Gemini 3.8 TTS กับ Cartesia Sonic 3.6: สิบสามคะแนน Elo และสิบหกดอลลาร์

โมเดลแปลงข้อความเป็นเสียงพูดสองตัวที่ใกล้กันที่สุดบนกระดานผู้นำการโหวตแบบไม่เปิดเผยตัวของ Artificial Analysis ห่างกันเพียงหนึ่งอันดับและห่างกันสิบหกดอลลาร์ และช่องว่างทั้งสองนี้ชี้ไปในทิศทางตรงกันข้าม Cartesia Sonic 3.6อยู่ในอันดับหนึ่งด้วย Provider Voice Arena Elo 1,273 จากตัวอย่าง 1,757 ตัวอย่าง Gemini 3.8 Flash TTSอยู่ในอันดับสองด้วย 1,260 จากตัวอย่าง 1,999 ตัวอย่าง ช่องว่างของ Elo คือสิบสามคะแนน — ซึ่งอยู่ในช่วงความเชื่อมั่นที่เผยแพร่สำหรับทั้งสองโมเดล — และช่องว่างด้านราคากลับสวนทางกัน โดย Gemini อยู่ที่ 33.00 ดอลลาร์ต่อล้านตัวอักษร เทียบกับ 49.00 ดอลลาร์ของ Cartesia หากคุณกำลังเลือกระหว่างสองตัวนี้ กรอบความคิดที่ตรงไปตรงมาคือ คุณกำลังจ่ายสิบหกดอลลาร์ต่อล้านตัวอักษรเพื่อแลกกับความแตกต่างด้านคุณภาพที่กระดานผู้นำไม่สามารถแยกแยะได้

นั่นคือการตัดสินใจทั้งหมด และมันคุ้มค่าที่จะชะลอลง เพราะทั้งสองโมเดลใหม่มากจนแทบไม่มีสิ่งอื่นใดที่ถูกวัดผลเลย Cartesia Sonic 3.6 เปิดตัวในเดือนสิงหาคม 2026 Gemini 3.8 Flash TTS เปิดตัวเมื่อวันที่ 23 กันยายน 2026 ทั้งคู่ไม่มีเบนช์มาร์กอิสระที่เผยแพร่ นอกเหนือจากคะแนนโหวตในอารีนา และคะแนนโหวตในอารีนาทำให้ทั้งคู่อยู่ในสถานะเสมอกันทางสถิติที่อันดับต้น

สิ่งที่ลีดเดอร์บอร์ดบอกจริง ๆ

Artificial Analysis Provider Voice Arena เป็นบอร์ดที่มีประโยชน์ในกรณีนี้ เพราะมันเปรียบเทียบเสียงของแต่ละผู้ให้บริการเองกับของผู้ให้บริการรายอื่นๆ ผ่านการโหวตแบบปกปิดเป็นคู่ ซึ่งเป็นการเปรียบเทียบที่เป็นธรรมมากกว่าบอร์ดแบบควบคุมเสียงสำหรับคำถามที่ว่า "ผลิตภัณฑ์ใดฟังดูดีกว่า" เพราะมันเปิดทางให้ผู้ขายแต่ละรายส่งเสียงที่ตนส่งจริง

• อันดับ 1 — Cartesia Sonic 3.6, Elo 1,273 ด้วยช่วง 17 คะแนน, 1,757 ตัวอย่าง, 8 เสียงอารีน่า, เปิดตัวเดือนสิงหาคม 2026, $49.0 ต่อ 1 ล้านตัวอักษร

• อันดับ 2 — Gemini 3.8 Flash TTS, Elo 1,260 โดยมีช่วงความเชื่อมั่น 17 จุด, ตัวอย่าง 1,999 รายการ, เสียงอารีนา 8 เสียง, เปิดตัวเดือนกันยายน 2026, 33.0 ดอลลาร์ต่อ 1 ล้านอักขระ

• อันดับ 3 — Alibaba Qwen-Audio-3.0-TTS-Plus, Elo 1,259, 1,447 ตัวอย่าง, 15 เสียงในอารีนา, $27.6 ต่อ 1 ล้านตัวอักษร

• อันดับ 4 ถึง 9 เพื่อเป็นบริบท — Inworld Realtime TTS-2 ที่ 1,245, SpeechifyAI Simba 3.2 ที่ 1,237, Google Gemini 3.8 Flash-Lite TTS ที่ 1,235, VUI Labs Luna TTS ที่ 1,230, Inworld Realtime TTS-2 Flash ที่ 1,210 และ BreezeBlue Breeze TTS 2 ที่ 1,204

อ่านช่วงค่าแล้ว สามอันดับแรกจะยุบรวมเข้าหากัน Sonic 3.6 ที่ 1,273 มีช่วงกว้าง 17 คะแนน; Gemini ที่ 1,260 ก็มีช่วงเดียวกัน ช่วงของทั้งคู่ทับซ้อนกันเกือบทั้งหมด Qwen-Audio-3.0-TTS-Plus ที่ 1,259 ทับซ้อนกับทั้งสอง ตารางอันดับกำลังบอกคุณว่าสามตัวนี้แยกไม่ออกด้วยความชอบแบบไม่เห็นชื่อจากตัวอย่างที่เก็บมาจนถึงตอนนี้ และลำดับระหว่างพวกมันไม่ใช่หลักฐานที่มั่นคง

จำนวนตัวอย่างก็ใกล้เคียงกันเกินกว่าจะอธิบายความแตกต่างได้เช่นกัน — 1,757 สำหรับ Cartesia เทียบกับ 1,999 สำหรับ Gemini ทั้งคู่อยู่ในหลักพันต้น ๆ ซึ่งเพียงพอที่จะจัดโมเดลให้อยู่ในกลุ่มหนึ่ง แต่ไม่เพียงพอที่จะแยกโมเดลที่อยู่ติดกันในกลุ่มนั้นออกจากกัน

ที่มาของสิบหกดอลลาร์

หน้าภาราคาของ Cartesia เองไม่เผยแพร่ราคาต่อล้านตัวอักษรสำหรับ Sonic โดยขายเป็นแพ็กเกจสมัครสมาชิกพร้อมนาทีที่รวมให้ — Free ที่ $0 พร้อมเครดิต 20,000 ประมาณ 27 นาทีของ Sonic 3.6; Pro ที่ $5 พร้อมเครดิต 100,000 ประมาณ 133 นาที; Startup ที่ $49 พร้อมเครดิต 1.25 ล้าน ประมาณ 1,667 นาที; Scale ที่ $299 พร้อมเครดิต 8 ล้าน ประมาณ 10,667 นาที — พร้อมขีดจำกัดการทำงานพร้อมกันที่ 2, 3, 5 และ 15 ตามลำดับ, การแปลเสียงที่ 225 เครดิตต่อสำเนียงที่เพิ่ม, ระยะเวลาการโทรของ voice agent ที่ $0.06 ต่อนาที และการโทรศัพท์ที่ $0.014 ต่อนาที

ดังนั้น $49.00 ต่อล้านตัวอักษร ไม่ใช่ราคาตั้งของ Cartesia ในหน่วยของตัวเอง มันคือการที่ Artificial Analysis ปรับเครดิตของ Cartesia ให้เป็นตัวหารร่วมเพื่อให้บอร์ดสามารถจัดอันดับตามราคาได้ นั่นเป็นสิ่งที่ชอบธรรมสำหรับบอร์ดเปรียบเทียบที่จะทำ และมันเป็นตัวเลขเดียวที่เทียบเคียงกันได้ที่มีอยู่ แต่มันหมายความว่าตัวเลขของ Cartesia เป็นอัตราที่คำนวณได้ ในขณะที่ตัวเลขของ Gemini เป็นอัตราที่ประกาศไว้

อัตราของ Google นั้นตรงไปตรงมา Gemini 3.8 Flash TTS คิดค่าบริการ 0.50 ดอลลาร์ต่อโทเคนข้อความขาเข้า 1 ล้านโทเคน และ 9.00 ดอลลาร์ต่อโทเคนเสียงขาออก 1 ล้านโทเคน ไปจนถึงวันที่ 31 ธันวาคม 2026 จากนั้นเป็น 1.00 และ 18.00 ดอลลาร์ เสียงถูกคิดอัตราที่ 25 โทเคนต่อวินาที ดังนั้นอัตราเสียงขาออกจึงเทียบได้ประมาณ 0.02 เซนต์ต่อคำพูดหนึ่งวินาที ส่วน Flash-Lite TTS ซึ่งเป็นรุ่นน้องที่ถูกกว่า อยู่ที่ 6.00 ดอลลาร์ต่อโทเคนเสียง 1 ล้านโทเคน ด้วยอัตรา 25 โทเคนต่อวินาทีเดียวกัน และ Artificial Analysis จัดให้อยู่ที่ค่าเทียบเท่า 22.10 ดอลลาร์ต่อ 1 ล้านตัวอักษร ในอันดับ 6 ด้วยคะแนน Elo 1,235

• ราคาต่อ 1 ล้านตัวอักษร — Cartesia Sonic 3.6 $49.00 เทียบกับ Gemini 3.8 Flash TTS $33.00 เทียบกับ Gemini 3.8 Flash-Lite TTS $22.10

• Arena Elo — 1,273 กับ 1,260 กับ 1,235 โดยทั้งหมดมีช่วงห่าง 17 คะแนนในสองอันดับแรก

• เสียงในอารีนา — 8 vs 8 vs 8

• ตัวอย่าง — 1,757 vs 1,999 vs 2,000

• ความพร้อมใช้งาน — Cartesia แบบโฮสต์เบต้า เทียบกับ Gemini Developer API ของ Google เอง ซึ่งพร้อมใช้งานทั่วไป

• การปลดปล่อยน้ำหนัก — ปิดทั้งคู่ ไม่มีรายการใดที่ดาวน์โหลดได้

ส่วนที่การเปรียบเทียบราคาซ่อนไว้

การคิดราคาต่อล้านตัวอักษรเป็นหน่วยที่สะดวก แต่ไม่ใช่วิธีที่ผลิตภัณฑ์ทั้งสองคิดค่าบริการ

หน่วยของ Cartesia คือเครดิตที่ใช้หักกับค่าสมัครใช้งาน โดยมีเพดาน concurrency ที่ผูกกับแต่ละ tier นั่นหมายความว่าต้นทุนส่วนเพิ่มของตัวอักษรพันตัวถัดไปของคุณเป็นศูนย์จนกว่าคุณจะชนเพดาน และหลังจากนั้นก็กลายเป็นค่าใช้จ่ายของ tier ถัดไป สำหรับ workload ที่มีเพดานสูงสุดที่คาดเดาได้ นี่เป็นข้อเสนอที่ดีกว่าที่อัตราคิดตามจำนวนตัวอักษรบอกเป็นนัย — คุณกำลังซื้อ headroom ไม่ใช่การบริโภค สำหรับ workload ที่มีการพุ่งสูงเป็นช่วง ๆ มันแย่กว่า เพราะ concurrency 2 บน tier Free และ 3 บน Pro เป็นกำแพงแข็ง ไม่ใช่ราคา

หน่วยของ Gemini คือโทเคน ซึ่งคิดค่าบริการต่อการเรียก โดยไม่มีการเปิดเผยเพดานการทำงานพร้อมกัน และมีระดับบริการสามระดับ ได้แก่ Standard, Batch and Flex และ Priority ในอัตราที่แตกต่างกัน Batch และ Flex ลดอัตราค่าเสียงลงครึ่งหนึ่งเหลือ $4.50 ต่อล้านโทเคนบน Flash TTS ส่วน Priority เพิ่มเป็น $16.20 นั่นเป็นโมเดลต้นทุนที่ละเอียดกว่ามาก และมันให้รางวัลกับสิ่งที่ราคาของ Google มักให้รางวัล นั่นคือการรู้ล่วงหน้าว่างานนั้นเป็นแบบโต้ตอบหรือแบบแบตช์

ดังนั้น แบบใดจะถูกกว่าจึงขึ้นอยู่กับว่าเวิร์กโหลดด้านเสียงพูดของคุณมีลักษณะเหมือนการสมัครสมาชิกหรือการคิดตามมิเตอร์ แพ็กเกจระดับต่าง ๆ ของ Cartesia ตั้งราคาไว้สำหรับผลิตภัณฑ์ที่มีปริมาณคงที่และมีขอบเขตจำกัด ส่วนแพ็กเกจของ Gemini ตั้งราคาไว้สำหรับการใช้งานที่คุณสามารถจำแนกประเภทได้

สิ่งที่ Cartesia ยังมีอยู่แต่ Google ไม่มี

สองเรื่อง และทั้งสองเรื่องเกี่ยวกับการเป็นผลิตภัณฑ์ด้านเสียง แทนที่จะเป็นโมเดลเสียง

Cartesia ขายโครงสร้างพื้นฐานด้านโทรศัพท์และ voice agent โดยตรง: 0.014 ดอลลาร์ต่อนาทีสำหรับโทรศัพท์, 0.06 ดอลลาร์ต่อนาทีสำหรับระยะเวลาสายของ voice agent และการปรับเสียงให้เข้ากับท้องถิ่นที่ 225 เครดิตต่อสำเนียงที่เพิ่มเข้ามา หากคุณกำลังสร้าง phone agent นั่นคือสแต็กที่คุณซื้อได้ในที่เดียว Gemini 3.8 Flash TTS เป็นเอนด์พอยต์สำหรับการสังเคราะห์ — มันส่งคืนเสียงแล้วหยุด คุณต้องจัดหา transport, การตรวจจับการผลัดกันพูด และระบบโทรศัพท์เอง หรือประกอบสิ่งเหล่านี้จากผู้ให้บริการรายอื่น

Cartesia ก็อยู่บนกระดานได้นานกว่าเช่นกัน การที่บริษัทเปิดตัวในเดือนสิงหาคม เทียบกับ Google ที่เปิดตัวในเดือนกันยายน หมายความว่าจำนวนตัวอย่างของ Cartesia สะสมกับเวอร์ชันที่นิ่งแล้วมากกว่า ขณะที่โมเดลที่เปิดตัวในเดือนกันยายนยังคงเก็บคะแนนเสียงอยู่ ค่า Elo ของโมเดลในสัปดาห์แรกเป็นค่าประมาณที่มีสัญญาณรบกวนมากกว่าค่า Elo ของโมเดลเดียวกันหลังจากผ่านไปหนึ่งเดือน และนั่นทำให้ไม่ควรตีความช่องว่าง 13 คะแนนเป็นหลักฐานสนับสนุน Cartesia

สิ่งที่ Google มี แต่ Cartesia ไม่มี

ความครอบคลุมของภาษาถือเป็นจุดที่ชัดเจนที่สุด Flash TTS รองรับ 130 ภาษาด้วยการตรวจจับอัตโนมัติ ส่วน Flash-Lite รองรับ 101 ภาษา โมเดลการแปลเป็นภาษาท้องถิ่นของ Cartesia เป็นแบบเพิ่มเติม — คุณซื้อสำเนียงเพิ่มจากเสียงพื้นฐานในราคา 225 เครดิตต่อสำเนียง — ซึ่งเป็นแนวทางที่แตกต่างและเส้นโค้งต้นทุนที่แตกต่างเมื่อคุณมีภาษามากกว่าสองสามภาษา

พื้นผิวการถ่ายทอดคือจุดที่สอง Gemini 3.8 Flash TTS ให้คุณกำกับการอ่านบทได้เหมือนกำกับนักแสดง จัดฉากบทสนทนาสองเสียงภายในคำสั่งเดียว และเขียนสัญญาณอวจนภาษา — <laughs>, <sigh>, <gasp>, |mhm|, |yeah| — ลงในสคริปต์ได้โดยตรง นอกจากนี้ยังมีฟีเจอร์ออกแบบเสียงจากคำบรรยายภาษาธรรมชาติ และการจำลองเสียงจากตัวอย่างความยาว 30 วินาที พร้อมการยืนยันความยินยอม ลายน้ำ SynthID และข้อมูลรับรอง C2PA บนผลลัพธ์ที่ได้ ส่วนการรีมิกซ์เสียงระบุว่าเร็ว ๆ นี้

และมันพร้อมใช้งานทั่วไป ไม่ใช่เวอร์ชันเบต้า Cartesia Sonic 3.6 เป็นเบต้าแบบโฮสต์ ซึ่งเป็นข้อบ่งชี้ถึงความเชื่อมั่นของผู้ให้บริการเองที่มีต่อเอนด์พอยต์ภายใต้ภาวะโหลด

จะเรียกใช้อันไหนกันแน่

หากภาระงานของคุณคือเอเจนต์ทางโทรศัพท์ที่มีปริมาณการใช้งานที่คาดเดาได้ และคุณต้องการระบบโทรศัพท์ การรองรับการทำงานพร้อมกัน และการสังเคราะห์เสียงจากผู้ให้บริการรายเดียว Cartesia Sonic 3.6 คือตัวเลือกที่ลงตัว และส่วนต่าง 16 ดอลลาร์ก็คือราคาที่ต้องจ่ายสำหรับการไม่ต้องประกอบผู้ให้บริการสามรายด้วยตัวเอง

หากภาระงานของคุณคือการสังเคราะห์เสียงภายในผลิตภัณฑ์ที่คุณดูแลอยู่แล้ว — ไม่ว่าจะเป็นการบรรยาย เลเยอร์เพื่อการเข้าถึง เสียงของบอตสนับสนุน หรือการแปลเป็น 130 ภาษา — Gemini 3.8 Flash TTS มีต้นทุนต่ออักขระที่ถูกกว่า ครอบคลุมภาษาที่กว้างกว่า ควบคุมการเปล่งเสียงได้ละเอียดกว่า และพร้อมใช้งานทั่วไป ความแตกต่างของ Elo ไม่ได้เป็นข้อโต้แย้งให้คัดค้านมัน เพราะความแตกต่างของ Elo ไม่ใช่ความแตกต่างที่เป็นจริงในทางสถิติ

หากคุณต้องการตัวที่ถูกที่สุดในสามตัวที่อยู่ด้านบนสุดของตาราง และยอมรับรายการภาษาที่สั้นกว่าได้ Gemini 3.8 Flash-Lite TTS มีราคา $6.00 ต่อล้านโทเค็นเสียง และอยู่ในอันดับต่ำลงมาหกอันดับที่ 1,235 — ช่องว่างที่ยังอยู่ในช่วงความคลาดเคลื่อนเช่นกัน

ไม่ว่าคุณจะเลือกตัวไหน เส้นทางการย้ายระบบก็สำคัญกว่าตัวเลือกนั้น เพราะทั้งสองโมเดลเป็นของใหม่และทั้งสองผู้ให้บริการยังคงปรับแต่งกันอยู่ OrcaRouter คือทางเลือกป้องกันความเสี่ยง: คีย์เดียวใช้ได้กับกว่า 200 โมเดลในราคาเสนอขายตรงของผู้ให้บริการโดยไม่บวกเพิ่ม ดังนั้นหากห้องแล็บใดลดราคา ก็จะกระทบถึงบิลของคุณในวันเดียวกัน แทนที่จะรอถึงรอบต่ออายุ การสลับไปใช้ระบบสำรองอัตโนมัติหากการเรียกสังเคราะห์ล้มเหลว และ DSL สำหรับกำหนดเส้นทาง หากคุณต้องการส่งงานแบบแบตช์ไปยังโมเดลหนึ่งและการเรียกแบบโต้ตอบไปยังอีกโมเดลหนึ่ง เราไม่ได้โฮสต์ Cartesia Sonic 3.6 หรือปลายทาง TTS ของ Gemini 3.8 — การสังเคราะห์เสียงของ Cartesia เป็นผลิตภัณฑ์ของตัวเอง และโมเดลเสียงพูดของ Gemini มาจาก API ของ Google — แต่เลเยอร์ข้อความและเส้นทางการสลับสำรองเป็นของเรา และนั่นคือส่วนที่ทำให้โมเดลใหม่ล่าสุดปลอดภัยที่จะลอง

สิ่งที่ต้องจับตาคือการปรับปรุงครั้งถัดไปของ Artificial Analysis หาก Gemini 3.8 Flash TTS ปิดช่องว่าง 13 คะแนนได้เมื่อจำนวนตัวอย่างของมันเติบโตเต็มที่ ช่องว่างด้านราคาก็จะเลิกเป็นเรื่องที่ต้องแลกกัน และกลายเป็นคำตอบที่ตรงไปตรงมา หากทำไม่ได้ Cartesia ก็ยังครองมงกุฎด้านคุณภาพ และ Google ก็ยังครองมงกุฎด้านราคา และทางเลือกก็ยังคงอยู่ที่เดิมทุกประการ: การสมัครสมาชิกที่พ่วงระบบโทรศัพท์มาด้วย หรือระบบคิดตามการใช้งานที่พ่วง 130 ภาษามาด้วย