Voxtral 3 TTS vs ElevenLabs: Sex gånger billigare, hundra poäng efter

Mistral satte priset på Voxtral 3 T​TS till 13 dollar per miljon tecken och släppte den på en marknad där modellen som alla jämför sig mot, ElevenLabs Eleven v4, kostar 80 dollar och får 1 328 Elo mot Voxtrals 1 217. Det är 111 poängs preferens hos blindlyssnare för 6,2 gånger priset, och på ytan är den billiga modellen inte tillräckligt nära för att spela roll. Det spelar ändå roll, av en anledning som resultattavlan inte visar: ElevenLabs säljer inte bara syntes. De säljer en röstplattform – ett bibliotek, dubbning, agenter, professionell kloning – och de flesta team som betalar 80 dollar per miljon tecken betalar lika mycket för plattformen som för rösten. Voxtral 3 T​TS, som släpptes den 20 oktober 2026, kommer i stället inbäddad i ett agent-SDK och en berättelse om EU-suverän driftsättning. Jämförelsen som avgör ett köp är därför inte "vilken som låter bättre", för den är avgjord, utan "vilket av de två paketen som är det du faktiskt behöver". De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Resultattavlan, före allt annat

Leverantörens Voice Elo — ElevenLabs Eleven v4: 1 328 (#2 av 98). Voxtral 3 T​TS: 1 217 (#13). Båda enligt Artificial Analysis, avlästa 21 oktober 2026.

• Controlled Voice Elo — Eleven v4: 1 157 (#4, delar plats med Eleven v4 Turbo). Voxtral 3 TTS: 1 066 (#14).

Listpris per 1 miljon tecken — 80,00 USD vs 13,00 USD.

Språk — ElevenLabs: 74 i alla abonnemang. Voxtral 3 T​TS: 35+ språk och 50+ dialekter, med förinställningar på 18.

• Omedelbar kloning — ElevenLabs: från ungefär 30 sekunders ljud på betalda planer. Voxtral 3 TTS: ingen omedelbar klon publicerad; anpassningen "Pro Voice" kräver 30 minuters ljud.

• Vikter – stängda för båda.

En rad i den listan förtjänar en andra titt: ElevenLabs egna billigare flaggskepp. Eleven v4 Turbo får 1 333 – fem poäng över Eleven v4, inom bruset – till priset 40 dollar per miljon tecken, exakt halva priset. Om valet enbart handlar om "bästa röst som ElevenLabs säljer" är Turbo det förnuftiga köpet, och det minskar gapet till Voxtral 3 T​TS från 111 Elo till 116 för bara tre gånger så mycket pengar. ElevenLabs prisstege är bredare än de flesta jämförelser av den här matchen medger.

Hur de 111 punkterna ser ut i en produkt

Ett Elo-gap av den storleken är inte subtilt. Vid blind sida-vid-sida-lyssning är det skillnaden som en lyssnare märker redan i första meningen, inte i den femte – jämförbar med gapet mellan Eleven v3 och Eleven v4 inom ElevenLabs egen produktlinje (1 182 mot 1 328). Cartesias Sonic 3.6, på 1 289, ligger däremellan och är modellen som mest direkt undergräver tolkningen "man får vad man betalar för"; den slår Voxtral med 72 och kostar 49 dollar, hälften så mycket som Eleven v4.

Där gapet är som störst är leveranskontrollen av expressivt material. ElevenLabs v4-generation är uppbyggd kring ljudtaggar – inline-instruktioner för känsla, tempo och betoning inbäddade i texten – och kring ett röstbibliotek som är så djupt att de flesta team aldrig klonar någon röst alls. Mistrals Voxtral 3 T​TS erbjuder kontroll på promptnivå över känsla, tempo och betoning samt uttal på fonemnivå och ett ordförrådsbibliotek. Båda ger regikontroll. ElevenLabs har fått offentlig återkoppling under två generationer på hur dessa kontroller beter sig i ytterlägena, medan Voxtral 3 T​TS har haft en dag.

Där gapet krymper är allt på ett europeiskt språk som inte är engelska. Mistrals modell byggdes med flerspråkighet som utgångspunkt, med 50+ dialekter som påstås och alla 24 officiella EU-språk täckta inom dess talfamilj. ElevenLabs täcker 74 språk, vilket är bredare till antalet, men bredd i antal och kvalitet per språk är olika påståenden, och ingen av leverantörerna publicerar Elo per språk. Om du lanserar nederländska, polska eller portugisiska ger ingen av resultattavlorna dig svaret; du måste lyssna.

Vad $80 per miljon tecken egentligen köper

Det här är delen av jämförelsen där prisskillnaden slutar se ut som ett påslag. ElevenLabs pris per tecken ingår i en plattform: en delad röstmarknadsplats som du kan licensiera från i stället för att klona, professionell röstkloning från ungefär 30 minuters ljud med ett samtyckesflöde, dubbning, ljudeffekter, en stack för konversationsagenter och flera års klientbibliotek och integrationer. Inget av det syns på en topplista, och allt är arbete som ett team annars skulle behöva göra.

Mistrals paket pekar i en annan riktning. Voxtral 3 TTS levereras tillsammans med ett LiveKit-baserat röstagents-SDK med stöd för SIP-telefoni, WebRTC och IVR, en uppgiven agenttur på under en sekund och ett agentpris på 0,04 dollar per minut med Mistral Small 4 som resonemangsmodell. Det levereras också med en uttalad satsning på suverän driftsättning: EU-, USA- och globala endpoints, egen driftsättning på privat infrastruktur och en uttalad omsorg om var ljud bearbetas och huruvida det sparas. För ett europeiskt företag eller en offentlig upphandlare är det ett upphandlingssvar som ElevenLabs för närvarande inte matchar i samma form.

Enkelt uttryckt: ElevenLabs säljer produktbredd, Mistral säljer kontroll över driftsättningen. Ett team som behöver dubbning, ljudeffekter och en licensierad röstkatalog väljer inte alls mellan dessa två. Ett team som behöver en enda röst, i ett enda språkpar, som körs i ett datacenter som det kontrollerar, betalar för en stor del av ElevenLabs som det aldrig kommer att slå på.

Migrationsfrågan, ärligt talat

Det lockande sättet att formulera det är "byt från ElevenLabs och spara 84 %". Räkna på siffrorna innan du tror på det, eftersom besparingen bara är verklig för arbetsbelastningar som kan absorbera kvalitetsförsämringen och de saknade funktionerna.

• Ren berättarröst i stor skala, ett enda språk, inga licensierade röster — besparingen är verklig. Tusen timmar i månaden kostar ungefär 4 320 dollar på Eleven v4 mot 700 dollar på Voxtral 3 TTS, och lyssnaren gör inga A/B-jämförelser.

• Allt med en licensierad kändis- eller varumärkesröst från ElevenLabs bibliotek – migreringen är inte möjlig. Voxtral 3 T​TS har ingen marknadsplats; du tar med 30 minuters ljud och skapar din egen anpassning.

• Allt användarvänt där kunden laddar upp ett kort klipp och förväntar sig att höra sig själv — ElevenLabs klonar på cirka 30 sekunder och Voxtral erbjuder enligt Mistrals dokumentation inte alls någon omedelbar klon.

• Allt som redan använder dubbning, ljudeffekter eller samtalsstacken – den effektiva jämförelsen är inte $80 mot $13, eftersom att lämna innebär att ersätta produkter som aldrig fanns på samma fakturarad.

Det realistiska mönstret är en uppdelning: behåll ElevenLabs för de delar av produkten där en människa lyssnar noga och kan komma att jämföra, och flytta massrenderingen till den billigare modellen. Att få den uppdelningen att fungera smidigt är ett routingproblem snarare än ett inköpsproblem. OrcaRouter exponerar 200+ modeller bakom en enda OpenAI-kompatibel nyckel med leverantörslistpriser som förs vidare utan påslag (0 %), så att ett uppläsningsjobb med varumärkesröst och en kundvänd klon kan peka på olika backend utan ett andra avtal – och om en endpoint försämras mitt under renderingen, automatisk failover håller jobbet igång. När detta skrivs finns varken Voxtral 3 TTS eller ElevenLabs i OrcaRouters katalog; båda går att nå via leverantörernas egna API:er och flera tredjepartsplattformar, och det är routingdesignen du bygger nu så att bytet blir en konfigurationsändring senare.

Vad skulle ändra denna dom?

Tre utvecklingar, varav ingen ännu har inträffat.

Den första är en latenssiffra. Mistral har inte publicerat tid till första ljud för Voxtral 3 TTS. De enda latenssiffrorna i lanseringsmaterialet tillhör realtidstranskriberingsmodellen (under 500 ms) och agentloopen (under en sekund). Artificial Analysis rapporterar en median-genomströmning på 112 tecken per sekund, vilket är snabbare än Eleven v3:s 56 och långsammare än Sonic 3.6:s 145, men genomströmning är inte uppstartstid. Om Voxtral 3 TTS visar sig streama med en siffra för första ljud nära Cartesias blir den en kandidat för interaktiva arbeten, och ElevenLabs pris ser sämre ut. Om den inte gör det förblir streamingkategorin stängd för den, och $13 är endast ett batchrenderingspris.

Den andra är oberoende utvärdering på språklig nivå. Rankningspoängen är aggregerade; en modell kan ha 1 217 Elo totalt och vara mycket bättre eller mycket sämre på italienska. Ingen av leverantörerna publicerar uppdelningen, och för en europeisk köpare är det siffran som betyder mest.

Den tredje är uthållighet. Arena-klipp är korta. Mistrals material anger inte en maximal genereringslängd för TTS-slutpunkten, och långformskoherens — det som ElevenLabs berättartradition bygger på — är otestad för Voxtral 3 TTS vid någon längd som skulle spela roll för en ljudboksproducent.

Tills de finns tillgängliga är beslutet ovanligt enkelt. Om en kund bedömer din produkts röst utifrån ett kort klipp ska du betala för ElevenLabs, och betala för Eleven v4 Turbo för $40 i stället för flaggskeppet för $80. Om din produkts röst genereras i stor skala, på ett europeiskt språk, på infrastruktur som du kontrollerar, och spelas upp i efterhand i stället för att framföras live, är Voxtral 3 TTS för $13 ett försvarbart vad med ett känt kvalitetstak – och taket ligger 111 poäng under den nuvarande ledaren, vilket är en siffra du kan planera utifrån i stället för en överraskning du upptäcker vid granskning.