Voxtral 3 TTS vs Cartesia Sonic 3.6: 72 Elo för 3,8 gånger priset

Cartesia Sonic 3.6 vinner kvalitetsargumentet och Voxtral 3 T​TS vinner på fakturan, och storleken på båda marginalerna är hela jämförelsen. På Provider Voice-topplistan från Artificial Analysis den 21 oktober 2026: Sonic 3.6 ligger på 1 289 Elo (nr 4 av 98 rankade system) mot 1 217 för Voxtral 3 T​TS (nr 13). Gapet är 72 poäng, bekvämt utanför de två modellernas konfidensintervall. Prisgapet går åt andra hållet och är större: $49 per miljon tecken för Sonic 3.6 mot $13 för Voxtral 3 T​TS – 3,8 gånger så mycket för en modell som Mistral släppte en dag tidigare än denna avläsning av listan. Ingen av siffrorna ifrågasätts. Det som ifrågasätts är hur mycket en marginal på 72 poäng vid blindlyssning är värt i produktion, och det beror helt och hållet på vad rösten används till. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensgrad och en flagga för ifrågasatta uppgifter.

För det första, vad styrelserna faktiskt mätte

Båda siffrorna kommer från samma källa, vilket spelar större roll än vanligt i en kategori där varje leverantör publicerar sin egen preferensstudie. Artificial Analysis driver två ledartavlor, och båda modellerna finns med på båda.

• Leverantörsröst — varje modell bedöms med sina egna inbyggda röster. Sonic 3.6: 1 289 Elo, #4, 95 %-intervall 1 275–1 303, 2 732 jämförelser. Voxtral 3 T​TS: 1 217 Elo, #13, intervall 1 202–1 232, 1 619 jämförelser.

• Controlled Voice — varje modell klonas till samma åtta referensröster, så att lyssnarna jämför motorn i stället för röstbesättningen. Sonic 3.6: 1,151 Elo, #5, intervall 1,138–1,164. Voxtral 3 TTS: 1,066 Elo, #14, intervall 1,049–1,083.

• Släppt — Sonic 3.6 i augusti 2026; Voxtral 3 T​TS den 20 oktober 2026.

• Listpris — 49,00 USD per 1 miljon tecken jämfört med 13,00 USD per 1 miljon tecken, båda enligt Artificial Analysis och överensstämmande med respektive leverantörs offentliga prissättning.

• Genomströmning – median 145 tecken per sekund för Sonic 3.6 jämfört med 112 för Voxtral 3 T​TS, mätt av Artificial Analysis.

• Vikter – stängda för båda. Ingen av dem kan self-hostas under en tillåtande licens.

Två detaljer i den tabellen är lätta att hoppa över, och det borde de inte vara. Controlled Voice-resultatet är det mer ärliga av de två, eftersom det tar bort fördelen med att ha ett bra röstbibliotek, och där ökar gapet från 72 poäng till 85. Sonic 3.6 vinner inte på röstcasting; det vinner på syntes. Den andra detaljen är antalet prover. Voxtral 3 T​TS har 1 619 jämförelser på leverantörernas resultattavla, ungefär 40 % färre än Sonic 3.6, och dess intervall är motsvarande bredare. Ett resultat från dag två är ett riktigt resultat, men det kommer att förändras.

Var 72 Elo kommer ifrån, funktion för funktion

Elo är en preferenssumma, inte en diagnos, så det är värt att fråga sig vilka produktbeslut som gav upphov till den. De två modellerna byggdes för olika uppgifter och specifikationerna visar det.

Cartesia har byggt en streamingmotor. Sonic 3.6:s främsta rubrikpåstående är första ljud på under 90 millisekunder, från en leverantörssida som inleder med snabbhet. Dess kontroller är just de som en liveagent behöver: inline-signaler som skratt, volym- och hastighetsmodulering, anpassade uttalsordböcker, känsla som härleds ur kontexten. Det är en modell utformad för att anropas mitt i ett samtal och börja tala nästan omedelbart.

Mistral har byggt en studioröst med ett företagsanpassat skal. Voxtral 3 T​TS erbjuder 35+ språk och 50+ dialekter, röstförinställningar på 18 språk, styrning på promptnivå över känsla, tempo och betoning, uttal på fonemnivå samt ett vokabulärbibliotek. Dess kloningshistoria är ”Pro Voice”: 30 minuter ljud för att återge en talares karaktär, känslomässiga omfång och stil över språk. Det är en anpassningspipeline, inte en omedelbar klon.

Den praktiska konsekvensen är att de två modellerna inte konkurrerar om samma plats. En 30-minuters röstadaptionsprocess är en varumärkesröstoperation; en 10-sekunders omedelbar klon är en användarvänd funktion. Om din produkt låter en kund ladda upp ett klipp och höra sig själv i en genererad röst, gör Sonic 3.6 det och Voxtral 3 TTS gör det, enligt dokumentationen, inte.

Latensasymmetrin förvärrar det. Cartesia publicerar en latenssiffra och Mistral gör det inte. Voxtral 3 TTS har ingen publicerad tid till första ljud någonstans i lanseringsmaterialet; den närmaste siffran är påståendet om under 500 ms för den separata realtidstranskriberingsmodellen. En saknad siffra är inte en dålig siffra, men i ett köpbeslut är det en risk du bär, och leverantören som publicerar sin siffra är det säkrare standardvalet för allt interaktivt.

Kostnadsaritmetiken, i den skala där den biter

Prissättning per tecken verkar abstrakt tills den multipliceras med volym. Vid ungefär 900 tecken per talad minut är en timme av kontinuerligt tal cirka 54 000 tecken.

• En timme ljud — Sonic 3.6: cirka 2,65 USD. Voxtral 3 TTS: cirka 0,70 USD.

• 1 000 timmar i månaden — Sonic 3.6: cirka $2 650. Voxtral 3 TTS: cirka $700. En skillnad på ungefär $23 400 per år.

• Tiotusen timmar i månaden — Sonic 3.6: cirka 26 500 dollar. Voxtral 3 TTS: cirka 7 000 dollar. En skillnad på ungefär 234 000 dollar om året.

I den nedre änden av det intervallet är gapet en budgetpost som någon argumenterar om. I den övre änden är det en personalsiffra. Det är hela argumentet för Voxtral 3 T​TS, och det är ett starkt sådant för alla typer av arbete där rösten är lång och förrenderad: ljudböcker, e-learningmoduler, katalogberättarröst, dubbningspipelines. I sådana jobb märks de 72 Elo-poängen som en något mindre naturlig uppläsning på en liten andel av meningarna, och lyssnaren jämför det inte med något.

Där kalkylen ändrar skepnad är när de två modellerna utför olika jobb i en och samma produkt. En supportlinje behöver Sonic 3.6:s latens och dess start på under en sekund; samma företags marknadsföringsberättarröst gör det inte. Att betala $49 för det andra jobbet är $49 som spenderas på en förmåga som jobbet inte kan använda – och det renaste sättet att behålla båda utan två upphandlingsprocesser är ett routningslager som behandlar modellen som en parameter. Det är argumentet för OrcaRouters upplägg snarare än för någon av leverantörerna: ett OpenAI-kompatibelt API över 200+ modeller, leverantörens listpris som vidarebefordras med 0 % påslag, och ett routnings-DSL som kan skicka ett batchjobb för berättarröst och ett realtidsanrop till olika backends med samma nyckel. Varken Sonic 3.6 eller Voxtral 3 T​TS finns i OrcaRouters katalog i skrivande stund, så i dag nås båda via leverantörernas egna API:er och flera tredjepartsplattformar – poängen är hur integrationen är utformad när de väl finns där.

Tre invändningar som avgör saken i praktiken

Det första är språket. Cartesia marknadsför 44 språk från en och samma modell. Mistral marknadsför 35+ språk och 50+ dialekter, med förinställningar på 18. På papperet har Mistral bredare täckning; i praktiken är antalet dialekter ett löfte om täckningens bredd, inte ett löfte om att varje dialekt har utvärderats. Om din färdplan omfattar en marknad som ingen av leverantörerna har en demo för, be om ett prov i stället för att läsa av antalet. Det enda område där Mistral är otvetydigt starkare är den europeiska täckningen: man uppger sig ha alla 24 officiella EU-språk för sina transkriberingsmodeller och 35+ för syntes, och Mistral är ett franskt företag som säljer till EU-upphandlingar med alternativ för datahemvist i EU, USA och globala slutpunkter. Sonic 3.6 har ingen motsvarande berättelse om suverän driftsättning.

Det andra är uttalskontroll i produktion. Det är här Elo-gapet vilseleder mest. En modell som läser "Dr. Nguyen" korrekt utan en ordbok kan rangordnas lägre än en som låter mer naturlig i allmän prosa. Voxtral 3​ TTS levereras med ett ordförrådsbibliotek och fonemkontroll; Sonic 3.6 levereras med anpassade uttalsordböcker och inline-framförandesignaler. Båda har funktionen. Mistrals är inriktad på namn och varumärkestermer i företagsinnehåll; Cartesias är inriktad på samma problem i ett streamande samtal. Testa ditt eget lexikon – en lista med produktnamn, efternamn och akronymer som läses högt – innan någon av poängen får en röst.

Det tredje är vad som händer när en leverantör har en dålig eftermiddag. En röstpipeline med en enda slutpunkt fallerar stängt: slutpunkten försämras och produkten tystnar. Sonic 3.6 och Voxtral 3 TTS kör på olika infrastrukturer med olika felmoder, och reservvägen mellan dem är värd att utforma innan den behövs. Automatisk redundansväxling mellan leverantörer är just det en router ger dig här, och det är mer värdefullt i tal än i text eftersom en tappad token är osynlig men en tappad stavelse inte är det.

Så vilken

Välj Cartesia Sonic 3.6 när rösten ingår i en konversation: telefonagenter, assistenter i appar, NPC:er i spel, allt där den första stavelsen kommer innan användaren har hunnit läsa klart laddningsikonen. Du betalar 49 dollar per miljon tecken för en modell som startar på under 90 millisekunder och får 1 289 poäng på leaderboarden, och priset är försvarbart jämfört med alla andra modeller i den latensklassen.

Välj Voxtral 3 T​TS när rösten är innehållet: berättarröst, dubbning, varumärkesröst i en katalog, allt som renderas i förväg och spelas upp. Du betalar 13 dollar för en modell som ligger 72 Elo efter ledaren och är 3,8 gånger billigare, med EU-datalagring och en 30-minuterspipeline för röstadaptation som passar en enda företagsröst bättre än en klon per användare.

Välj inte någon av dem uteslutande om du levererar båda typerna av ljud. Misstaget att undvika är att välja en gång och sedan betala premiummodellens taxa för arbete som den billiga modellen kan utföra, eller att ta den billiga modellens latens på en plats där den är fatal. Två slutpunkter bakom en nyckel är konfigurationen som hindrar beslutet från att bli permanent.

Den öppna frågan är vad Mistrals saknade latenssiffra visar sig vara. Om Voxtral 3 TTS streamar med en siffra för första ljudet som ligger någonstans nära Cartesias, blir priset på 13 dollar ett mycket svårare faktum att argumentera mot, och 72 Elo blir det enda Sonic 3.6 fortfarande har. Mistral har inte publicerat den, ingen tredje part har mätt den, och tills något av det ändras tillhör streamingplatsen Cartesia som standard.