Gemini 3.8 TTS vs Inworld Realtime TTS-2: สกอร์บอร์ดใดที่คุณเชื่อว่าจะเปลี่ยนคำตอบ

วางGemini 3.8 Flash TTS และ Inworld Realtime TTS-2ไว้ข้างกันบน Artificial Analysis Provider Voice Arena แล้วคำตอบก็ดูชัดเจน: อันดับ 2 เทียบกับอันดับ 4, Elo 1,260 เทียบกับ 1,245, แต่ละรายมี 8 เสียงใน Arena และราคาปรับมาตรฐาน $16.50 ต่อล้านตัวอักษร เทียบกับ $20.80 ผู้ให้บริการรายนี้ชนะทั้งด้านตำแหน่งและราคา และช่องว่าง 15 จุดนั้นอยู่ในช่วงความเชื่อมั่นของทั้งสองแถวอยู่แล้ว

พอหันไปดูอีกบอร์ดที่ Artificial Analysis เผยแพร่ ลำดับก็กลับกัน Inworld Realtime TTS-2 ครองแถวบนสุดบน Controlled Voice Arena ด้วย Elo 1,123 โดยรุ่น Flash อยู่ที่ 1,075 นั่นไม่ใช่ส่วนต่างจากการปัดเศษ — แต่เป็นโมเดลอีกตัวที่ชนะ และเหตุผลก็คือบอร์ดทั้งสองไม่ได้วัดสิ่งเดียวกัน หากคุณกำลังเลือกเสียงสำหรับผลิตภัณฑ์ การรู้ว่ากรณีการใช้งานของคุณกำลังถามคำถามข้อใดในสองข้อนั้นจริง ๆ คือการตัดสินใจทั้งหมด

สองบอร์ด สองคำถามที่แตกต่างกัน

Provider Voice Arena ให้คะแนนเสียงดั้งเดิมของโมเดลเอง — เสียงที่ผู้ขายจัดส่งและโฮสต์ไว้ Controlled Voice Arena ตรึงเสียงให้คงที่และให้คะแนนว่าแต่ละโมเดลทำได้ดีเพียงใดเมื่อถูกขอให้พูดด้วยเสียงที่ไม่ใช่ของตัวเอง ผู้ตัดสินชุดเดียวกัน การเปรียบเทียบแบบปกปิดชนิดเดียวกัน แต่ตัวแปรต่างกัน

ความแตกต่างนั้นสอดคล้องกับงานสองประเภทที่แตกต่างกัน:

• การจัดอันดับผู้ให้บริการตอบคำถามว่า “โมเดลนี้ให้เสียงดีตั้งแต่ใช้งานทันทีโดยไม่ต้องปรับแต่งหรือไม่” เป็นบอร์ดที่เหมาะสมสำหรับผลิตภัณฑ์ที่มาพร้อมชุดเสียงผู้บรรยายแบบตายตัว และไม่โคลนสิ่งใดเลย

• การจัดอันดับแบบควบคุมจะตอบคำถามว่า “โมเดลนี้ทำตามข้อกำหนดด้านเสียงหรือไม่” มันเป็นบอร์ดที่เหมาะสมสำหรับผลิตภัณฑ์ที่เสียงเป็นของลูกค้า — เสียงแบรนด์ที่ถูกโคลน นักแสดงที่ได้รับอนุญาต หรืออัตลักษณ์เฉพาะแต่ละเทนแนนต์

โมเดลของ Google นำเป็นอันดับหนึ่งในตารางแรก โมเดลของ Inworld นำในตารางที่สอง ทั้งสองประโยคเป็นความจริงในเวลาเดียวกัน และไม่ใช่เรื่องขัดแย้งกันเลย ซึ่งนั่นแหละคือเหตุผลว่าทำไมคำตอบเพียงคำตอบเดียวว่า "โมเดล TTS ตัวไหนดีที่สุด" จึงมักเป็นสัญญาณว่าผู้เขียนเลือกดูตารางเดียวและไม่ได้ดูอีกตารางหนึ่ง

ตำแหน่งอันดับหนึ่งของ Inworld สื่อถึงอะไรในทางปฏิบัติ

ผลลัพธ์ Controlled ที่ได้อันดับหนึ่งคือข้อกล่าวอ้างเกี่ยวกับความเที่ยงตรงต่อคำสั่ง และความเที่ยงตรงต่อคำสั่งคือคุณสมบัติที่ตัดสินว่าการโคลนจะใช้งานได้เลยหรือไม่

เส้นทางการโคลนเสียงของ Inworld มีสองรูปแบบ การโคลนแบบทันทีทำงานจากตัวอย่างสั้น ๆ — ตัวเลขของผู้ขายคือเสียงอ้างอิง 5 ถึง 15 วินาที — และระดับการโคลนแบบมืออาชีพยังอยู่ในช่วงเบต้าและต้องใช้เวลาประมาณสิบน้ามี ทั้งสองเป็นข้อมูลที่ผู้ขายรายงาน และไม่มีอันใดได้รับการตรวจสอบอย่างอิสระโดย arena; สิ่งที่ arena วัดคือพฤติกรรมของโมเดลเมื่อมีเสียงแล้ว ไม่ใช่คุณภาพของขั้นตอนการโคลนที่สร้างเสียงนั้นขึ้นมา

ข้อกล่าวอ้างเรื่องความหน่วงที่แนบมากับตระกูลนี้อยู่ในหมวดหมู่เดียวกัน ค่า first-byte ของรุ่น Flash — 25 มิลลิวินาที ซึ่งรายงานผ่านการวัดโดยบุคคลที่สาม — และตัวเลข p99 สำหรับโมเดลเต็มนั้นเป็นของ Inworld เอง และอารีนาไม่มีอะไรจะกล่าวถึงทั้งสองอย่าง ค่าเหล่านี้สมเหตุสมผลสำหรับโมเดลที่มุ่งเน้นเรียลไทม์ และยังไม่ได้รับการยืนยัน ซึ่งเป็นวิธีที่ถูกต้องในการยึดถือค่าเหล่านี้

ดังนั้นการตีความในทางปฏิบัติก็คือ: หากผลิตภัณฑ์ของคุณโคลนเสียง ผลลัพธ์ Controlled ของ Inworld คือคะแนนที่เกี่ยวข้องมากกว่าในสองคะแนนนี้ และนั่นคือเหตุผลที่อันดับ Provider ที่ต่ำกว่าไม่ถือเป็นการตัดสิทธิ์ หากผลิตภัณฑ์ของคุณไม่โคลนเสียง ข้อได้เปรียบนั้นจะมองไม่เห็นสำหรับคุณ และบอร์ด Provider คือสิ่งที่ควรอ่าน

บันไดราคามีสามขั้น และขั้นที่ถูกคือการสมัครสมาชิก

การนำราคาหนึ่งมาเทียบกับอีกราคาหนึ่งทำให้การเปรียบเทียบนี้ผิดพลาด เพราะ Inworld ไม่ได้มีราคาเดียว — แต่มีบันไดราคา

• แบบตามต้องการ — Realtime TTS-2 ราคา $25.00 ต่อล้านตัวอักษร และ Flash ราคา $15.00 นี่คืออัตราที่ผู้เรียกใช้แบบจ่ายตามการใช้งานเห็น และเป็นตัวเลขที่ผู้ขายเผยแพร่เอง

• Creator plan — $20.00 และ $10.00 สำหรับสองโมเดลเดียวกัน ซึ่งเป็นส่วนลด 20% และ 33% สำหรับการผูกมัดกับแผนแทนการคิดตามการใช้งาน ตามที่ผู้ขายรายงาน และเป็นระดับที่ควรกลับไปตรวจสอบซ้ำบนหน้าค่าบริการปัจจุบันมากที่สุดก่อนที่คุณจะตัดสินใจ เนื่องจากเงื่อนไขของแผนเปลี่ยนแปลงเร็วกว่าอัตราราคาตามรายการ

• ทำให้เป็นมาตรฐาน — การแปลงต่อล้านตัวอักษรของอารีนาให้ $20.80 สำหรับ Realtime TTS-2 และ $10.40 สำหรับ Flash ซึ่งเป็นตัวเลขคำนวณของบอร์ด ไม่ใช่ใบเสนอราคาจากผู้ขายรายใดรายหนึ่ง

ในทางกลับกัน อัตราของ Google คิดตามโทเค็นและเป็นราคาโปรโมชัน: 0.50 ดอลลาร์ต่อโทเค็นข้อความหนึ่งล้านโทเค็นขาเข้า และ 9.00 ดอลลาร์ต่อโทเค็นเสียงหนึ่งล้านโทเค็นขาออก ถึงวันที่ 31 ธันวาคม 2026 จากนั้นเป็น 18.00 ดอลลาร์; Flash-Lite TTS อยู่ที่ 0.50 และ 6.00 ดอลลาร์ จากนั้นเป็น 12.00 ดอลลาร์ เมื่อปรับให้เป็นมาตรฐานแล้ว นั่นคือ 16.50 และ 11.00 ดอลลาร์

อ่านทั้งสองควบคู่กัน แล้วภาพที่ได้จะน่าสนใจกว่า "Google ถูกกว่า" จากตัวเลขที่เผยแพร่ ณ วันนี้ Flash TTS เป็นรุ่นที่ถูกที่สุดในสามโมเดล และรุ่น Flash ของ Inworld เป็นรุ่นที่ถูกเป็นอันดับสอง — โมเดล Flash ทั้งสองรุ่นใกล้กันมากพอที่การเปลี่ยนแปลงเล็กน้อยในอัตราส่วนเสียงต่อข้อความของคุณอาจพลิกได้ว่ารุ่นไหนจะคิดค่าบริการต่ำกว่า ในวันที่ 1 มกราคม 2027 เมื่ออัตราของ Google เพิ่มเป็นสองเท่า ลำดับจะลงตัว และ Inworld จะกลายเป็นตัวเลือกที่ถูกกว่าในทุกขั้นของบันไดราคาของมัน ใครก็ตามที่เปรียบเทียบสองตัวนี้ในเดือนกันยายนแล้วตัดสินใจในเดือนธันวาคม กำลังเปรียบเทียบตัวเลขผิด

โดยที่แต่ละอันเป็นคำตอบที่ดีกว่า

ทั้งสองโมเดลมีคุณภาพใกล้เคียงกันมากพอที่สิ่งที่ทำให้แตกต่างจะเป็นเรื่องเชิงโครงสร้าง ดังนั้นคำตอบที่ตรงไปตรงมาจึงเป็นรายการเงื่อนไข มากกว่าจะเป็นคำตัดสิน

เลือก Gemini 3.8 Flash TTS เมื่อคุณเป็นผู้เลือกเสียงเอง การออกแบบเสียงจากคำบรรยาย บทสนทนาสองผู้พูดในครั้งเดียว การปรับสไตล์ระดับเทิร์น และความครอบคลุมภาษาที่กว้างที่สุดในสองตัวนี้ตามการนับของ Google เอง — ซึ่งไม่มีข้อใดที่ Inworld เทียบได้ในการเปรียบเทียบนี้ นอกจากนี้ยังเป็นโมเดลที่ถูกกว่าในปัจจุบัน และ Flash-Lite ในตระกูลเดียวกันยังมอบจุดราคาที่สองให้คุณภายใน API เดียวกัน

เลือก Inworld Realtime TTS-2 เมื่อเสียงเป็นของลูกค้าเอง แถว Controlled Voice ชั้นนำ เส้นทางโคลนนิ่งแบบทันทีที่วัดกันเป็นวินาทีของเสียงอ้างอิง ระดับการโคลนนิ่งระดับมืออาชีพสำหรับกรณีที่ต้องการมากกว่า และจุดเน้นแบบเรียลไทม์ที่หนุนด้วยคำกล่าวอ้างเรื่อง first byte ที่ผู้ขายเผยแพร่ โดยมีข้อแม้ว่าคำกล่าวอ้างเหล่านั้นเป็นของผู้ขายเอง ตามเอกสารของผู้ขายเอง มันรองรับเฉพาะภาษาอังกฤษ ซึ่งเป็นข้อจำกัดตายตัวหากคุณต้องการภาษาอื่น

ทั้งสองโมเดลนี้ไม่ได้โฮสต์โดย OrcaRouter และเป็นเรื่องที่ควรพูดตามจริงมากกว่าจะสื่อเป็นอย่างอื่น ที่สำหรับเรียกใช้ Gemini 3.8 Flash TTS คือ API ของ Google เอง และช่องทางที่ Google ระบุไว้เมื่อวันที่ 23 กันยายน ส่วนที่สำหรับเรียกใช้ Inworld Realtime TTS-2 คือแพลตฟอร์มของ Inworld เอง สิ่งที่ OrcaRouter มีไว้รองรับคือทุกสิ่งรอบ ๆ การตัดสินใจนั้น — โมเดลกว่า 200 รายการอยู่เบื้องหลังคีย์เดียวที่ ราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม ดังนั้นเมื่อผู้ให้บริการปรับอัตรา เช่น การปรับขึ้นในเดือนมกราคม ฝั่งเราก็อัปเดตให้ทันทีในวันเดียวกัน การสลับไปใช้ระบบสำรองอัตโนมัติเพื่อให้โมเดลที่ผ่านการประเมินไม่จำเป็นต้องกลายเป็นสิ่งที่ต้องพึ่งพาในการผลิต และมี DSL สำหรับการกำหนดเส้นทางเพื่อประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียวเมื่อไม่มีเสียงใดเพียงเสียงเดียวที่รับงานทั้งหมดได้

เหตุผลที่ต้องเก็บทั้งสองอย่างนี้ไว้ในตัวเลือกคือ การเปลี่ยนแปลงอัตราในเดือนมกราคมและความแตกต่างระหว่าง Controlled กับ Provider เป็นเหตุผลสองข้อที่แยกจากกันซึ่งทำให้คำตอบเปลี่ยนไปได้ ไปป์ไลน์ที่เรียกได้เพียงหนึ่งในนั้นจะไม่สามารถตามได้ทั้งสองทาง