Voxtral 3 TTS против Cartesia Sonic 3.6: 72 Elo при цене в 3,8 раза выше

Cartesia Sonic 3.6 побеждает в споре о качестве, а Voxtral 3 T​TS — по счету, и величина обоих разрывов — это и есть всё сравнение. В лидерборде Provider Voice от Artificial Analysis на 21 октября 2026 года, Sonic 3.6 находится на отметке 1 289 Elo (#4 из 98 систем с рейтингом) против 1 217 у Voxtral 3 T​TS (#13). Разрыв составляет 72 пункта, что с запасом выходит за доверительные интервалы обеих моделей. Ценовой разрыв направлен в другую сторону и шире: 49 долларов за миллион символов для Sonic 3.6 против 13 долларов для Voxtral 3 T​TS — в 3,8 раза больше для модели, которую Mistral выпустила на день раньше этого среза лидерборда. Ни одна из этих цифр не оспаривается. Спорно то, сколько в продакшене стоит преимущество в 72 пункта по слепому прослушиванию, и это полностью зависит от того, что делает голос. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьезности, степень уверенности и флаг спорности.

Во-первых, что на самом деле измеряли советы

Оба показателя взяты из одного и того же источника, что важнее, чем обычно, в категории, где каждый поставщик публикует собственное исследование предпочтений. Artificial Analysis ведёт две таблицы, и обе модели присутствуют в обеих.

• Голос провайдера — каждая модель оценивается по своим собственным нативным голосам. Sonic 3.6: 1 289 Elo, №4, 95%-й интервал 1 275–1 303, 2 732 сравнения. Voxtral 3 T​TS: 1 217 Elo, №13, интервал 1 202–1 232, 1 619 сравнений.

• Контролируемый голос — каждая модель клонируется с использованием одних и тех же восьми эталонных голосов, поэтому слушатели сравнивают сам движок, а не подбор голосов. Sonic 3.6: 1 151 Elo, №5, интервал 1 138–1 164. Voxtral 3 T​TS: 1 066 Elo, №14, интервал 1 049–1 083.

• Выпущено — Sonic 3.6 в августе 2026 г.; Voxtral 3 TTS — 20 октября 2026 г.

• Каталожная цена — $49.00 за 1 млн символов против $13.00 за 1 млн символов, обе согласно данным Artificial Analysis и соответствуют публичным ценам каждого поставщика.

• Пропускная способность — медианное значение 145 символов в секунду для Sonic 3.6 против 112 для Voxtral 3 T​TS по данным Artificial Analysis.

• Веса — закрыты в обоих случаях. Ни один из них нельзя развернуть самостоятельно под разрешительной лицензией.

В той таблице есть две детали, которые легко пропустить, но делать этого не следует. Результат Controlled Voice — более честный из этих двух, потому что он устраняет преимущество наличия хорошей библиотеки голосов, и там разрыв увеличивается с 72 до 85 пунктов. Sonic 3.6 побеждает не за счёт подбора голоса; он побеждает за счёт синтеза. Вторая деталь — количество сравнений. У Voxtral 3 T​TS 1 619 сравнений в таблице провайдеров, примерно на 40% меньше, чем у Sonic 3.6, и его интервал соответственно шире. Оценка второго дня — это настоящая оценка, но она будет меняться.

Откуда берутся 72 Elo: функция за функцией

Elo — это сумма предпочтений, а не диагноз, поэтому стоит спросить, какие продуктовые решения к ней привели. Две модели создавались для разных задач, и спецификации это подтверждают.

Cartesia создала потоковый движок. Главное заявление Sonic 3.6 — первый звук менее чем за 90 миллисекунд; это со страницы поставщика, которая делает акцент на скорости. Его элементы управления — те, что нужны живому агенту: встроенные сигналы, такие как смех, регулировка громкости и скорости, пользовательские словари произношения, эмоции, выводимые из контекста. Это модель, рассчитанная на то, чтобы к ней обращались в середине разговора и она начинала говорить почти сразу.

Mistral создала студийный голос в корпоративной обёртке. Voxtral 3 T​TS предлагает 35+ языков и 50+ диалектов, голосовые пресеты на 18 языках, управление эмоциями, темпом и акцентированием на уровне промпта, произношение на уровне фонем и библиотеку лексики. История её клонирования — «Pro Voice»: 30 минут аудио, чтобы воспроизвести характер диктора, эмоциональный диапазон и стиль на разных языках. Это конвейер адаптации, а не мгновенное клонирование.

Практическое следствие состоит в том, что эти две модели не конкурируют за одно и то же место. 30-минутный процесс адаптации голоса — это операция по созданию бренд-голоса; 10-секундное мгновенное клонирование — это пользовательская функция. Если ваш продукт позволяет клиенту загрузить клип и услышать себя в сгенерированном голосе, Sonic 3.6 это умеет, а Voxtral 3 T​TS, согласно документации, — нет.

Асимметрия задержки усугубляет это. Cartesia публикует значение задержки, а Mistral — нет. У Voxtral 3 TTS нигде в материалах запуска не опубликовано время до первого аудио; ближайшая цифра — утверждение о менее чем 500 мс для отдельной модели транскрипции в реальном времени. Отсутствие цифры — не плохая цифра, но при решении о покупке это риск, который вы на себя берёте, и поставщик, который публикует своё значение, является более безопасным выбором по умолчанию для всего интерактивного.

Арифметика затрат — в масштабе, где она действительно критична

Ценообразование за символ кажется абстрактным, пока его не умножить на объём. При примерно 900 символах в минуту речи один час непрерывной речи — это около 54 000 символов.

• Один час аудио — Sonic 3.6: около $2.65. Voxtral 3 TTS: около $0.70.

• Тысяча часов в месяц — Sonic 3.6: около $2,650. Voxtral 3 T​TS: около $700. Разница — примерно $23,400 в год.

• Десять тысяч часов в месяц — Sonic 3.6: около $26 500. Voxtral 3 TTS: около $7 000. Разница — примерно $234 000 в год.

На нижней границе этого диапазона разрыв — это статья бюджета, о которой кто-то спорит. На верхней — это уже штатная единица. В этом и заключается весь аргумент в пользу Voxtral 3 TTS, и он весом для любой нагрузки, где голос используется в длинных материалах и заранее отрендерен: аудиокниги, модули электронного обучения, озвучивание каталогов, конвейеры дубляжа. В таких задачах 72 Elo проявляются как чуть менее естественное озвучивание на небольшой доле предложений, а слушатель ни с чем его не сравнивает.

Арифметика меняется, когда две модели выполняют разные задачи в одном продукте. Линии поддержки нужны задержка Sonic 3.6 и его запуск менее чем за секунду; маркетинговому озвучиванию той же компании — нет. Платить $49 за вторую задачу — значит тратить $49 на возможность, которую эта задача не может использовать, — и самый чистый способ сохранить обе без двух закупочных процессов — это слой маршрутизации, который рассматривает модель как параметр. Это аргумент в пользу решения OrcaRouter, а не в пользу любого из поставщиков: один API, совместимый с OpenAI, для 200+ моделей, цена из прайс-листа провайдера передаётся без наценки — 0%, а DSL маршрутизации может отправлять пакетное задание озвучивания и вызов в реальном времени на разные бэкенды с одним и тем же ключом. Ни Sonic 3.6, ни Voxtral 3 T​TS на момент написания нет в каталоге OrcaRouter, поэтому сегодня к обоим получают доступ через собственные API поставщиков и несколько сторонних платформ — суть в том, какой будет форма интеграции, когда они там появятся.

Три возражения, которые решают дело на практике

Первый аспект — язык. Cartesia рекламирует 44 языка в одной модели. Mistral заявляет 35+ языков и 50+ диалектов, с пресетами в 18. На бумаге Mistral охватывает больше; на практике количество диалектов — это обещание широты покрытия, а не обещание, что каждый диалект был оценен. Если в вашей дорожной карте есть рынок, для которого ни у одного вендора нет демо, попросите образец, а не ориентируйтесь на цифру. Единственное, в чем Mistral однозначно сильнее, — европейское покрытие: она заявляет все 24 официальных языка ЕС для своих моделей транскрипции и 35+ для синтеза, а Mistral — французская компания, работающая с госзакупками ЕС и предлагающая опции резидентности данных в ЕС, США и глобальных эндпоинтах. У Sonic 3.6 нет сопоставимого сценария суверенного развертывания.

Второй — контроль произношения в продакшене. Именно здесь разрыв в Elo вводит в заблуждение сильнее всего. Модель, которая правильно произносит «Dr. Nguyen» без словаря, может оказаться ниже модели, которая звучит естественнее на обычном тексте. Voxtral 3 TTS поставляется с библиотекой словаря и управлением фонемами; Sonic 3.6 — с пользовательскими словарями произношения и встроенными подсказками по подаче. Эта функция есть у обеих. У Mistral она нацелена на имена и брендовые термины в корпоративном контенте; у Cartesia — на ту же проблему внутри потокового вызова. Проверьте свой собственный лексикон — список названий продуктов, фамилий и аббревиатур, произносимых вслух, — прежде чем хоть одна из оценок получит право голоса.

Третий сценарий — это то, что происходит, когда у поставщика выдаётся неудачный день. Голосовой конвейер с одной конечной точкой при сбое просто останавливается: конечная точка деградирует, и продукт замолкает. Sonic 3.6 и Voxtral 3 T​TS работают на разной инфраструктуре с разными режимами отказов, и резервный путь между ними стоит продумать до того, как он понадобится. Автоматическое переключение при сбое между поставщиками — это именно то, что здесь даёт вам маршрутизатор, и в речи это ценнее, чем в тексте, потому что потерянный токен невидим, а потерянный слог — нет.

Так какой

Выбирайте Cartesia Sonic 3.6, когда голос участвует в разговоре: телефонные агенты, помощники в приложениях, NPC в играх — любые сценарии, где первый слог звучит раньше, чем пользователь успевает дочитать индикатор загрузки. Вы платите $49 за миллион символов за модель, которая стартует менее чем за 90 миллисекунд и набирает 1 289 баллов в рейтинге, и эта цена выдерживает конкуренцию со всеми другими моделями в том же классе задержки.

Выбирайте Voxtral 3 TTS, когда голос — это контент: озвучивание, дубляж, голос бренда по всему каталогу, всё, что рендерится заранее и затем воспроизводится. Вы платите $13 за модель, которая отстаёт от лидера на 72 пункта Elo и при этом в 3,8 раза дешевле, с хранением данных в ЕС и 30-минутным конвейером адаптации голоса, который лучше подходит для единого корпоративного голоса, чем для клона под каждого пользователя.

Не выбирайте ни один из них исключительно, если вы выпускаете оба типа аудио. Ошибка, которой следует избегать, — выбрать один раз и затем платить по тарифу премиальной модели за работу, которую может выполнить дешёвая, или терпеть задержку дешёвой модели там, где она фатальна. Две конечные точки под одним ключом — это конфигурация, которая не даёт решению стать окончательным.

Открытый вопрос — каким окажется недостающее у Mistral число задержки. Если Voxtral 3 TTS будет стримить с показателем времени до первого аудио хоть сколько-нибудь близким к показателю Cartesia, цена в $13 станет гораздо более трудным фактом для возражений, а 72 Elo останутся единственным, что у Sonic 3.6 ещё есть. Mistral его не публиковала, ни одна третья сторона его не измеряла, и пока одно из этого не изменится, слот стриминга по умолчанию принадлежит Cartesia.