em LiveKit, com suporte a telefonia SIP, WebRTC e IVR, um tempo de resposta do agente alegadamente inferior a um segundo e um preço de 0,04 USD por minuto de agente, com o Mistral Small 4 como modelo de raciocínio. Inclui também uma proposta explícita de implementação soberana: endpoints na UE, nos EUA e globais, implementação própria em infraestrutura privada e uma preocupação declarada com o local onde o áudio é processado e com a sua eventual retenção. Para uma empresa europeia ou um comprador do setor público, esta é uma resposta em termos de aquisição que a ElevenLabs atualmente não iguala da mesma forma.

Em termos simples: a ElevenLabs vende amplitude de produto, a Mistral vende controlo da implementação. Uma equipa que precisa de dobragem, efeitos sonoros e um catálogo de vozes licenciado não está de modo algum a escolher entre estas duas. Uma equipa que precisa de uma única voz, num único par de línguas, a funcionar num centro de dados que controla, está a pagar por uma enorme quantidade de ElevenLabs que nunca irá ativar.

A questão da migração, honestamente

A formulação tentadora é “mude da ElevenLabs e economize 84%”. Faça as contas antes de acreditar nisso, porque a economia só é real para cargas de trabalho que consigam absorver a regressão de qualidade e os recursos ausentes.

• Narração pura em escala, um único idioma, sem vozes licenciadas — a economia é real. Mil horas por mês custam aproximadamente US$ 4.320 no Eleven v4, contra US$ 700 no Voxtral 3 TTS, e o ouvinte não está fazendo comparações A/B.

• Qualquer coisa com uma voz licenciada de celebridade ou marca da biblioteca da ElevenLabs — a migração não é possível. O Voxtral 3 T​TS não tem marketplace; você traz 30 minutos de áudio e produz sua própria adaptação.

• Qualquer coisa voltada ao usuário em que o cliente envia um clipe curto e espera ouvir a própria voz — a ElevenLabs clona em cerca de 30 segundos e a Voxtral, conforme a documentação da Mistral, não oferece clone instantâneo de jeito nenhum.

• Qualquer coisa que já use dublagem, efeitos sonoros ou o stack conversacional — a comparação efetiva não é $80 contra $13, porque sair significa substituir produtos que nunca estiveram na mesma linha da fatura.

O padrão realista é uma divisão: manter o ElevenLabs para as partes do produto em que um humano está ouvindo com atenção e pode comparar, e transferir a renderização em massa para o modelo mais barato. Executar essa divisão de forma limpa é um problema de roteamento, não de compras. O OrcaRouter expõe mais de 200 modelos por trás de uma única chave compatível com OpenAI com o preço de lista do provedor repassado com 0% de margem, então um trabalho de narração com a voz padrão da casa e um clone voltado ao cliente podem apontar para backends diferentes sem um segundo contrato — e, se um endpoint degradar no meio da renderização, o failover automático mantém o trabalho em andamento. No momento em que escrevo, nem o Voxtral 3 T​TS nem o ElevenLabs estão no catálogo do OrcaRouter; ambos são acessíveis pelas APIs dos próprios fornecedores e por várias plataformas de terceiros, e o design de roteamento é o que você constrói agora para que a troca seja uma mudança de configuração depois.

O que mudaria este veredito?

Três desenvolvimentos, nenhum dos quais aconteceu ainda.

O primeiro é um número de latência. A Mistral não publicou o tempo até o primeiro áudio para o Voxtral 3 T​TS. Os únicos números de latência no material de lançamento pertencem ao modelo de transcrição em tempo real (abaixo de 500 ms) e ao loop do agente (menos de um segundo). A Artificial Analysis relata uma taxa de transferência mediana de 112 caracteres por segundo, que é mais rápida que os 56 do Eleven v3 e mais lenta que os 145 do Sonic 3.6, mas a taxa de transferência não é tempo de inicialização. Se o Voxtral 3 T​TS acabar transmitindo em streaming com um valor de primeiro áudio próximo ao da Cartesia, ele se torna um candidato para trabalho interativo e o preço da ElevenLabs parece pior. Se não, a categoria de streaming continua fechada para ele e os $13 são apenas um preço de renderização em lote.

O segundo é a avaliação independente por nível de idioma. As pontuações do ranking são agregadas; um modelo pode ter 1.217 de Elo no geral e ser muito melhor ou muito pior em italiano. Nenhum dos fornecedores publica o detalhamento por idioma, e, para um comprador europeu, é esse o número que mais importa.

O terceiro é a resistência. Os clipes da Arena são curtos. Os materiais da Mistral não informam um comprimento máximo de geração para o endpoint TTS, e a coerência em formato longo — aquilo em que se baseia a herança de narração da ElevenLabs — não foi testada para o Voxtral 3 TTS em nenhuma extensão que fosse relevante para um produtor de audiolivros.

Até que esses lançamentos cheguem, a decisão é excepcionalmente clara. Se a voz do seu produto for avaliada por um cliente em um clipe curto, pague à ElevenLabs e pague pelo Eleven v4 Turbo a $40 em vez do carro-chefe de $80. Se a voz do seu produto for gerada em massa, em um idioma europeu, em infraestrutura que você controla, e reproduzida em vez de executada ao vivo, o Voxtral 3 TTS a $13 é uma aposta defensável com um teto de qualidade conhecido — e o teto fica 111 pontos abaixo do incumbente, um número com o qual você pode planejar em vez de uma surpresa que você descobre na revisão.