Voxtral 3 TTS vs ElevenLabs: ถูกกว่า 6 เท่า แต่ตามหลังอยู่ 100 คะแนน
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 10 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 150 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 297 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 49 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 826 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 47 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 94 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
Mistral ตั้งราคา Voxtral 3 TTS ไว้ที่ $13 ต่อล้านตัวอักษร และส่งเข้าสู่ตลาดที่โมเดลซึ่งทุกคนใช้เป็นเกณฑ์เปรียบเทียบ คือ ElevenLabs Eleven v4 มีราคา $80 และได้ 1,328 Elo เทียบกับ 1,217 ของ Voxtral นั่นคือความชอบของผู้ฟังแบบ blind ที่มากกว่า 111 คะแนน แลกกับเงินที่แพงกว่า 6.2 เท่า และเมื่อมองผิวเผิน โมเดลราคาถูกก็ยังไม่ใกล้เคียงพอที่จะมีนัยสำคัญ แต่ก็ยังสำคัญอยู่ดี ด้วยเหตุผลที่กระดานคะแนนไม่ได้แสดงให้เห็น: ElevenLabs ไม่ได้ขายแค่การสังเคราะห์เสียงเท่านั้น แต่ขายแพลตฟอร์มเสียง — ไลบรารี การพากย์เสียง เอเจนต์ การโคลนเสียงระดับมืออาชีพ — และทีมส่วนใหญ่ที่จ่าย $80 ต่อล้านตัวอักษรกำลังจ่ายเพื่อแพลตฟอร์มพอ ๆ กับเพื่อเสียง Voxtral 3 TTS ซึ่งเปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 ถูกส่งมาในรูปแบบของ agent SDK และเรื่องเล่าการติดตั้งใช้งานแบบ EU-sovereign แทน การเปรียบเทียบที่ใช้ตัดสินการซื้อจึงไม่ใช่ "อันไหนฟังดีกว่า" เพราะเรื่องนั้นตัดสินได้แล้ว แต่เป็น "ในสองชุดนี้ ชุดไหนคือสิ่งที่คุณต้องการจริง ๆ" ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งมีการบันทึกไว้และอยู่เบื้องหลังการเปิดตัวเช่นนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะข้อโต้แย้งของตัวเอง
สกอร์บอร์ด ก่อนสิ่งอื่นใด
• Elo ของเสียงผู้ให้บริการ — ElevenLabs Eleven v4: 1,328 (#2 จาก 98) Voxtral 3 TTS: 1,217 (#13) ทั้งสองค่าอ้างอิงจาก Artificial Analysis ซึ่งอ่านข้อมูลเมื่อวันที่ 21 ตุลาคม 2026
• Controlled Voice Elo — Eleven v4: 1,157 (#4 เสมอกับ Eleven v4 Turbo) Voxtral 3 TTS: 1,066 (#14)
ราคาตามรายการต่อ 1 ล้านตัวอักษร — $80.00 เทียบกับ $13.00
• ภาษา — ElevenLabs: 74 ภาษาในทุกแพ็กเกจ Voxtral 3 TTS: 35+ ภาษาและ 50+ ภาษาถิ่น พร้อมพรีเซ็ตใน 18 ภาษา
• การโคลนแบบทันที — ElevenLabs: ใช้ไฟล์เสียงประมาณ 30 วินาทีในแผนแบบชำระเงิน Voxtral 3 TTS: ยังไม่มีการเผยแพร่การโคลนแบบทันที; การปรับแต่ง "Pro Voice" ต้องใช้ไฟล์เสียง 30 นาที
• น้ำหนัก — ปิดสำหรับทั้งสอง
หนึ่งบรรทัดในรายการนั้นควรค่าแก่การพิจารณาอีกครั้ง: เรือธงราคาถูกกว่าของ ElevenLabs เอง Eleven v4 Turbo ได้คะแนน 1,333 — สูงกว่า Eleven v4 อยู่ 5 คะแนน ซึ่งอยู่ในช่วงความคลาดเคลื่อน — ที่ราคา 40 ดอลลาร์ต่อหนึ่งล้านตัวอักษร ซึ่งถูกกว่าครึ่งหนึ่งพอดี หากตัวเลือกนั้นเป็นเพียงเรื่องของ "เสียงที่ดีที่สุดที่ ElevenLabs ขาย" Turbo ก็เป็นการซื้อที่สมเหตุสมผล และมันลดช่องว่างที่มีต่อ Voxtral 3 TTS จาก 111 Elo เหลือ 116 ด้วยเงินเพียงสามเท่า บันไดราคาของ ElevenLabs กว้างกว่าที่การเปรียบเทียบส่วนใหญ่ของการจับคู่นี้ยอมรับ
111 คะแนนมีหน้าตาเป็นอย่างไรในผลิตภัณฑ์
ช่องว่าง Elo ขนาดนั้นไม่ใช่เรื่องละเอียดอ่อน ในการฟังแบบปิดตาคู่ขนานกัน มันคือความแตกต่างที่ผู้ฟังสังเกตได้ตั้งแต่ประโยคแรก ไม่ใช่ประโยคที่ห้า — เทียบได้กับช่องว่างระหว่าง Eleven v3 กับ Eleven v4 ในไลน์ผลิตภัณฑ์ของ ElevenLabs เอง (1,182 กับ 1,328) Sonic 3.6 ของ Cartesia ที่ 1,289 อยู่ตรงกลาง และเป็นโมเดลที่บั่นทอนการตีความแบบ "ได้อย่างที่จ่าย" ตรงที่สุด; มันชนะ Voxtral อยู่ 72 และมีราคา $49 ซึ่งเป็นครึ่งหนึ่งของ Eleven v4
จุดที่ช่องว่างกระจุกตัวอยู่คือการควบคุมการถ่ายทอดบนเนื้อหาที่ต้องสื่ออารมณ์ การสร้างเสียงรุ่น v4 ของ ElevenLabs ถูกออกแบบโดยมีแท็กเสียงเป็นแกนกลาง — คำสั่งแบบอินไลน์เรื่องอารมณ์ จังหวะ และการเน้นที่ฝังอยู่ในข้อความ — และมีคลังเสียงที่ลึกมากจนทีมส่วนใหญ่ไม่จำเป็นต้องโคลนเสียงเลยด้วยซ้ำ Voxtral 3 TTS ของ Mistral มีการควบคุมอารมณ์ จังหวะ และการเน้นในระดับพรอมต์ พร้อมด้วยการออกเสียงระดับโฟนีมและคลังคำศัพท์ ทั้งสองเปิดให้ผู้ใช้กำกับได้ ElevenLabs มีฟีดแบ็กสาธารณะมาแล้วสองรุ่นว่าการควบคุมเหล่านี้ทำงานอย่างไรในสภาวะสุดขั้ว ส่วน Voxtral 3 TTS เพิ่งมีเวลาหนึ่งวัน
จุดที่ช่องว่างแคบลงคือภาษาใดก็ตามในยุโรปที่ไม่ใช่ภาษาอังกฤษ โมเดลของ Mistral ถูกสร้างขึ้นโดยเน้นความเป็นหลายภาษาตั้งแต่แรก โดยอ้างว่ามีมากกว่า 50 ภาษาถิ่น/สำเนียง และครอบคลุมภาษาราชการทั้ง 24 ภาษาของสหภาพยุโรปในตระกูลผลิตภัณฑ์ด้านเสียงพูดของบริษัท ElevenLabs ครอบคลุม 74 ภาษา ซึ่งกว้างกว่าในแง่จำนวน แต่ความกว้างของจำนวนกับคุณภาพต่อภาษาเป็นการกล่าวอ้างที่แตกต่างกัน และไม่มีผู้ขายรายใดเผยแพร่คะแนน Elo แยกตามภาษา หากคุณกำลังเปิดตัวผลิตภัณฑ์เป็นภาษาดัตช์ โปแลนด์ หรือโปรตุเกส ไม่มีกระดานคะแนนใดบอกคำตอบให้คุณได้ คุณต้องฟังเอง
สิ่งที่ $80 ต่อล้านตัวอักษรซื้อได้จริง ๆ คืออะไร
นี่คือส่วนของการเปรียบเทียบที่ส่วนต่างราคาไม่ดูเหมือนการบวกกำไรเกินจริงอีกต่อไป อัตราคิดตามจำนวนตัวอักษรของ ElevenLabs ถูกรวมอยู่ในแพลตฟอร์ม 하나: ตลาดเสียงที่ใช้ร่วมกันซึ่งคุณสามารถขอรับสิทธิ์ใช้งานได้แทนการโคลนเสียง, การโคลนเสียงระดับมืออาชีพจากเสียงราว 30 นาทีพร้อมขั้นตอนการให้ความยินยอม, การพากย์เสียง, เอฟเฟกต์เสียง, ชุดเครื่องมือสำหรับเอเจนต์สนทนา และไลบรารี/integration สำหรับลูกค้าที่สั่งสมมาหลายปี ทั้งหมดนี้ไม่ปรากฏบนตารางจัดอันดับ และทั้งหมดล้วนเป็นงานที่ทีมของคุณotherwiseต้องทำเอง
ชุดรวมของ Mistral ชี้ไปคนละทิศทาง โดย Voxtral 3 TTS มาพร้อมกับ SDK สำหรับเอเจนต์เสียงที่สร้างบน LiveKit ซึ่งรองรับ SIP telephony, WebRTC และ IVR พร้อมข้อกล่าวอ้างว่าเทิร์นของเอเจนต์ใช้เวลาต่ำกว่าหนึ่งวินาที และราคาเอเจนต์อยู่ที่ $0.04 ต่อนาที โดยใช้ Mistral Small 4 เป็นโมเดลสำหรับการให้เหตุผล นอกจากนี้ยังมาพร้อมจุดขายเรื่องการติดตั้งแบบ sovereign อย่างชัดเจน ได้แก่ เอนด์พอยต์ใน EU, US และทั่วโลก การติดตั้งเองบนโครงสร้างพื้นฐานส่วนตัว และการให้ความสำคัญอย่างชัดเจนต่อสถานที่ที่เสียงถูกประมวลผลและว่าเสียงนั้นถูกเก็บไว้หรือไม่ สำหรับองค์กรยุโรปหรือผู้ซื้อภาครัฐ นี่คือคำตอบด้านการจัดซื้อจัดจ้างที่ ElevenLabs ยังไม่สามารถเทียบได้ในรูปแบบเดียวกันในปัจจุบัน
พูดง่าย ๆ ว่า ElevenLabs ขายความกว้างของผลิตภัณฑ์ ส่วน Mistral ขายการควบคุมการติดตั้งใช้งาน ทีมที่ต้องการการพากย์เสียง เอฟเฟกต์เสียง และแคตตาล็อกเสียงที่มีลิขสิทธิ์ ไม่ได้กำลังเลือกระหว่างสองเจ้านี้เลยด้วยซ้ำ ทีมที่ต้องการเสียงหนึ่งเสียง ในคู่ภาษาหนึ่งคู่ ที่ทำงานในศูนย์ข้อมูลที่ตนควบคุม กำลังจ่ายเงินให้ ElevenLabs เป็นจำนวนมากในส่วนที่จะไม่ได้เปิดใช้งานเลย
คำถามเรื่องการย้ายถิ่นฐาน ว่ากันตามตรง
กรอบที่ชวนให้หลงเชื่อคือ “ย้ายออกจาก ElevenLabs แล้วประหยัดได้ 84%” ลองคำนวณตัวเลขก่อนจะเชื่อ เพราะการประหยัดนั้นเป็นจริงเฉพาะกับปริมาณงานที่ทนต่อการถอยลงของคุณภาพและฟีเจอร์ที่ขาดหายไปได้เท่านั้น
• การบรรยายล้วน ๆ ในระดับใหญ่ ภาษาเดียว ไม่มีเสียงที่ได้รับอนุญาต — ประหยัดจริง หนึ่งพันชั่วโมงต่อเดือนอยู่ที่ประมาณ $4,320 บน Eleven v4 เทียบกับ $700 บน Voxtral 3 TTS และผู้ฟังไม่ได้ทำการเปรียบเทียบ A/B
• อะไรก็ตามที่ใช้เสียงของคนดังหรือแบรนด์ที่มีลิขสิทธิ์จากไลบรารีของ ElevenLabs — ไม่สามารถย้ายข้อมูลได้ Voxtral 3 TTS ไม่มีมาร์เก็ตเพลส คุณต้องเตรียมไฟล์เสียง 30 นาทีมาเองและสร้างการปรับแต่งเสียงของคุณเอง
• ทุกกรณีที่เป็นส่วนติดต่อกับผู้ใช้ ซึ่งลูกค้าอัปโหลดคลิปสั้น ๆ และคาดหวังว่าจะได้ยินเสียงของตัวเอง — ElevenLabs โคลนเสียงได้ในราว 30 วินาที ส่วน Voxtral ตามเอกสารของ Mistral ไม่มีข้อเสนอการโคลนเสียงแบบทันทีเลย
• อะไรก็ตามที่ใช้ระบบพากย์เสียง เอฟเฟกต์เสียง หรือสแต็กการสนทนาอยู่แล้ว — การเปรียบเทียบที่แท้จริงไม่ใช่ $80 กับ $13 เพราะการจากไปหมายถึงการต้องเปลี่ยนผลิตภัณฑ์ที่ไม่เคยอยู่ในรายการใบแจ้งหนี้เดียวกันเลย
รูปแบบที่สมจริงคือการแยกออกเป็นสองส่วน: เก็บ ElevenLabs ไว้สำหรับส่วนของผลิตภัณฑ์ที่มนุษย์ฟังอย่างใกล้ชิดและอาจเปรียบเทียบ และย้ายการเรนเดอร์จำนวนมากไปยังโมเดลที่ถูกกว่า การทำการแยกนี้ให้ราบรื่นเป็นปัญหาการกำหนดเส้นทางมากกว่าปัญหาการจัดซื้อ OrcaRouter เปิดให้เข้าถึง โมเดล 200+ รายการผ่านคีย์เดียวที่เข้ากันได้กับ OpenAI โดยส่งราคาตามรายการของผู้ให้บริการผ่านมาโดยมีมาร์กอัป 0% ดังนั้นงานบรรยายด้วยเสียงประจำแบรนด์และโคลนเสียงสำหรับลูกค้าจึงสามารถชี้ไปยังแบ็กเอนด์ที่ต่างกันได้โดยไม่ต้องมีสัญญาที่สอง — และหากปลายทางใดปลายทางหนึ่งมีประสิทธิภาพลดลงระหว่างการเรนเดอร์ การสลับไปยังระบบสำรองอัตโนมัติ จะทำให้งานดำเนินต่อไปได้ ณ ขณะเขียนนี้ ทั้ง Voxtral 3 TTS และ ElevenLabs ยังไม่อยู่ในแคตตาล็อกของ OrcaRouter; ทั้งคู่เข้าถึงได้ผ่าน API ของผู้ขายเองและแพลตฟอร์มบุคคลที่สามหลายแห่ง และการออกแบบการกำหนดเส้นทางคือสิ่งที่คุณสร้างไว้ตอนนี้ เพื่อให้การสลับเป็นการเปลี่ยนแปลงการตั้งค่าในภายหลัง
อะไรจะทำให้คำตัดสินนี้เปลี่ยนไปได้
สามพัฒนาการ ซึ่งยังไม่เกิดขึ้นเลยแม้แต่ประการเดียว
ข้อแรกคือตัวเลข latency Mistral ยังไม่ได้เผยแพร่เวลาไปยังเสียงแรก (time-to-first-audio) สำหรับ Voxtral 3 TTS ตัวเลข latency เดียวในเอกสารเปิดตัวเป็นของโมเดลถอดเสียงแบบเรียลไทม์ (ต่ำกว่า 500 มิลลิวินาที) และ agent loop (ต่ำกว่าหนึ่งวินาที) Artificial Analysis รายงาน throughput มัธยฐานที่ 112 ตัวอักษรต่อวินาที ซึ่งเร็วกว่า Eleven v3 ที่ 56 และช้ากว่า Sonic 3.6 ที่ 145 แต่ throughput ไม่ใช่เวลาเริ่มต้น หาก Voxtral 3 TTS สามารถสตรีมได้โดยมีค่าเสียงแรกใกล้เคียงของ Cartesia มันก็เป็นตัวเลือกสำหรับงานโต้ตอบ และราคาของ ElevenLabs ดูแย่ลง หากไม่เป็นเช่นนั้น หมวดหมู่สตรีมมิ่งก็ยังปิดสำหรับมัน และราคา $13 เป็นเพียงราคาสำหรับการเรนเดอร์แบบแบตช์เท่านั้น
ประการที่สองคือการประเมินระดับภาษาโดยอิสระ คะแนนบนกระดานจัดอันดับเป็นแบบรวม โมเดลหนึ่งอาจมี Elo โดยรวม 1,217 แต่อาจดีกว่าหรือแย่กว่ามากในภาษาอิตาลี ผู้ขายทั้งสองรายไม่เผยแพร่ข้อมูลแยกย่อย และสำหรับผู้ซื้อชาวยุโรป นั่นคือตัวเลขที่สำคัญที่สุด
ข้อที่สามคือความทนทาน คลิปใน Arena นั้นสั้น เอกสารของ Mistral ไม่ได้ระบุความยาวสูงสุดในการสร้างสำหรับ endpoint TTS และความสอดคล้องต่อเนื่องในงานยาว ซึ่งเป็นรากฐานที่มรดกด้านการบรรยายของ ElevenLabs สร้างขึ้นมา ยังไม่ได้รับการทดสอบกับ Voxtral 3 TTS ที่ความยาวใด ๆ ซึ่งจะมีความหมายต่อผู้ผลิตหนังสือเสียง
จนกว่าสิ่งเหล่านั้นจะพร้อมใช้งาน การตัดสินใจครั้งนี้ก็ชัดเจนเป็นพิเศษ หากเสียงของผลิตภัณฑ์คุณถูกตัดสินโดยลูกค้าจากคลิปสั้น ๆ ให้จ่ายเงินให้ ElevenLabs และจ่ายสำหรับ Eleven v4 Turbo ที่ $40 แทนรุ่นเรือธงที่ $80 หากเสียงของผลิตภัณฑ์คุณถูกสร้างเป็นจำนวนมาก ในภาษายุโรป บนโครงสร้างพื้นฐานที่คุณควบคุม และถูกเล่นซ้ำแทนการแสดงสด Voxtral 3 TTS ที่ $13 ถือเป็นการเดิมพันที่ป้องกันตัวได้ โดยมีเพดานคุณภาพที่รู้อยู่แล้ว — และเพดานนั้นต่ำกว่าผู้นำตลาดอยู่ 111 คะแนน ซึ่งเป็นตัวเลขที่คุณวางแผนรับมือได้ แทนที่จะเป็นความประหลาดใจที่คุณค้นพบตอนตรวจสอบ
