Gemini 3.8 TTS vs Cartesia Sonic 3.6: Tretton Elo-poäng och sexton dollar

De två närmaste text-till-tal-modellerna på blindröstningstopplistan från Artificial Analysis ligger en placering ifrån varandra och sexton dollar ifrån varandra, och de två gapen pekar i motsatta riktningar. Cartesia Sonic 3.6 ligger på första plats med ett Elo-värde på 1 273 i Provider Voice Arena över 1 757 sampel. Gemini 3.8 Flash TTS ligger på andra plats med 1 260 över 1 999 sampel. Elo-gapet är tretton poäng – inom det publicerade konfidensintervallet för båda – och prisgapet går åt andra hållet, med Gemini på 33,00 dollar per miljon tecken mot Cartesias 49,00 dollar. Om du väljer mellan dem är den ärliga formuleringen att du betalar sexton dollar per miljon tecken för en kvalitetsskillnad som topplistan inte kan avgöra.

Det är hela beslutet, och det är värt att ta det lugnt med eftersom båda modellerna är så nya att nästan inget annat har mätts. Cartesia Sonic 3.6 kom i augusti 2026. Gemini 3.8 Flash TTS kom den 23 september 2026. Ingen av dem har ett publicerat oberoende benchmark utöver arena-rösterna, och arena-rösterna placerar dem i ett statistiskt oavgjort läge i toppen.

Vad topplistan faktiskt säger

Artificial Analysis Provider Voice Arena är den användbara resultattavlan här, eftersom den jämför varje leverantörs egna inbyggda röster mot varje annan leverantörs, i en blind parvis omröstning. Det är en rättvisare jämförelse än en tavla med kontrollerade röster för frågan ”vilken produkt som låter bättre”, eftersom den låter varje leverantör släppa de röster den faktiskt släpper.

• Rang 1 — Cartesia Sonic 3.6, Elo 1 273 med ett 17-punktsintervall, 1 757 prover, 8 arenaröster, släppt i augusti 2026, 49,0 USD per 1 miljon tecken.

• Rang 2 — Gemini 3.8 Flash TTS, Elo 1 260 med ett intervall på 17 punkter, 1 999 prover, 8 arena-röster, släppt i september 2026, 33,0 USD per 1 miljon tecken.

• Rang 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1 259, 1 447 prover, 15 arena-röster, $27,6 per 1 miljon tecken.

• Placering 4 till 9, för kontext – Inworld Realtime TTS-2 på 1 245, SpeechifyAI Simba 3.2 på 1 237, Google Gemini 3.8 Flash-Lite TTS på 1 235, VUI Labs Luna TTS på 1 230, Inworld Realtime TTS-2 Flash på 1 210 och BreezeBlue Breeze TTS 2 på 1 204.

Läs intervallen, och de tre främsta smälter samman. Sonic 3.6:s 1 273 har ett spann på sjutton punkter; Geminis 1 260 har samma. Deras spann överlappar över nästan hela sin bredd. Qwen-Audio-3.0-TTS-Plus på 1 259 överlappar båda. Resultattavlan säger att dessa tre inte går att skilja åt genom blind preferens i de prover som samlats in hittills, och att ordningen mellan dem inte utgör ett stabilt bevis.

Antalet sampel är tillräckligt nära för att inte heller kunna förklara skillnaden — 1 757 för Cartesia mot 1 999 för Gemini. Båda ligger i de låga tusentalen, vilket är tillräckligt för att placera en modell i ett band men inte tillräckligt för att skilja grannar i det.

Varifrån kommer de sexton dollarna

Cartesias egen prissida publicerar inget pris per miljon tecken för Sonic. Den säljer prenumerationsnivåer med inkluderade minuter – Gratis för $0 med 20 000 krediter, ungefär 27 minuter av Sonic 3.6; Pro för $5 med 100 000 krediter, ungefär 133 minuter; Startup för $49 med 1,25 miljoner krediter, ungefär 1 667 minuter; Scale för $299 med 8 miljoner krediter, ungefär 10 667 minuter – plus samtidighetsgränser på 2, 3, 5 respektive 15, röstlokalisering till 225 krediter per tillagd accent, samtalslängd för röstagent till $0.06 per minut och telefoni till $0.014 per minut.

Så $49,00 per miljon tecken är inte Cartesias listpris i dess egna enheter. Det är Artificial Analysis som normaliserar Cartesias krediter till en gemensam nämnare så att jämförelsetavlan överhuvudtaget kan rangordna efter pris. Det är en legitim sak för en jämförelsetavla att göra, och det är den enda jämförbara siffran som finns, men det innebär att Cartesia-siffran är en härledd sats medan Gemini-siffran är en publicerad sådan.

Googles taxa är enkel. Gemini 3.8 Flash TTS debiterar 0,50 USD per miljon tokens för inmatad text och 9,00 USD per miljon tokens för utmatat ljud fram till och med den 31 december 2026, därefter 1,00 USD och 18,00 USD. Ljud mäts med 25 tokens per sekund, så taxan för ljudutmatning motsvarar ungefär 0,02 cent per sekund tal. Flash-Lite TTS, den billigare syskonmodellen, kostar 6,00 USD per miljon ljudtokens med samma 25 tokens per sekund, och Artificial Analysis har den på motsvarande 22,10 USD per 1 miljon tecken på plats 6 med en Elo på 1 235.

• Pris per 1 miljon tecken — Cartesia Sonic 3.6 $49.00 vs Gemini 3.8 Flash TTS $33.00 vs Gemini 3.8 Flash-Lite TTS $22.10.

• Arena Elo — 1 273 mot 1 260 mot 1 235, alla med 17-poängsintervall vid de två högsta.

• Arenaröster — 8 vs 8 vs 8.

• Prover — 1 757 mot 1 999 mot 2 000.

• Tillgänglighet — Cartesias hostade beta jämfört med Googles egen Gemini Developer API, allmänt tillgänglig.

Viktfrisläppning – stängd för båda; ingen av dem går att ladda ner.

Delen som prisjämförelsen döljer

Per miljon tecken är en praktisk enhet och det är inte så någon av produkterna fakturerar.

Cartesias enhet är en kredit mot en prenumeration, med samtidighetsgränser kopplade till nivån. Det innebär att marginalkostnaden för dina nästa tusen tecken är noll tills du når gränsen, och sedan är det kostnaden för nästa nivå uppåt. För en arbetsbelastning med ett förutsägbart tak är det en bättre affär än priset per tecken antyder – du köper utrymme, inte förbrukning. För en arbetsbelastning med plötsliga toppar är det sämre, eftersom samtidigheten på 2 på Free-nivån och 3 på Pro är en hård vägg snarare än ett pris.

Geminis enhet är en token, mätt per anrop, utan publicerat tak för samtidighet och med tre servicenivåer – Standard, Batch och Flex samt Priority – till olika taxor. Batch och Flex halverar ljudtaxan till 4,50 USD per miljon tokens på Flash TTS; Priority höjer den till 16,20 USD. Det är en mycket mer finkornig kostnadsmodell, och den belönar det som Googles prissättning vanligtvis belönar: att i förväg veta om ett jobb är interaktivt eller batch.

Vilket som är billigare beror därför på om din röstarbetsbelastning liknar en prenumeration eller en mätare. Cartesias nivåer är prissatta för produkter med jämn, begränsad volym. Geminis är prissatta för förbrukning som du kan klassificera.

Vad Cartesia fortfarande har som Google inte har

Två saker, och båda handlar om att vara en röstprodukt snarare än en röstmodell.

Cartesia säljer telefonti- och voice-agent-infrastruktur direkt: $0,014 per minut för telefoni, $0,06 per minut för samtalslängd med voice agent, och röstlokalisering för 225 krediter per tillagd accent. Om du bygger en telefonagent är det en stack du kan köpa på ett ställe. Gemini 3.8 Flash TTS är en syntesendpunkt – den returnerar ljud och stannar. Du tillhandahåller transporten, turtagningsdetekteringen och telefonin själv, eller så sätter du ihop dem från andra leverantörer.

Cartesia har också funnits med på resultattavlan längre. Dess augustilansering gentemot Googles septemberlansering innebär att en större del av dess sampelantal ackumulerades mot en fastställd version, medan en septemberlansering fortfarande samlar röster. En modells Elo under den första veckan är en brusigare uppskattning än samma modells Elo efter en månad, och det talar emot att tolka gapet på tretton poäng som bevis för Cartesia.

Vad Google har som Cartesia inte har

Språktäckningen är den tydligaste. Flash TTS hanterar 130 språk med automatisk identifiering; Flash-Lite hanterar 101. Cartesias lokaliseringsmodell är additiv – du köper accenter ovanpå en basröst för 225 credits styck – vilket är ett annat angreppssätt och en annan kostnadskurva när du går över en handfull språk.

Det andra är leveransytan. Gemini 3.8 Flash TTS låter dig regissera en replik precis som du skulle regissera en skådespelare, sätta upp scener med två talare inom ett och samma anrop och skriva icke-verbala ledtrådar — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — direkt i manuset. Det erbjuder även röstdesign utifrån en beskrivning i naturligt språk och röstreplikering från ett 30-sekunders urval med samtyckesverifiering, ett SynthID-vattenmärke och C2PA-uppgifter på resultatet. Röstremixning anges vara på väg.

Och den är allmänt tillgänglig, inte i beta. Cartesia Sonic 3.6 är en hostad beta, vilket säger något om leverantörens egen tilltro till slutpunkten under belastning.

Vilken ska man egentligen ringa?

Om din arbetsbelastning är en telefonagent med förutsägbar volym och du vill ha telefoni, samtidighet och syntes från en och samma leverantör, är Cartesia Sonic 3.6 det enhetliga valet, och gapet på sexton dollar är priset för att inte själv behöva sätta ihop tre leverantörer.

Om din arbetsbelastning är syntes i en produkt som du redan driver — uppläsning, ett tillgänglighetslager, en supportbots röst, en lokaliseringsomgång för 130 språk — är Gemini 3.8 Flash TTS billigare per tecken, bredare i språktäckning, finare i kontroll över framförandet och allmänt tillgänglig. Elo-skillnaden talar inte emot det, eftersom Elo-skillnaden inte är statistiskt reell.

Om du vill ha den billigaste av de tre i toppen av listan och kan acceptera en kortare språklista, kostar Gemini 3.8 Flash-Lite TTS $6.00 per miljon ljudtokens och ligger sex placeringar längre ner på 1 235 – en skillnad som också ligger inom bruset.

Vilket du än väljer spelar migreringsvägen större roll än valet, eftersom båda modellerna är nya och båda leverantörerna fortfarande finjusterar. OrcaRouter är säkringen: en nyckel för över 200 modeller till leverantörens listpris utan påslag, så en prissänkning från endera labbet slår igenom på din faktura samma dag i stället för vid förnyelsen, automatisk redundansväxling om ett syntesanrop misslyckas, och en routing-DSL om du vill skicka ett batchjobb till en modell och ett interaktivt anrop till en annan. Vi är inte värd för Cartesia Sonic 3.6 eller Gemini 3.8 TTS-slutpunkterna – Cartesias syntes är en egen produkt och Geminis talmodeller kommer från Googles API – men textlagret och redundansvägen är våra, och det är de delarna som gör en helt ny modell säker att prova.

Det man bör hålla ögonen på är nästa revidering från Artificial Analysis. Om Gemini 3.8 Flash TTS stänger de tretton poängen när dess sampelantal har mognat, upphör prisskillnaden att vara en avvägning och blir ett självklart svar. Om inte behåller Cartesia kvalitetskronan och Google behåller priskronan, och valet förblir precis där det är nu: en prenumeration med telefoni kopplad, eller en mätare med 130 språk kopplade.