Gemini 3.8 TTS против Inworld Realtime TTS-2: то, какому табло вы доверяете, меняет ответ

Поставьте Gemini 3.8 Flash TTS и Inworld Realtime TTS-2 рядом друг с другом на Artificial Analysis Provider Voice Arena, и ответ кажется очевидным: 2-е место против 4-го, Elo 1 260 против 1 245, по 8 голосов на арене у каждого, и нормализованная цена $16,50 за миллион символов против $20,80. Вендор выигрывает по позиции и по цене, а разрыв в 15 пунктов в любом случае находится внутри доверительных интервалов обеих строк.

Перейдите к другой таблице, которую публикует Artificial Analysis, и порядок меняется на противоположный. Inworld Realtime TTS-2 занимает верхнюю строку в Controlled Voice Arena с Elo 1,123, а его вариант Flash — с 1,075. Это не разница в округлении — побеждает другая модель, и причина в том, что эти две таблицы измеряют не одно и то же. Если вы выбираете голос для продукта, понимание того, какой из этих двух вопросов на самом деле задаёт ваш сценарий использования, — это и есть всё решение.

Два совета, два разных вопроса

Provider Voice Arena оценивает собственные нативные голоса модели — те, которые поставляет и хостит поставщик. Controlled Voice Arena сохраняет голос неизменным и оценивает, насколько хорошо каждая модель справляется, когда её просят говорить голосом, который не является её собственным. Те же судьи, тот же тип слепого сравнения, другая переменная.

Это различие соответствует двум разным задачам:

• Рейтинг провайдеров отвечает на вопрос «хорошо ли эта модель звучит из коробки». Это правильная таблица лидеров для продукта, который поставляется с фиксированным набором голосов рассказчика и никогда ничего не клонирует.

• Контролируемое ранжирование отвечает на вопрос: «Подчиняется ли эта модель спецификации голоса?» Это подходящий лидерборд для продукта, где голос принадлежит клиенту: клонированный голос бренда, лицензированный актёр, идентичность для каждого тенанта.

Модели Google лидируют в первом. Модели Inworld — во втором. Оба утверждения верны одновременно, и ни одно из них не противоречит другому, и именно поэтому один ответ на вопрос «какая TTS-модель лучшая» обычно служит признаком того, что автор выбрал одну таблицу и не посмотрел на другую.

Что означает на практике позиция Inworld номер один

Результат Controlled, занявший первое место, — это утверждение о точности следования инструкции, а точность следования инструкции — это свойство, которое решает, пригодно ли клонирование вообще.

У Inworld есть два способа клонирования. Мгновенное клонирование работает по короткому образцу — по заявлению вендора, это от 5 до 15 секунд эталонного аудио — а профессиональный уровень клонирования находится в бете и требует порядка десяти минут. Оба показателя заявлены вендором, и ни один из них не подтверждён независимо ареной; арена измеряет поведение модели после того, как у неё появился голос, а не качество самого этапа клонирования, который его создал.

Заявления о задержке, относящиеся к этому семейству, попадают в ту же категорию. Показатель времени до первого байта у варианта Flash — 25 миллисекунд, полученный в ходе сторонних измерений, — и значения p99 для полной модели принадлежат самой Inworld, а арене нечего сказать ни о том, ни о другом. Они правдоподобны для модели, ориентированной на работу в реальном времени, и при этом не подтверждены — и именно так к ним и следует относиться.

Итак, практический вывод таков: если ваш продукт клонирует голоса, результат Inworld по показателю Controlled — более релевантный из двух баллов, и именно поэтому более низкий ранг Provider не является дисквалифицирующим. Если ваш продукт не клонирует голоса, это преимущество для вас невидимо, и читать следует таблицу Provider.

Ценовая лестница состоит из трёх ступеней, и дешёвая — это подписка.

Сравнивать одну цену с одной ценой — значит неправильно оценивать это сопоставление, потому что у Inworld нет цены — у него есть лестница.

• По требованию — Realtime TTS-2 по цене $25.00 за миллион символов, Flash — $15.00. Это тариф, который видит клиент с оплатой по мере использования, и это собственная опубликованная цена поставщика.

• Тариф Creator — $20.00 и $10.00 за одни и те же две модели, то есть скидка 20% и 33% за подписку на тариф, а не оплату по потреблению. По данным поставщика; и это та ступень, которую стоит перепроверить на актуальной странице с ценами, прежде чем оформлять подписку, поскольку условия тарифов меняются быстрее, чем базовые ставки.

• Нормализовано — пересчёт арены на миллион символов даёт $20.80 для Realtime TTS-2 и $10.40 для Flash; это арифметика табло, а не цена, заявленная кем-либо из поставщиков.

В противовес этому тарифы Google основаны на токенах и носят промохарактер: $0.50 за миллион текстовых токенов на входе и $9.00 за миллион аудиотокенов на выходе до 31 декабря 2026 года, затем $18.00; Flash-Lite TTS — $0.50 и $6.00, затем $12.00. В нормализованном виде это $16.50 и $11.00.

Прочитайте оба вместе — и картина окажется интереснее, чем «Google дешевле». Если судить по цифрам, опубликованным сегодня, Flash TTS — самый дешёвый из трёх моделей, а вариант Flash от Inworld — второй по дешевизне: две модели Flash достаточно близки, и небольшое изменение вашего соотношения аудио к тексту может изменить то, какая из них выставляет меньший счёт. 1 января 2027 года, когда тариф Google удвоится, порядок установится, и Inworld станет более дешёвым вариантом на каждой ступени своей тарифной сетки. Тот, кто сравнивает эти две модели в сентябре, а окончательно выбирает в декабре, сравнивает не те цифры.

Где каждый из них является лучшим ответом

Две модели достаточно близки по качеству, а различия между ними носят структурный характер, поэтому честный вариант — это список условий, а не вердикт.

Выбирайте Gemini 3.8 Flash TTS, когда выбор голоса за вами. Создание голоса по письменному описанию, диалог двух говорящих в одном вызове, стилизация на уровне отдельных реплик и самое широкое языковое покрытие из двух — по собственному подсчёту Google, — и ни по одному из этих пунктов Inworld не может сравниться в этом сравнении. Сегодня это ещё и более дешёвая модель, а её родственная Flash-Lite даёт вторую ценовую точку в рамках того же API.

Выбирайте Inworld Realtime TTS-2, когда голос принадлежит клиенту. Верхняя строка Controlled Voice, путь мгновенного клонирования, измеряемый секундами референсного аудио, профессиональный уровень клонирования для случаев, когда нужно больше, и ориентированность на реальное время, подкреплённая публикуемыми производителем заявлениями о времени до первого байта, — с оговоркой, что это заявления самого производителя. Согласно собственной документации производителя, он работает только на английском, что является жёстким ограничением, если вам нужно что-либо другое.

Ни одна из этих моделей не размещается на OrcaRouter, и об этом стоит сказать прямо, а не намекать на обратное: вызывать Gemini 3.8 Flash TTS следует через собственный API Google и те интерфейсы, которые Google назвала 23 сентября, а вызывать Inworld Realtime TTS-2 — через собственную платформу Inworld. А OrcaRouter нужен для всего, что окружает этот выбор, — более 200 моделей за одним ключом по цене из прайс-листа провайдера без наценки, так что изменение тарифов вендора, как январский шаг, становится актуальным на нашей стороне в тот же день, автоматическое переключение при сбое — чтобы модель, прошедшая оценку, не обязана была становиться производственной зависимостью, плюс DSL маршрутизации для объединения моделей в один вызов, когда ни один голос не тянет всю задачу.

Причина сохранять оба эти варианта в рассмотрении заключается в том, что январское изменение ставки и различие между Controlled и Provider — это две отдельные причины, по которым ответ может измениться. Конвейер, который может обратиться только к одной из них, не сможет отследить ни одну.