Voxtral 3 TTS против ElevenLabs: в шесть раз дешевле, на сто пунктов позади

Mistral установила цену Voxtral 3 T​TS в 13 долларов за миллион символов и выпустила его на рынок, где модель, с которой все сравниваются, ElevenLabs Eleven v4, стоит $80 и набирает 1 328 Elo против 1 217 у Voxtral. Это 111 баллов предпочтения при слепом прослушивании за 6,2-кратную цену, и на первый взгляд дешёвая модель недостаточно близка, чтобы иметь значение. И всё же это имеет значение — по причине, которую таблица результатов не показывает: ElevenLabs продаёт не только синтез. Она продаёт голосовую платформу — библиотеку, дубляж, агентов, профессиональное клонирование — и большинство команд, платящих $80 за миллион символов, платят за платформу в той же мере, как и за голос. Voxtral 3 T​TS, выпущенный 20 октября 2026 года, вместо этого поставляется в составе SDK для агентов и предложения по суверенному развёртыванию в ЕС. Поэтому сравнение, которое определяет покупку, — не «что звучит лучше», поскольку с этим уже определились, а «какой из этих двух наборов вам действительно нужен». Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в the OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Табло, прежде всего остального

• Elo голоса провайдера — ElevenLabs Eleven v4: 1,328 (#2 из 98). Voxtral 3 TTS: 1,217 (#13). Оба показателя по данным Artificial Analysis, прочитанным 21 октября 2026 г.

• Elo для контролируемого голоса — Eleven v4: 1,157 (#4, наравне с Eleven v4 Turbo). Voxtral 3 TTS: 1,066 (#14).

• Цена по прайс-листу за 1 млн символов — 80,00 $ против 13,00 $.

• Языки — ElevenLabs: 74 на всех тарифах. Voxtral 3 TTS: 35+ языков и 50+ диалектов, с пресетами для 18.

• Мгновенное клонирование — ElevenLabs: примерно с 30 секунд аудио на платных тарифах. Voxtral 3 TTS: опубликованного мгновенного клонирования нет; для адаптации «Pro Voice» требуется 30 минут аудио.

• Веса — закрыто для обоих.

Одна строка в этом списке заслуживает второго взгляда: собственный более дешёвый флагман ElevenLabs. Eleven v4 Turbo набирает 1 333 балла — на пять пунктов больше Eleven v4, в пределах погрешности — при цене 40 долларов за миллион символов, ровно вдвое дешевле. Если выбор чисто «лучший голос, который продаёт ElevenLabs», Turbo — разумная покупка, и он сокращает разрыв с Voxtral 3 TTS со 111 пунктов Elo до 116 всего за втрое большие деньги. Ценовая лестница ElevenLabs шире, чем признаёт большинство сравнений в этом противостоянии.

Как выглядят 111 баллов в продукте

Такой разрыв в рейтинге Эло невозможно не заметить. При слепом прослушивании бок о бок это разница, которую слушатель замечает уже на первом предложении, а не на пятом — сопоставимая с разрывом между Eleven v3 и Eleven v4 в собственной линейке ElevenLabs (1,182 против 1,328). Sonic 3.6 от Cartesia с показателем 1,289 находится посередине и является моделью, которая наиболее прямо опровергает трактовку «вы получаете то, за что платите»; она превосходит Voxtral на 72 и стоит $49 — вдвое меньше, чем Eleven v4.

Разрыв в первую очередь касается управления подачей при работе с выразительным материалом. Генерация v4 от ElevenLabs построена вокруг аудиотегов — встроенных в текст инструкций по эмоциям, темпу и расстановке акцентов — и вокруг библиотеки голосов, достаточно обширной, чтобы большинству команд вообще не приходилось клонировать голоса. Voxtral 3 TTS от Mistral предлагает управление эмоциями, темпом и акцентами на уровне промпта, а также произношение на уровне фонем и библиотеку лексики. Оба позволяют задавать направление подачи. У ElevenLabs уже было два поколения публичной обратной связи о том, как эти средства управления ведут себя на границах, а у Voxtral 3 TTS — один день.

Там, где разрыв сокращается, — это любой европейский язык, кроме английского. Модель Mistral создавалась в первую очередь как многоязычная: заявлено более 50 диалектов, а в её речевом семействе охвачены все 24 официальных языка ЕС. ElevenLabs поддерживает 74 языка — по количеству это шире, но широта охвата и качество по каждому языку — разные утверждения, и ни один из поставщиков не публикует Elo по отдельным языкам. Если вы выпускаете продукт на нидерландском, польском или португальском, ни одна из этих рейтинговых таблиц не даст вам ответа; нужно слушать.

Что на самом деле покупают за 80 долларов за миллион символов

Именно на этом этапе сравнения разница в цене перестаёт выглядеть как наценка. Тариф ElevenLabs за символ включён в платформу: общий маркетплейс голосов, где можно лицензировать голоса, а не клонировать их, профессиональное клонирование голоса примерно по 30 минутам аудио с процессом получения согласия, дубляж, звуковые эффекты, стек разговорных агентов и несколько лет клиентских библиотек и интеграций. Ничего из этого не отображается в таблице лидеров, и всё это — работа, которую команде иначе пришлось бы выполнять.

Пакет Mistral указывает в другом направлении. Voxtral 3 TTS поставляется вместе с SDK для голосовых агентов на базе LiveKit с поддержкой SIP-телефонии, WebRTC и IVR, заявленным временем ответа агента менее одной секунды и ценой агента $0.04 за минуту, где Mistral Small 4 выступает моделью рассуждения. Он также предлагает явный сценарий суверенного развертывания: конечные точки в ЕС, США и по всему миру, самостоятельное развертывание на частной инфраструктуре и заявленную озабоченность тем, где обрабатывается аудио и сохраняется ли оно. Для европейского предприятия или покупателя из госсектора это ответ на вопрос закупки, которому ElevenLabs сейчас не соответствует в той же форме.

Проще говоря: ElevenLabs продаёт широту продукта, Mistral — контроль над развёртыванием. Команда, которой нужны дубляж, звуковые эффекты и лицензированный каталог голосов, вообще не стоит перед выбором между этими двумя. Команда, которой нужен один голос в одной языковой паре, работающий в собственном контролируемом дата-центре, платит за множество возможностей ElevenLabs, которые так и не задействует.

Вопрос о миграции, если честно

Соблазнительная формулировка звучит так: «перейдите с ElevenLabs и сэкономьте 84%». Прежде чем в это поверить, посчитайте сами — экономия реальна только для тех задач, которые способны выдержать падение качества и отсутствие части функций.

• Чистая наррация в масштабе, один язык, без лицензированных голосов — экономия реальна. Тысяча часов в месяц обходится примерно в $4,320 на Eleven v4 против $700 на Voxtral 3 T​TS, а слушатель не проводит A/B-сравнений.

• Всё, что использует лицензированный голос знаменитости или бренда из библиотеки ElevenLabs, — миграция невозможна. В Voxtral 3 T​TS нет маркетплейса; вы предоставляете 30 минут аудио и создаёте собственную адаптацию.

• Любой пользовательский сценарий, где клиент загружает короткий клип и рассчитывает услышать себя — ElevenLabs создаёт клон примерно за 30 секунд, а Voxtral, согласно документации Mistral, вообще не предлагает мгновенное клонирование.

• Всё, что уже использует дубляж, звуковые эффекты или разговорный стек, — фактическое сравнение не в том, что $80 против $13, потому что уход означает замену продуктов, которые никогда не были в одной строке счёта.

Реалистичный подход — это разделение: оставить ElevenLabs для тех частей продукта, где человек внимательно слушает и может сравнивать, а массовый рендеринг перевести на более дешёвую модель. Чисто реализовать такое разделение — это задача маршрутизации, а не закупки. OrcaRouter предоставляет более 200 моделей через единый ключ, совместимый с OpenAI с ценой из прайс-листа провайдера без наценки (0%), поэтому задача озвучивания фирменным голосом и клиентский клон могут указывать на разные бэкенды без второго контракта — и если один эндпоинт деградирует во время рендеринга, автоматическое переключение при сбое не даёт задаче остановиться. На момент написания ни Voxtral 3 T​TS, ни ElevenLabs нет в каталоге OrcaRouter; оба доступны через собственные API поставщиков и несколько сторонних платформ, а схему маршрутизации стоит строить уже сейчас, чтобы позже переключение стало изменением конфигурации.

Что могло бы изменить этот вердикт?

Три события, ни одно из которых ещё не произошло.

Первое — это показатель задержки. Mistral не опубликовала время до первого аудио для Voxtral 3 T​TS. Единственные цифры задержки в материалах запуска относятся к модели транскрипции в реальном времени (менее 500 мс) и циклу агента (менее одной секунды). Artificial Analysis сообщает о медианной пропускной способности 112 символов в секунду, что быстрее 56 у Eleven v3 и медленнее 145 у Sonic 3.6, но пропускная способность — это не время запуска. Если Voxtral 3 T​TS окажется способной к потоковой передаче с показателем времени до первого аудио, близким к показателю Cartesia, она станет кандидатом для интерактивной работы, а цена ElevenLabs будет выглядеть хуже. Если нет, категория потоковой передачи останется для неё закрытой, и $13 — это цена только за пакетный рендеринг.

Второе — независимая оценка на уровне отдельных языков. Оценки в таблице лидеров являются агрегированными; модель может иметь 1 217 Elo в целом и быть намного лучше или намного хуже в итальянском. Ни один из поставщиков не публикует разбивку, а для европейского покупателя именно этот показатель имеет наибольшее значение.

Третье — выносливость. Клипы в Arena короткие. В материалах Mistral не указана максимальная длина генерации для эндпоинта T​TS, а долгосрочная связность — то, на чём строится наследие ElevenLabs в области озвучивания, — не проверена для Voxtral 3 T​TS ни на какой длине, которая имела бы значение для продюсера аудиокниг.

Пока они не выйдут, решение необычно однозначное. Если голос вашего продукта клиент оценивает по короткому фрагменту, платите ElevenLabs и выбирайте Eleven v4 Turbo за $40, а не флагман за $80. Если голос вашего продукта генерируется массово, на европейском языке, на инфраструктуре, которую вы контролируете, и воспроизводится, а не исполняется вживую, Voxtral 3 T​TS за $13 — это оправданная ставка с известным потолком качества, и этот потолок на 111 пунктов ниже текущего лидера; это число, вокруг которого можно планировать, а не сюрприз, который вы обнаружите на ревью.