Gemini 3.8 TTS против Cartesia Sonic 3.6: тринадцать пунктов Elo и шестнадцать долларов

Две самые близкие модели синтеза речи в лидерборде слепого голосования Artificial Analysis разделяют одна позиция и шестнадцать долларов, и эти два разрыва направлены в противоположные стороны. Cartesia Sonic 3.6 занимает первое место с Elo 1,273 в Provider Voice Arena на 1,757 образцах. Gemini 3.8 Flash TTS занимает второе место с 1,260 на 1,999 образцах. Разрыв в Elo составляет тринадцать пунктов — в пределах опубликованного доверительного интервала для обеих моделей — а ценовой разрыв идёт в другую сторону: Gemini стоит $33.00 за миллион символов против $49.00 у Cartesia. Если вы выбираете между ними, честная формулировка такова: вы платите шестнадцать долларов за миллион символов за разницу в качестве, которую лидерборд не может разрешить.

Вот в чём заключается всё решение, и на нём стоит задержаться подольше, потому что обе модели настолько новые, что почти ничего другого ещё не измерено. Cartesia Sonic 3.6 появилась в августе 2026 года. Gemini 3.8 Flash TTS вышла 23 сентября 2026 года. Ни у одной из них нет опубликованного независимого бенчмарка, кроме голосов арены, а голоса арены ставят их в статистическую ничью на вершине.

Что на самом деле говорит таблица лидеров

Artificial Analysis Provider Voice Arena — это полезное здесь табло, потому что оно сравнивает собственные нативные голоса каждого провайдера с голосами всех остальных провайдеров в слепом попарном голосовании. Это более справедливое сравнение, чем табло с контролируемым голосом, для вопроса «какой продукт звучит лучше», поскольку позволяет каждому вендору выпускать именно те голоса, которые он фактически выпускает.

• Ранг 1 — Cartesia Sonic 3.6, Elo 1 273 с интервалом в 17 пунктов, 1 757 образцов, 8 голосов арены, выпущена в августе 2026, $49,0 за 1 млн символов.

• 2-е место — Gemini 3.8 Flash TTS, Elo 1 260 с интервалом в 17 пунктов, 1 999 образцов, 8 голосов арены, выпущено в сентябре 2026 года, $33.0 за 1 млн символов.

• 3-е место — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1 259, 1 447 сэмплов, 15 голосов в арене, $27,6 за 1 млн символов.

• Для контекста, места с 4 по 9 — Inworld Realtime TTS-2 с 1 245, SpeechifyAI Simba 3.2 с 1 237, Google Gemini 3.8 Flash-Lite TTS с 1 235, VUI Labs Luna TTS с 1 230, Inworld Realtime TTS-2 Flash с 1 210 и BreezeBlue Breeze TTS 2 с 1 204.

Посмотрите на интервалы — и три верхние позиции сливаются друг с другом. Показатель Sonic 3.6, 1 273, имеет диапазон в семнадцать пунктов; у Gemini с 1 260 — такой же. Их диапазоны перекрываются почти по всей ширине. Qwen-Audio-3.0-TTS-Plus с 1 259 перекрывается с обоими. Табло говорит вам, что эти три модели неразличимы по слепому предпочтению на собранных на данный момент образцах, и что порядок между ними не является устойчивым доказательством.

Объёмы выборок тоже слишком близки, чтобы объяснить разницу, — 1 757 у Cartesia против 1 999 у Gemini. Оба измеряются несколькими тысячами: этого достаточно, чтобы отнести модель к определённой категории, но недостаточно, чтобы отделить соседние модели внутри неё.

Откуда берутся шестнадцать долларов

Собственная страница цен Cartesia не публикует тариф за миллион символов для Sonic. Она продаёт уровни подписки с включёнными минутами — Free за $0 с 20 000 кредитов, примерно 27 минут Sonic 3.6; Pro за $5 со 100 000 кредитов, примерно 133 минуты; Startup за $49 с 1,25 млн кредитов, примерно 1 667 минут; Scale за $299 с 8 млн кредитов, примерно 10 667 минут — плюс ограничения параллелизма 2, 3, 5 и 15 соответственно, локализация голоса по 225 кредитов за каждый добавленный акцент, тарификация длительности звонка голосового агента — $0,06 за минуту, и телефония — $0,014 за минуту.

Итак, $49.00 за миллион символов — это не прейскурантная цена Cartesia в её собственных единицах. Это Artificial Analysis приводит кредиты Cartesia к общему знаменателю, чтобы таблица вообще могла ранжировать по цене. Для сравнительной таблицы это законно, и это единственный сопоставимый показатель, который есть, но это означает, что число Cartesia — производная ставка, а число Gemini — опубликованная.

Тариф Google устроен просто. Gemini 3.8 Flash TTS взимает $0,50 за миллион входных текстовых токенов и $9,00 за миллион выходных аудиотокенов до 31 декабря 2026 года, а затем — $1,00 и $18,00. Аудио тарифицируется из расчёта 25 токенов в секунду, поэтому тариф на выход аудио составляет примерно 0,02 цента за секунду речи. Flash-Lite TTS, более дешёвый собрат, стоит $6,00 за миллион аудиотокенов при тех же 25 токенах в секунду, а Artificial Analysis указывает для него эквивалент $22,10 за 1 млн символов на 6-м месте с рейтингом Elo 1 235.

• Цена за 1 млн символов — Cartesia Sonic 3.6 $49.00 против Gemini 3.8 Flash TTS $33.00 против Gemini 3.8 Flash-Lite TTS $22.10.

• Arena Elo — 1 273 против 1 260 против 1 235, все с 17-пунктовыми интервалами у двух верхних.

• Голоса арены — 8 vs 8 vs 8.

• Образцы — 1 757 против 1 999 против 2 000.

• Доступность — размещённая бета-версия Cartesia в сравнении с собственным Gemini Developer API от Google, общедоступным.

• Релиз для снижения веса — закрыт для обоих; ни один не доступен для скачивания.

Та часть, которую скрывает сравнение цен

Цена за миллион символов — удобная единица измерения, но ни один из продуктов так не тарифицирует.

Единица у Cartesia — это кредит в счёт подписки, а ограничения параллелизма привязаны к тарифному уровню. Это значит, что предельная стоимость следующих тысячи символов равна нулю, пока вы не упрётесь в лимит, а затем она равна стоимости следующего уровня тарифа. Для нагрузки с предсказуемым потолком это выгоднее, чем следует из ставки за символ, — вы покупаете запас, а не потребление. Для нагрузки с резкими пиками это хуже, потому что параллелизм 2 на бесплатном уровне и 3 на Pro — это жёсткая стена, а не цена.

Единица измерения у Gemini — токен, тарифицируется за вызов, опубликованного предела параллелизма нет, и есть три уровня обслуживания — Standard, Batch и Flex, а также Priority — с разными тарифами. Batch и Flex снижают тариф на аудио вдвое, до $4,50 за миллион токенов для Flash TTS; Priority повышает его до $16,20. Это гораздо более детализированная модель затрат, и она поощряет то, что обычно поощряет ценообразование Google: заранее знать, является ли задача интерактивной или пакетной.

Что дешевле, следовательно, зависит от того, похожа ли ваша речевая нагрузка на подписку или на счётчик. Тарифы Cartesia рассчитаны на продукты со стабильным, ограниченным объёмом. Тарифы Gemini рассчитаны на потребление, которое можно классифицировать.

Что всё ещё есть у Cartesia, а у Google — нет

Две вещи, и обе о том, чтобы быть голосовым продуктом, а не голосовой моделью.

Cartesia продаёт инфраструктуру для телефонии и голосовых агентов напрямую: $0.014 за минуту телефонии, $0.06 за минуту длительности звонка голосового агента и локализацию голоса за 225 кредитов за каждый добавленный акцент. Если вы создаёте телефонного агента, это стек, который можно купить в одном месте. Gemini 3.8 Flash TTS — это эндпоинт синтеза: он возвращает аудио и на этом останавливается. Транспорт, детекцию реплик и телефонию вы предоставляете сами или собираете их у других поставщиков.

Cartesia также дольше находится в таблице. То, что она вышла в августе, а Google — в сентябре, означает, что большая часть её выборки накопилась против устоявшейся версии, тогда как сентябрьский запуск всё ещё собирает голоса. Elo модели в первую неделю — более шумная оценка, чем Elo той же модели через месяц, и это говорит против того, чтобы считать разрыв в тринадцать пунктов доказательством в пользу Cartesia.

Что есть у Google, чего нет у Cartesia

Охват языков — самый очевидный. Flash TTS поддерживает 130 языков с автоматическим определением; Flash-Lite — 101. Модель локализации Cartesia является аддитивной — вы покупаете акценты поверх базового голоса по 225 кредитов за каждый — это другой подход и другая кривая затрат, как только вы выходите за пределы нескольких языков.

Второй пункт — подача. Gemini 3.8 Flash TTS позволяет управлять репликой так, как вы бы управляли актёром, разыгрывать сцены с двумя говорящими в рамках одного вызова и вписывать невербальные сигналы — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — прямо в сценарий. Он также предлагает создание голоса по описанию на естественном языке и воспроизведение голоса по 30-секундному образцу с подтверждением согласия, водяной знак SynthID и учётные данные C2PA в выходных данных. Ремикширование голоса указано как «скоро».

И он общедоступен, а не в бете. Cartesia Sonic 3.6 — это хостируемая бета-версия, что говорит об уверенности самого поставщика в эндпоинте под нагрузкой.

Кому же на самом деле позвонить

Если ваша нагрузка — это телефонный агент с предсказуемым объёмом, и вы хотите получить телефонию, параллелизм и синтез от одного поставщика, Cartesia Sonic 3.6 — это целостный выбор, а разница в шестнадцать долларов — это цена того, что вам не придётся собирать трёх поставщиков самостоятельно.

Если ваша рабочая нагрузка — это синтез внутри продукта, который вы уже эксплуатируете — озвучивание, слой доступности, голос бота поддержки, проход локализации на 130 языков, — Gemini 3.8 Flash TTS дешевле в расчёте на символ, шире по языковому покрытию, точнее в управлении подачей и общедоступен. Разница в Elo не является аргументом против него, потому что разница в Elo статистически не подтверждается.

Если вы хотите самый дешёвый из трёх на вершине таблицы и можете принять более короткий список языков, Gemini 3.8 Flash-Lite TTS стоит 6,00 $ за миллион аудиотокенов и находится на шесть позиций ниже, на отметке 1 235 — разрыв, который также находится в пределах шума.

Кого бы вы ни выбрали, путь миграции важнее самого выбора, потому что обе модели новые и оба вендора всё ещё их донастраивают. OrcaRouter — это хедж: один ключ к более чем 200 моделям по каталожной цене провайдера без наценки, так что снижение цены от любой из лабораторий отразится в вашем счёте в тот же день, а не при продлении, автоматическое переключение при сбое, если вызов синтеза не удался, и DSL маршрутизации, если вы хотите отправить пакетное задание одной модели, а интерактивный вызов — другой. Мы не размещаем у себя конечные точки Cartesia Sonic 3.6 или Gemini 3.8 TTS — синтез Cartesia — это отдельный продукт, а речевые модели Gemini поступают из API Google, — но текстовый слой и путь отказоустойчивости наши, и именно эти части делают совершенно новую модель безопасной для пробы.

Следить стоит за следующим обновлением Artificial Analysis. Если Gemini 3.8 Flash TTS сократит разрыв в тринадцать пунктов, когда его выборка наберёт достаточный объём, ценовой разрыв перестанет быть компромиссом и станет однозначным ответом. Если нет, Cartesia сохранит корону за качество, а Google — за цену, и выбор останется ровно там, где он сейчас: подписка с привязанной телефонией или счётчик с привязанными 130 языками.