Eleven v4 против Cartesia Sonic 3.6: разрыв в 43 пункта Elo против голоса, который на 39% дешевле

ElevenLabs Eleven v4находится на 43 пункта Elo выше Cartesia Sonic 3.6в Provider Voice Arena от Artificial Analysis — 1 319 против 1 276 — и он также побеждает в таблице Controlled Voice, занимая второе место против четвёртого у Sonic 3.6. Зато по цене он проигрывает с большим отрывом в обратную сторону: $80,00 за миллион символов против $49,00, а по собственным прайс-листам поставщиков в течение стартового окна ставка за символ у него примерно в девять раз выше. Это редкое противостояние, в котором таблица результатов однозначна, а решение всё равно нет, потому что две модели на самом деле не соревнуются за одну и ту же задачу.

Что представляет собой каждая модель — по одному абзацу о каждой.

ElevenLabs Eleven v4 был выпущен 28 сентября как флагманская модель синтеза речи компании, вместе с Eleven v4 Turbo. Согласно документации, она поддерживает более 90 языков, ограничение ввода в 10 000 символов на запрос, многоспикерный диалог со стабильной идентичностью говорящего, улучшенную поддержку фонем IPA и встроенные директивы, позволяющие прописывать подачу прямо в сценарии. Клонирование голоса работает от десяти секунд аудио для мгновенных клонов, а выше этого — профессиональный уровень.

Cartesia Sonic 3.6 — текущий выпуск линейки моделей, которую Cartesia позиционирует с упором на скорость и естественность. На собственной странице продукта она называет его самой быстрой и самой естественной моделью синтеза речи, заявляет задержку менее 90 мс, нативную работу на 44 языках, клонирование голоса по десяти секундам аудио, настраиваемые словари произношения и набор соответствий требованиям HIPAA, SOC 2 Type 2, GDPR и PCI. Оба вендора публикуют показатели задержки для своих моделей; ни один из наборов не подтверждён независимо, и они измеряются не одинаково.

Табло, измерение за измерением

• Слепое предпочтение, собственные голоса каждого вендора — Eleven v4 занимает 1-е место, Elo 1 319, против Sonic 3.6 на 2-м месте, Elo 1 276. Разрыв в 43 пункта.

• Слепое предпочтение, сопоставленные клонированные голоса — Eleven v4, ранг 2, Elo 1 157 против Sonic 3.6, ранг 4, Elo 1 138. Разрыв в 19 пунктов, уже, чем в первом случае.

• Нормализация цен Arena, за миллион символов — Eleven v4 $80.00 против Sonic 3.6 $49.00. Sonic на 39% дешевле по общему знаменателю таблицы.

• Тарифная сетка вендора, за тысячу символов — Eleven v4 $0.022 по акции, $0.08 после 12 октября против Sonic 3.6 — $0.049. После окончания акции Sonic дешевле на 39%.

• Охват языков, по данным вендоров: Eleven v4 — более 90 против 44 у Sonic 3.3. Примерно вдвое больше.

• Лимит ввода на запрос — Eleven v4: 10 000 символов, тогда как для Sonic 3.6 он не указан на странице продукта.

• Задержка, по заявлению вендора — Eleven v4 Turbo: около 150 мс медианного времени до первой речи против менее 90 мс у Sonic 3.6. И снова — разные тесты.

• Клонирование голоса — и то и другое из десяти секунд аудио, и то и другое с более высоким профессиональным тарифом.

• Элементы управления перечислением — Eleven v4 документирует ввод фонем МФА и уровень профессионального клонирования; Sonic 3.6 документирует пользовательские словари произношения.

• Соответствие требованиям — Sonic 3.6 заявляет о соответствии HIPAA, SOC 2 Type 2, GDPR и PCI. ElevenLabs заявляет о своём соответствии отдельно от страницы модели и не размещает аналогичный список рядом с v4.

Две из этих строк — те, что имеют решающее значение в реальных проектах. Разрыв в Elo составляет 43 пункта в таблице голосов от вендоров и 19 в таблице клонированных голосов — при фиксированных дикторах разрыв Sonic сокращается более чем наполовину. Это признак модели, у которой тюнинг конкурентоспособен, а набор голосов по умолчанию — нет, и это говорит о том, что проблема Sonic в этом сравнении — подача, а не качество синтеза.

Почему ценовой разрыв меньше, чем кажется

Сравнение тарифов, вынесенное в заголовок, вводит в заблуждение в обе стороны. $0,022 за тысячу символов у Eleven v4 — это промо-цена со сроком действия до 12 октября; цифра, которая останется после окончания акции, — $0,08, что более чем на 60% выше тарифной сетки Sonic 3.6. Но нормализация на арене не учитывает промо-акцию: она оценивает модели по их прайс-листовым тарифам и получает $80,00 против $49,00, и это сравнение останется верным в ноябре.

Есть и второй нюанс. Cartesia не публикует цену за символ на странице своего продукта, поэтому цифра $0,049 взята из нормализации арены, а не от поставщика, и два показателя могут не совпадать точно — нормализация делает предположения о том, как провайдер выставляет счёт. Считайте порядок надёжным, а точные проценты — приблизительными.

Месяц работы при пяти миллионах символов: Eleven v4 по промо-тарифу стоит $110, а после 12 октября — $400. Sonic 3.6 стоит $245. Значит, в течение следующих двух недель Eleven v4 обходится менее чем в половину стоимости Sonic, а после этого — на 63% дороже. Любой, кто составляет закупочное сравнение сегодня и отправит его в следующем месяце, получит всё наоборот, если не укажет, какой тариф использовал.

Сегмент, в котором Sonic 3.6 является правильным ответом

Есть производственные голосовые нагрузки, для которых табло арены не измеряет то, что действительно важно, и Sonic 3.6 создан именно для них.

Разговорные агенты в реальном времени — самый наглядный пример. Задержка менее 90 мс для телефонного агента — не маркетинговая цифра; это разница между тем, воспринимается ли перебивание как обработанное, и тем, ощущается ли оно как оборванный звонок. При этом ElevenLabs не публикует аналогичный показатель для самого Eleven v4 — только для уровня Turbo, около 150 мс медианного времени до первого звука речи. Если бюджет сокетов вашего агента ограничен, 43 пункта Elo могут значить для вас меньше, чем миллисекунды, и ваше собственное тестирование перебивания (barge-in) позволит решить это быстрее, чем любая таблица лидеров.

Регулируемое развёртывание — второе. Cartesia указывает HIPAA, SOC 2 Type 2, GDPR и PCI на странице продукта. Список соответствия требованиям — это не Elo, и его нельзя заменить на Elo; если в вашем процессе релиза участвует проверяющий из сферы здравоохранения или платежей, эта строка таблицы результатов перевешивает остальные девять.

Детерминированное произношение — это третье, и оно тоньше. Документированный ввод фонем IPA в Eleven v4 — это сильная сторона, но пользовательские словари произношения Sonic 3.6 — это тот рабочий процесс, который команды с большими словарями названий продуктов, как правило, уже выстроили. Перенос словаря — это реальная работа; модель, которая использует артефакт, принадлежащий вам, получает преимущество на старте.

Где Eleven v4 — просто лучшая модель

При всем этом рейтинги что-то измеряют, и Eleven v4 победила в обоих. В Provider Voice она опережает Sonic 3.6 на 43 балла при 1 674 образцах, лежащих в основе оценки, а предыдущий флагман — ElevenLabs Eleven v3 с 1 169 — отстает от Sonic 3.6 на 107 баллов, что означает, что ElevenLabs закрыла реальный разрыв за одно поколение, а не защищала лидерство.

Количество языков — это вторая однозначная победа. Более 90 против 44 — это примерно вдвое больше, и для продукта, выпускающегося не только на английском и нескольких европейских языках, это вопрос покрытия, а не качества — у Sonic 3.6 может вообще не быть голоса для некоторых ваших локалей. А обработка диалогов с несколькими говорящими плюс встроенные директивы подачи — это настоящее различие в возможностях: прописать смех в сценарии — это рабочий процесс, который Sonic 3.6 не документирует, а воспроизвести этот эффект на модели без него означает постобработку или второй дубль, что обходится дороже, чем предполагает разрыв в Elo.

Запуск любого из них и та часть, с которой мы не можем помочь

OrcaRouter не размещает ни одну из этих моделей. ElevenLabs и Cartesia отсутствуют в нашем каталоге, поэтому ничто из этого сравнения нельзя вызвать через нас, а честный ответ на вопрос «как мне получить это на OrcaRouter» — нельзя: вы идёте к вендору. А что мы действительно решаем — это случай, когда речевой стек в итоге охватывает несколько провайдеров, а не одного: один API-ключ для более чем 200 моделей, при этом цены из прайс-листов провайдеров передаются с наценкой 0%, так что изменение цены вендором становится актуальным у нас в тот же день, когда оно вступает в силу. Для решения, которое зависит от того, платите ли вы $110 или $400 за один и тот же месячный объём символов, такая своевременность — не мелочь.

Там, где голосовой канал обращён к клиенту и не может прерываться, автоматическое переключение при сбое перенаправляет трафик на исправный апстрим, когда один из них деградирует. Именно этот подход делает двухнедельное промо-окно выгодным для использования: вы можете на две недели переключить продакшен на более дешёвую модель, не переписывая интеграцию, и вернуться обратно, когда тариф восстановится.

Кому стоит перейти, а кому подождать

Переходите на Eleven v4, если ваш продукт оценивают по тому, как он звучит, если вы выпускаете его более чем на двух десятках языков или если ваши пользователи слышат тот голос, который выбрал для них поставщик, — последняя группа — это ровно те, кого представляет Provider Voice board, и разрыв там самый большой среди всех строк.

Оставайтесь на Sonic 3.6, если вы ведёте разговор в реальном времени с ограничением по задержке, если специалист по комплаенсу утвердил ваш стек или если у вас есть словарь произношения, который вы не можете позволить себе пересобрать. В этих трёх строках Sonic не отстаёт; это единственный вариант с опубликованным ответом.

Погодите, в любом случае, если ваше решение зависит от цены. Через две недели тарифная сетка Eleven v4 изменится почти в четыре раза, а у Sonic 3.6 — нет, и сравнение, написанное сегодня, к середине октября будет читаться как неверное. Порядок Elo всё ещё сохранится. А деньги — нет.