Guides & Insights

Voxtral 3 TTS เทียบกับ Cartesia Sonic 3.6: 72 Elo ในราคาที่แพงกว่า 3.8 เท่า

ผู้เขียน

Alistair Wren

วันที่เผยแพร่

Oct 20, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

Cartesia Sonic 3.6 ชนะในข้อถกเถียงเรื่องคุณภาพ ส่วน Voxtral 3 TTS ชนะในเรื่องใบแจ้งหนี้ และขนาดของส่วนต่างทั้งสองฝั่งคือการเปรียบเทียบทั้งหมดนี้ จากการจัดอันดับบน Provider Voice leaderboard ของ Artificial Analysis เมื่อวันที่ 21 ตุลาคม 2026 Sonic 3.6อยู่อันดับที่ 1,289 Elo (อันดับ 4 จาก 98 ระบบที่ได้รับการจัดอันดับ) เทียบกับ 1,217 ของVoxtral 3 TTS (อันดับ 13) ช่องว่างอยู่ที่ 72 คะแนน ซึ่งอยู่นอกช่วงความเชื่อมั่นของทั้งสองโมเดลได้อย่างสบาย ๆ ช่องว่างด้านราคาไปในทิศทางตรงกันข้ามและกว้างกว่า: 49 ดอลลาร์ต่อล้านตัวอักษรสำหรับ Sonic 3.6 เทียบกับ 13 ดอลลาร์สำหรับ Voxtral 3 TTS — มากกว่า 3.8 เท่าสำหรับโมเดลที่ Mistral เปิดตัวก่อนการอ่านคะแนนบนกระดานนี้หนึ่งวัน ไม่มีตัวเลขใดที่ถูกโต้แย้ง สิ่งที่ถูกโต้แย้งคือส่วนต่าง 72 คะแนนจากการฟังแบบไม่ระบุตัวตนนั้นมีค่าแค่ไหนในการใช้งานจริง และนั่นขึ้นอยู่กับว่าภาพเสียงนั้นกำลังทำหน้าที่อะไรอยู่ทั้งหมดความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งมีการบันทึกไว้เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งของตัวเอง

ก่อนอื่น สิ่งที่บอร์ดวัดได้จริง

ตัวเลขทั้งสองมาจากแหล่งเดียวกัน ซึ่งสำคัญกว่าปกติในหมวดหมู่ที่ผู้จำหน่ายทุกรายเผยแพร่การศึกษาความชอบของตนเอง Artificial Analysis ดูแลบอร์ดสองบอร์ด และทั้งสองโมเดลปรากฏอยู่บนทั้งสองบอร์ด

• Provider Voice — แต่ละโมเดลจะถูกประเมินด้วยเสียงดั้งเดิมของตัวเอง Sonic 3.6: 1,289 Elo, อันดับ #4, ช่วง 95% อยู่ที่ 1,275–1,303, 2,732 การเปรียบเทียบ Voxtral 3 TTS: 1,217 Elo, อันดับ #13, ช่วง 1,202–1,232, 1,619 การเปรียบเทียบ

• {{1}}เสียงแบบควบคุม{{/1}} — ทุกโมเดลถูกโคลนลงบนเสียงอ้างอิงแปดเสียงชุดเดียวกัน ผู้ฟังจึงเปรียบเทียบตัวเอนจินมากกว่าการคัดเลือกเสียง {{2}}Sonic 3.6{{/2}}: {{3}}1,151 Elo{{/3}}, {{4}}#5{{/4}}, ช่วง {{5}}1,138–1,164{{/5}}. {{6}}Voxtral 3 TTS{{/6}}: {{7}}1,066 Elo{{/7}}, {{8}}#14{{/8}}, ช่วง {{9}}1,049–1,083{{/9}}.

• เปิดตัวแล้ว — Sonic 3.6 ในเดือนสิงหาคม 2026; Voxtral 3 TTS ในวันที่ 20 ตุลาคม 2026

ราคาตามรายการ — $49.00 ต่อ 1M ตัวอักษร เทียบกับ $13.00 ต่อ 1M ตัวอักษร ทั้งสองตามที่ Artificial Analysis ติดตาม และตรงกับราคาที่เปิดเผยต่อสาธารณะของผู้จำหน่ายแต่ละราย

• ปริมาณงาน (Throughput) — ค่ามัธยฐาน 145 ตัวอักษรต่อวินาทีสำหรับ Sonic 3.6 เทียบกับ 112 สำหรับ Voxtral 3 TTS ซึ่งวัดโดย Artificial Analysis

• เวตของโมเดล — เป็นแบบปิดทั้งสองราย ทั้งคู่ไม่สามารถโฮสต์เองได้ภายใต้สัญญาอนุญาตแบบ permissive

รายละเอียดสองข้อเกี่ยวกับตารางนั้นเป็นเรื่องที่มองข้ามได้ง่ายและไม่ควรละเลย ผลลัพธ์ Controlled Voice เป็นผลลัพธ์ที่ซื่อตรงกว่าจากสองข้อนี้ เพราะมันตัดข้อได้เปรียบจากการมีคลังเสียงที่ดีออกไป และตรงนั้นช่องว่างขยายจาก 72 จุดเป็น 85 จุด Sonic 3.6 ไม่ได้ชนะเรื่องการคัดเลือกเสียง แต่ชนะเรื่องการสังเคราะห์เสียง รายละเอียดข้อที่สองคือจำนวนตัวอย่าง Voxtral 3 TTS มีการเปรียบเทียบ 1,619 รายการบนบอร์ดของผู้ให้บริการ น้อยกว่า Sonic 3.6 ประมาณ 40% และช่วงของมันจึงกว้างกว่าตามไปด้วย คะแนนวันที่สองเป็นคะแนนจริง แต่มันจะเปลี่ยนแปลง

A headless capture of the Artificial Analysis Controlled Voice Arena taken October 21, 2026, showing a table of rank bands, Elo, sample counts, release dates and API prices per million characters, including Sonic 3.6 at 1,151 Elo and $49, Eleven v4 Turbo at 1,157 and $40, Eleven v4 at 1,157 and $80, Qwen-Audio-3.0-TTS-Plus at 1,125 and $19.3, and Simba 3.2 at 1,087 and $6.6.

72 Elo มาจากไหน แยกทีละฟีเจอร์

Elo เป็นเพียงผลรวมของความชอบ ไม่ใช่การวินิจฉัย ดังนั้นจึงควรถามว่าการตัดสินใจด้านผลิตภัณฑ์ใดที่นำไปสู่ผลลัพธ์นี้ โมเดลทั้งสองถูกสร้างขึ้นเพื่องานที่แตกต่างกัน และสเปกก็แสดงให้เห็นเช่นนั้น

Cartesia สร้างเอนจินแบบสตรีมมิ่ง จุดขายหลักของ Sonic 3.6 คือเสียงแรกออกมาในเวลาไม่ถึง 90 มิลลิวินาที จากหน้าผลิตภัณฑ์ที่เน้นความเร็วเป็นอันดับแรก ส่วนตัวควบคุมเป็นสิ่งที่เอเจนต์สดต้องการ: สัญญาณแทรก เช่น เสียงหัวเราะ การปรับระดับเสียงและความเร็ว พจนานุกรมการออกเสียงแบบกำหนดเอง และอารมณ์ที่อนุมานจากบริบท เป็นโมเดลที่ออกแบบมาให้ถูกเรียกใช้กลางบทสนทนาและเริ่มพูดได้แทบจะทันที

Mistral สร้างเสียงระดับสตูดิโอพร้อมเปลือกหุ้มสำหรับองค์กร Voxtral 3 TTS รองรับภาษามากกว่า 35 ภาษาและภาษาถิ่นมากกว่า 50 ภาษา มีพรีเซ็ตเสียงใน 18 ภาษา ควบคุมอารมณ์ จังหวะ และการเน้นได้ในระดับพรอมต์ ควบคุมการออกเสียงในระดับหน่วยเสียง และมีคลังคำศัพท์ ส่วนเรื่องการโคลนเสียงนั้นคือ "Pro Voice": ใช้เสียง 30 นาทีเพื่อจำลองลักษณะเฉพาะ ช่วงอารมณ์ และสไตล์ของผู้พูดข้ามภาษา นั่นคือไปป์ไลน์การปรับให้เข้ากับเสียง ไม่ใช่การโคลนแบบทันที

ผลที่ตามมาในทางปฏิบัติคือโมเดลทั้งสองไม่ได้แข่งขันกันเพื่อช่องเดียวกัน กระบวนการปรับเสียงให้เข้ากับแบรนด์ 30 นาทีเป็นงานปฏิบัติการด้านเสียงแบรนด์ ส่วนการโคลนแบบทันทีใน 10 วินาทีเป็นฟีเจอร์ที่ผู้ใช้ใช้งานได้ หากผลิตภัณฑ์ของคุณให้ลูกค้าอัปโหลดคลิปและฟังเสียงของตนเองในเสียงที่สร้างขึ้น Sonic 3.6 ทำได้ และ Voxtral 3 TTS ตามที่เอกสารระบุไว้ทำไม่ได้

ความไม่สมดุลของเวลาแฝงยิ่งซ้ำเติมเรื่องนี้ Cartesia เผยแพร่ตัวเลขเวลาแฝง ขณะที่ Mistral ไม่ได้เผยแพร่ Voxtral 3 TTS ไม่มีเวลาถึงเสียงแรกที่เผยแพร่ที่ใดเลยในสื่อเปิดตัว ตัวเลขที่ใกล้เคียงที่สุดคือข้อกล่าวอ้างต่ำกว่า 500 มิลลิวินาทีบนโมเดลถอดเสียงแบบเรียลไทม์แยกต่างหาก การไม่มีตัวเลขไม่ใช่ตัวเลขที่แย่ แต่ในการตัดสินใจซื้อ มันคือความเสี่ยงที่คุณต้องแบกรับ และผู้ขายที่เผยแพร่ตัวเลขของตนคือค่าเริ่มต้นที่ปลอดภัยกว่าสำหรับทุกสิ่งที่มีการโต้ตอบ

การคำนวณต้นทุน ในระดับที่มันเริ่มส่งผลกระทบจริง

การคิดราคาต่ออักขระดูเป็นเรื่องนามธรรม จนกว่าจะนำไปคูณกับปริมาณการใช้งาน ด้วยอัตราประมาณ 900 อักขระต่อการพูดหนึ่งนาที การพูดต่อเนื่องเป็นเวลาหนึ่งชั่วโมงจึงมีปริมาณราว 54,000 อักขระ

• เสียงความยาวหนึ่งชั่วโมง — Sonic 3.6: ประมาณ $2.65. Voxtral 3 TTS: ประมาณ $0.70.

• หนึ่งพันชั่วโมงต่อเดือน — Sonic 3.6: ประมาณ $2,650. Voxtral 3 TTS: ประมาณ $700. ต่างกันประมาณ $23,400 ต่อปี

• {{1}}หนึ่งหมื่นชั่วโมงต่อเดือน{{/1}} — {{2}}Sonic 3.6{{/2}}: ประมาณ $26,500. {{3}}Voxtral 3 TTS{{/3}}: ประมาณ $7,000. {{4}}ส่วนต่างประมาณ $234,000 ต่อปี{{/4}}

ที่ปลายล่างของช่วงนั้น ช่องว่างเป็นเพียงรายการค่าใช้จ่ายที่ยังมีคนโต้แย้งกัน ที่ปลายบน มันคือจำนวนอัตรากำลังคน นี่คือข้อโต้แย้งทั้งหมดสำหรับ Voxtral 3 TTS และเป็นข้อโต้แย้งที่หนักแน่นสำหรับงานใดก็ตามที่เสียงเป็นเนื้อหายาวและเรนเดอร์ล่วงหน้า เช่น หนังสือเสียง โมดูลอีเลิร์นนิง การบรรยายแคตตาล็อก และไปป์ไลน์การพากย์ ในงานเหล่านั้น 72 Elo จะปรากฏเป็นการอ่านที่ฟังดูเป็นธรรมชาติลดลงเล็กน้อยในประโยคเพียงส่วนน้อย และผู้ฟังไม่ได้นำไปเปรียบเทียบกับสิ่งใด

จุดที่การคำนวณเปลี่ยนรูปไปคือเมื่อสองโมเดลทำงานต่างกันในผลิตภัณฑ์เดียว สายซัพพอร์ตต้องการความหน่วงของ Sonic 3.6 และการเริ่มทำงานต่ำกว่าหนึ่งวินาที ส่วนงานพากย์การตลาดของบริษัทเดียวกันไม่ต้องการสิ่งนั้น การจ่าย $49 สำหรับงานที่สองคือการจ่าย $49 ไปกับความสามารถที่งานนั้นใช้ไม่ได้ — และวิธีที่สะอาดที่สุดในการเก็บทั้งสองไว้โดยไม่ต้องมีกระบวนการจัดซื้อสองชุดคือเลเยอร์การกำหนดเส้นทางที่มองโมเดลเป็นพารามิเตอร์ นั่นคือเหตุผลที่สนับสนุนการตั้งค่าของ OrcaRouter มากกว่าผู้จำหน่ายรายใดรายหนึ่ง: API เดียวที่เข้ากันได้กับ OpenAI ครอบคลุมโมเดล 200+ โมเดล ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยบวกเพิ่ม 0% และมี DSL สำหรับกำหนดเส้นทางที่สามารถส่งงานพากย์แบบแบตช์และสายเรียลไทม์ไปยังแบ็กเอนด์ต่างกันได้ด้วยคีย์เดียวกัน ณ ขณะเขียนนี้ ทั้ง Sonic 3.6 และ Voxtral 3 TTS ยังไม่อยู่ในแคตตาล็อกของ OrcaRouter ดังนั้นปัจจุบันทั้งสองจึงเข้าถึงผ่าน API ของผู้จำหน่ายเองและแพลตฟอร์มบุคคลที่สามหลายแห่ง — ประเด็นคือรูปแบบของการผสานรวมเมื่อถึงตอนนั้น

A generated infographic titled 'Cost at scale: Sonic 3.6 vs Voxtral 3 TTS' with three cards: 1 hour at $2.65 versus $0.70, 1,000 hours a month at $2,650 versus $700, and 10,000 hours a month at $26,500 versus $7,000, each labelled 'Sonic 3.6 vs Voxtral 3 TTS', with a footer noting list prices of $49 and $13 per million characters per Artificial Analysis and 900 characters per spoken minute.

สามข้อโต้แย้งที่ชี้ขาดในทางปฏิบัติ

ข้อแรกคือภาษา Cartesia โฆษณาว่ารองรับ 44 ภาษาจากโมเดลเดียว Mistral โฆษณาว่ารองรับกว่า 35 ภาษาและกว่า 50 ภาษาถิ่น โดยมีพรีเซ็ตใน 18 ภาษา ในทางทฤษฎี Mistral ครอบคลุมขอบเขตได้มากกว่า แต่ในทางปฏิบัติ จำนวนภาษาถิ่นเป็นคำสัญญาเกี่ยวกับความกว้างของการครอบคลุม ไม่ใช่คำสัญญาว่าทุกภาษาถิ่นได้รับการประเมินแล้ว หากแผนงานของคุณรวมตลาดที่ผู้ขายทั้งสองรายไม่มีเดโม ขอตัวอย่างแทนการอ่านตัวเลขจำนวน จุดเดียวที่ Mistral แข็งกว่าอย่างชัดเจนคือการครอบคลุมยุโรป: บริษัทอ้างว่ารองรับภาษาราชการทั้ง 24 ภาษาของ EU สำหรับโมเดลถอดเสียง และกว่า 35 ภาษาสำหรับการสังเคราะห์เสียง และ Mistral เป็นบริษัทฝรั่งเศสที่ขายเข้าสู่กระบวนการจัดซื้อจัดจ้างของ EU พร้อมตัวเลือกการเก็บข้อมูลไว้ในภูมิภาค (data residency) ในเอนด์พอยต์ของ EU, US และทั่วโลก Sonic 3.6 ไม่มีแนวทางการติดตั้งแบบอธิปไตย (sovereign deployment) ที่เทียบเท่าได้

ข้อที่สองคือการควบคุมการออกเสียงในสภาพการใช้งานจริง นี่คือจุดที่ช่องว่างของคะแนน Elo ชี้นำได้ผิดพลาดมากที่สุด โมเดลที่อ่าน "Dr. Nguyen" ได้อย่างถูกต้องโดยไม่ต้องใช้พจนานุกรมอาจถูกจัดอันดับต่ำกว่าโมเดลที่ฟังดูเป็นธรรมชาติกว่ากับข้อความทั่วไป Voxtral 3 TTS มาพร้อมไลบรารีคลังคำศัพท์และการควบคุมหน่วยเสียง ส่วน Sonic 3.6 มาพร้อมพจนานุกรมการออกเสียงแบบกำหนดเองและสัญญาณการอ่านแบบอินไลน์ ทั้งสองมีฟีเจอร์นี้ ของ Mistral มุ่งเป้าไปที่ชื่อบุคคลและชื่อแบรนด์ในเนื้อหาองค์กร ส่วนของ Cartesia มุ่งเป้าไปที่ปัญหาเดียวกันภายในสายการสนทนาแบบสตรีมมิ่ง ทดสอบรายการคำศัพท์ของคุณเอง — รายชื่อผลิตภัณฑ์ นามสกุล และคำย่อที่อ่านออกเสียง — ก่อนที่คะแนนของฝ่ายใดจะถูกนำมาใช้ตัดสิน

ประการที่สามคือสิ่งที่เกิดขึ้นเมื่อผู้ให้บริการมีบ่ายที่แย่ ไปป์ไลน์เสียงแบบปลายทางเดียวจะล้มเหลวแบบปิด: ปลายทางเสื่อมสภาพลงและผลิตภัณฑ์ก็เงียบหายไป Sonic 3.6 และ Voxtral 3 TTS ตั้งอยู่บนโครงสร้างพื้นฐานที่แตกต่างกันและมีโหมดความล้มเหลวที่แตกต่างกัน และเส้นทางสำรองระหว่างทั้งสองควรค่าแก่การออกแบบไว้ก่อนที่จะจำเป็นต้องใช้ การสลับไปยังระบบสำรองข้ามผู้ให้บริการโดยอัตโนมัติ คือสิ่งที่เราเตอร์ให้คุณได้ในกรณีนี้โดยเฉพาะ และมีคุณค่ามากกว่าในการพูดเมื่อเทียบกับข้อความ เพราะโทเค็นที่หล่นหายนั้นมองไม่เห็น แต่พยางค์ที่หล่นหายกลับไม่เป็นเช่นนั้น

แล้วอันไหน

เลือกCartesia Sonic 3.6 เมื่อเสียงต้องอยู่ในบทสนทนา: ไม่ว่าจะเป็นเอเจนต์ทางโทรศัพท์ ผู้ช่วยในแอป NPC ในเกม หรืออะไรก็ตามที่พยางค์แรกต้องมาถึงก่อนผู้ใช้จะอ่านตัวสปินเนอร์โหลดจนจบ คุณจ่าย $49 ต่อล้านตัวอักษรสำหรับโมเดลที่เริ่มทำงานภายในเวลาไม่ถึง 90 มิลลิวินาทีและทำคะแนนได้ 1,289 บนกระดานคะแนน และราคานี้ก็ถือว่าสมเหตุสมผลเมื่อเทียบกับโมเดลอื่นทุกตัวในระดับความหน่วงเดียวกัน

เลือก Voxtral 3 TTS เมื่อเสียงคือคอนเทนต์: การบรรยาย การพากย์เสียง เสียงแบรนด์ทั่วทั้งแคตตาล็อก หรืออะไรก็ตามที่เรนเดอร์ไว้ล่วงหน้าแล้วนำมาเล่นกลับ คุณจ่าย $13 สำหรับโมเดลที่ตามหลังผู้นำอยู่ 72 Elo และถูกกว่า 3.8 เท่า พร้อมการจัดเก็บข้อมูลในสหภาพยุโรปและไปป์ไลน์ปรับเสียงภายใน 30 นาที ซึ่งเหมาะกับเสียงองค์กรเพียงเสียงเดียวมากกว่าการโคลนเสียงรายผู้ใช้

ไม่ต้องเลือกเพียงอย่างใดอย่างหนึ่งโดยเฉพาะ หากคุณให้บริการเสียงทั้งสองประเภท ข้อผิดพลาดที่ต้องหลีกเลี่ยงคือการเลือกเพียงครั้งเดียวแล้วจ่ายในอัตราของโมเดลระดับพรีเมียมสำหรับงานที่โมเดลราคาถูกทำได้ หรือแบกรับความหน่วงของโมเดลราคาถูกในจุดที่มันเป็นเรื่องร้ายแรง การมีปลายทางสองจุดไว้ภายใต้คีย์เดียวคือการกำหนดค่าที่ทำให้การตัดสินใจไม่ต้องกลายเป็นเรื่องถาวร

A headless capture of Mistral's Voxtral 3 launch page taken October 21, 2026, showing the family headline and pricing bullets including Voxtral 3 TTS at $13 per million characters, alongside the language-coverage and deployment claims the article quotes.

คำถามที่ยังไม่มีคำตอบคือตัวเลข latency ที่หายไปของ Mistral จะออกมาเป็นเท่าไร หาก Voxtral 3 TTS สตรีมโดยมีค่าตัวเลขเสียงแรกใกล้เคียงกับของ Cartesia ราคา $13 ก็จะกลายเป็นข้อเท็จจริงที่โต้แย้งได้ยากขึ้นมาก และ 72 Elo จะกลายเป็นสิ่งเดียวที่ Sonic 3.6 ยังเหลืออยู่ Mistral ยังไม่ได้เผยแพร่ตัวเลขนั้น ไม่มีบุคคลที่สามรายใดวัดมัน และจนกว่าหนึ่งในนั้นจะเปลี่ยนไป ช่องสตรีมมิ่งก็เป็นของ Cartesia โดยปริยาย

Voxtral 3 TTS เทียบกับ Cartesia Sonic 3.6: 72 Elo ในราคาที่แพงกว่า 3.8 เท่า

ก่อนอื่น สิ่งที่บอร์ดวัดได้จริง

72 Elo มาจากไหน แยกทีละฟีเจอร์

การคำนวณต้นทุน ในระดับที่มันเริ่มส่งผลกระทบจริง

สามข้อโต้แย้งที่ชี้ขาดในทางปฏิบัติ

แล้วอันไหน

ผลิตภัณฑ์

ทรัพยากร

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล