Gemini 3.8 TTS vs Inworld Realtime TTS-2: Vilken resultattavla du tror på förändrar svaret

Ställ Gemini 3.8 Flash TTS och Inworld Realtime TTS-2sida vid sida i Artificial Analysis Provider Voice Arena, och svaret ser självklart ut: rang 2 mot rang 4, Elo 1 260 mot 1 245, 8 arena-röster vardera och ett normaliserat pris på $16,50 per miljon tecken mot $20,80. Leverantören vinner på position och på pris, och gapet på 15 punkter ligger ändå inom båda radernas konfidensintervall.

Går du över till den andra resultattavlan som Artificial Analysis publicerar vänds ordningen. Inworld Realtime TTS-2 ligger högst på Controlled Voice Arena med en Elo på 1 123, med sin Flash-variant på 1 075. Det är inte en avrundningsskillnad – det är en annan modell som vinner, och anledningen är att de två resultattavlorna inte mäter samma sak. Om du väljer en röst för en produkt hänger hela beslutet på att veta vilken av de två frågorna ditt användningsfall faktiskt ställer.

Två styrelser, två olika frågor

Provider Voice Arena betygsätter en modells egna inbyggda röster – de som leverantören tillhandahåller och driftar. Controlled Voice Arena håller rösten konstant och betygsätter hur bra varje modell presterar när den ombeds tala med en röst som inte är dess egen. Samma domare, samma typ av blind jämförelse, annan variabel.

Den distinktionen motsvarar två olika jobb:

• Leverantörsrankning besvarar frågan ”låter den här modellen bra direkt ur lådan”. Det är rätt resultattavla för en produkt som levereras med en fast uppsättning berättarröster och aldrig klonar något.

• Kontrollerad rangordning svarar på "lyder den här modellen en röstspecifikation". Det är rätt tavla för en produkt där rösten är kundens – en klonad varumärkesröst, en licensierad skådespelare, en identitet per tenant.

Googles modeller leder den första. Inworlds leder den andra. Båda påståendena är sanna samtidigt och ingen av dem är en motsägelse, vilket är precis varför ett enda svar på ”vilken TTS-modell är bäst” vanligtvis är ett tecken på att skribenten valde en resultattavla och inte tittade på den andra.

Vad Inworlds förstaplats innebär i praktiken

Ett Controlled-resultat på första plats är ett påstående om trohet mot en instruktion, och trohet mot en instruktion är den egenskap som avgör om kloning över huvud taget är användbar.

Inworlds kloningsväg finns i två former. Direktkloning fungerar från ett kort urval – leverantörens siffra är 5 till 15 sekunder referensljud – och en professionell kloningsnivå ligger i beta och vill ha i storleksordningen tio minuter. Båda uppges av leverantören, och ingen av dem är oberoende verifierad av arenan; det arenan mäter är modellens beteende när den väl har en röst, inte kvaliteten på kloningssteget som producerade den.

Latenspåståendena som är kopplade till familjen tillhör samma kategori. Flash-variantens förstabytesiffra – 25 millisekunder, rapporterad via en tredjepartsmätning – och p99-siffrorna för den fullständiga modellen är Inworlds egna, och arenan har inget att säga om någon av dem. De är rimliga för en realtidsorienterad modell och de är overifierade, vilket är det korrekta sättet att förhålla sig till dem.

Så den praktiska tolkningen är: om din produkt klonar röster är Inworlds Controlled-resultat det mer relevanta av de två poängen, och det är anledningen till att en lägre Provider-rank inte är diskvalificerande. Om din produkt inte klonar är den fördelen osynlig för dig och Provider-tavlan är den man ska läsa.

Pristrappan har tre steg, och det billiga är en prenumeration.

Att jämföra ett pris med ett pris ger en felaktig bild av den här matchningen, eftersom Inworld inte har ett pris – det har en prisstege.

• På begäran — Realtime TTS-2 för 25,00 USD per miljon tecken, Flash för 15,00 USD. Detta är priset som en anropare med betalning per användning ser, och det är leverantörens egen publicerade siffra.

• Creator-plan — 20,00 $ och 10,00 $ för samma två modeller, vilket är 20 % respektive 33 % rabatt för att välja en plan i stället för förbrukningsmätning. Leverantörsrapporterat, och steget som är mest värt att dubbelkolla på den aktuella prissidan innan du tecknar, eftersom planvillkor ändras snabbare än listpriser.

• Normaliserat — arenans omräkning per miljon tecken ger 20,80 USD för Realtime TTS-2 och 10,40 USD för Flash, vilket är topplistans aritmetik snarare än någon av leverantörernas prisuppgift.

I jämförelse med det är Googles priser tokenbaserade och kampanjpriser: 0,50 USD per miljon inkommande texttokens och 9,00 USD per miljon utgående ljudtokens fram till och med den 31 december 2026, därefter 18,00 USD; Flash-Lite TTS kostar 0,50 USD och 6,00 USD, därefter 12,00 USD. Normaliserat blir det 16,50 USD och 11,00 USD.

Läser man de två tillsammans blir bilden mer intressant än "Google är billigare". Med siffrorna som publicerats i dag är Flash TTS billigast av de tre modellerna och Inworlds Flash-variant näst billigast – de två Flash-modellerna ligger så nära varandra att en liten ändring i din ljud-till-text-kvot kan avgöra vilken som faktureras lägre. Den 1 januari 2027, när Googles taxa fördubblas, stabiliseras ordningen och Inworld blir det billigare alternativet på varje steg i sin stege. Den som jämför dessa två i september och tecknar avtal i december jämför fel siffror.

Där var och en är det bättre svaret

De två modellerna ligger tillräckligt nära varandra i kvalitet för att det som skiljer dem åt ska vara strukturellt, så den ärliga versionen är en lista över förutsättningar snarare än ett utlåtande.

Välj Gemini 3.8 Flash TTS när rösten är din att välja. Röstdesign från en skriven beskrivning, tvåtalardialog i ett enda anrop, styling på tur-nivå, och den bredaste språktäckningen av de två enligt Googles egen räkning — inget av vilket Inworld matchar i denna jämförelse. Det är också den billigare modellen idag, och dess syskon Flash-Lite ger dig en andra prisnivå inom samma API.

Välj Inworld Realtime TTS-2 när rösten är kundens. En främsta Controlled Voice-rad, en omedelbar kloningsväg mätt i sekunder av referensljud, en professionell kloningsnivå för de fall som kräver mer, och en realtidsinriktning som stöds av first-byte-påståenden som leverantören publicerar – med förbehållet att påståendena är leverantörens. Det är endast engelska enligt leverantörens egen dokumentation, vilket är en hård begränsning om du behöver något annat.

Ingen av dessa modeller hostas av OrcaRouter, och det är värt att säga det snarare än att antyda något annat: platsen för att anropa Gemini 3.8 Flash TTS är Googles eget API och de ytor som Google namngav den 23 september, och platsen för att anropa Inworld Realtime TTS-2 är Inworlds egen plattform. Vad OrcaRouter är till för är allt runt det valet — över 200 modeller bakom en enda nyckel till leverantörens listpris utan påslag, så en ändring av leverantörens pris, som steget i januari, är live hos oss samma dag, automatisk failover så att en utvärderad modell inte behöver vara ett produktionsberoende, och ett routing-DSL för att komponera modeller till ett enda anrop när ingen enskild röst klarar hela jobbet.

Anledningen till att hålla båda dessa kvar i leken är att januariränteförändringen och distinktionen Controlled mot Provider är två separata skäl till att svaret kan förändras. En pipeline som bara kan åberopa en av dem kan inte följa någon av dem.