Eleven v4 so với Gemini 3.1 Flash TTS: Khoảng cách 116 điểm, và mô hình Google rẻ hơn

Shopping for Goog​le's voice today, you will land on the wrong one. Goog​le Gemini 3.1 Flash TTS is listed at rank 11 on Artificial Analysis' Provider Voice Arena with an Elo of 1,203 across 3,512 appearances, at $18.31 per million characters. ElevenLabs Eleven v4, released September 28, 2026, sits at rank 1 with an Elo of 1,319 across 1,674 appearances, at $80.00 per million. That looks like a 116-point gap against a cheaper challenger — until you notice that Goog​le's own Gemini 3.8 Flash TTS sits third on the same board at 1,267 and a lower normalised price of $16.49. The real contest is not the one the headline matchup implies, and the reason is a release date.

Một trong những thứ này mới hơn vẻ ngoài mười tám tháng.

Gemini 3.1 Flash TTS mang ngày phát hành 15 tháng 4 năm 2026 trên bảng xếp hạng. Eleven v4 mang ngày 28 tháng 9 năm 2026. Đó là năm tháng rưỡi, không phải là một thế hệ trong tổng hợp giọng nói nhưng đủ dài để Google đã tung ra một sản phẩm kế nhiệm: Gemini 3.8 Flash TTS và Gemini 3.8 Flash-Lite TTS đều được phát hành chính thức vào ngày 23 tháng 9 năm 2026, sớm năm ngày trước Eleven v4, và cả hai đều được xếp hạng trên 3.1 trên cùng bảng xếp hạng. Gemini 3.8 Flash-Lite TTS đứng thứ sáu với 1.241 và 11,03 đô la Mỹ cho mỗi triệu.

Vậy so sánh trung thực có ba điểm, chứ không phải hai, và việc sắp xếp theo giá chính là phần thú vị:

• Hạng 1, ElevenLabs Eleven v4 — Elo 1.319, $80,00 mỗi triệu ký tự, 1.674 lần xuất hiện, khoảng tin cậy ±19

• Xếp hạng 3, Google Gemini 3.8 Flash TTS — Elo 1.267, $16,49 cho mỗi triệu ký tự, phát hành ngày 23 tháng 9 năm 2026

• Xếp hạng 6, Google Gemini 3.8 Flash-Lite TTS — Elo 1.241, 11,03 USD cho mỗi triệu ký tự, phát hành ngày 23 tháng 9 năm 2026

• Hạng 11, Google Gemini 3.1 Flash TTS — Elo 1.203, 18,31 đô la cho mỗi triệu ký tự, phát hành ngày 15 tháng 4 năm 2026, 3.512 lần xuất hiện, khoảng tin cậy ±12

Hãy để ý xem các khoảng này tác động thế nào đến thứ tự đó. Gemini 3.1 Flash TTS ước tính 1.203 với khoảng ±12, nên giá trị thực của nó nằm đâu đó trong khoảng 1.191 đến 1.215. Eleven v4 ước tính 1.319 với khoảng ±19 — đại khái từ 1.300 đến 1.338. Hai dải này không chạm nhau, và khoảng cách giữa chúng rộng hơn một trăm điểm. Đó là mức rõ ràng nhất mà một bảng ưu tiên có thể đạt được.

Vì sao số lượng mẫu quan trọng hơn thứ hạng

Gemini 3.1 Flash TTS có 3.512 lần xuất hiện chống lưng cho ước tính của nó; Eleven v4 có 1.674, vì nó mới chỉ một ngày tuổi trên bảng này. Ước tính của một mô hình mới hơn mang theo nhiều bất định hơn trên mỗi mẫu, và khoảng ±19 phản ánh điều đó. Nếu bạn là kiểu người mua chờ một con số ổn định, quy tắc ngón tay cái là thứ tự xếp hạng vượt trên độ rộng khoảng tin cậy chính là phần bạn có thể hành động dựa vào. Ở đây, thứ hạng này vượt qua các thanh sai số của nó một cách thoải mái theo cả hai hướng — xếp trên 3.8 Flash TTS và không đứng sau ai trong so sánh này.

Đấu trường cũng đếm số giọng trong đấu trường: tám giọng cho Eleven v4, bảy giọng cho Gemini 3.1 Flash TTS. Đó là số lượng giọng riêng biệt của nhà cung cấp được dùng trong các bài kiểm tra mù, và là một cách ước lượng thô cho thấy một nhà cung cấp mang đến bao nhiêu phần của dàn giọng mặc định. Thứ hạng 1 của Eleven v4 đạt được với tám giọng, nghĩa là chiến thắng này không chỉ đến từ một người dẫn chuyện may mắn duy nhất.

Những khác biệt về năng lực mà Elo không định giá

Các bảng xếp hạng đo lường sở thích, chứ không phải độ bao phủ tính năng. Bốn khác biệt quyết định các dự án thực tế và không một khác biệt nào trong số đó xuất hiện trong một Elo.

• Chỉ dẫn kịch bản — Eleven v4 ghi lại các thẻ âm thanh nội tuyến ([cười], [thì thầm], [nói giận dữ bằng giọng Pháp]) và các lệnh gợi ý cách diễn đạt bằng ngôn ngữ tự nhiên; tài liệu về thế hệ 3.1 của Google có nêu việc chọn giọng nói và gợi ý nhưng không có cú pháp thẻ tương đương để chỉ dẫn phần thể hiện.

• Tạo giọng nói — thế hệ Gemini 3.8 đã bổ sung tính năng thiết kế giọng nói từ mô tả bằng văn bản và sao chép giọng nói từ mẫu 30 giây, kèm tính năng gắn thủy vân và siêu dữ liệu nguồn gốc trên đầu ra. Gemini 3.1 Flash TTS ra đời trước đó và đi kèm một bộ giọng nói dựng sẵn.

• Nhân bản từ âm thanh thật — Instant Voice Cloning của Eleven v4 hoạt động chỉ với mười giây âm thanh, với một gói chuyên nghiệp cao cấp hơn ở phía trên. Quy trình nhân bản của Google ở thế hệ 3.8 yêu cầu 30 giây và bổ sung bước xác minh đồng thuận. Các ngưỡng khác nhau, các cơ chế đồng thuận khác nhau.

• Giới hạn đầu vào mỗi yêu cầu — Eleven v4 ghi rõ 10.000 ký tự. Google tính phí các mô hình TTS của mình theo token thay vì ký tự, nên không có giới hạn ký tự mỗi yêu cầu tương đương để so sánh, và không nên đặt hai thước đo cạnh nhau như thể chúng giống nhau.

Điểm cuối cùng đó chính là điểm làm rối các bảng tính mua sắm. ElevenLabs báo giá mỗi 1.000 ký tự. Google báo giá mỗi triệu token, đầu vào và đầu ra. Artificial Analysis chuẩn hóa cả hai về một trục tính theo mỗi triệu ký tự — đó là nơi $80.00 và $18.31 xuất phát — nhưng việc chuẩn hóa là quy đổi của bảng xếp hạng, không phải hóa đơn của bên cung cấp nào. Hãy dùng nó để xếp hạng, không phải để dự báo.

Bảng giá Eleven v4 tác động thế nào đến so sánh này

Trong hai tuần, bảng so sánh giá ở trên sai theo hướng có lợi cho ElevenLabs, và sau đó lại sai theo hướng bất lợi cho họ. Trên trang định giá API của ElevenLabs, Eleven v4 được niêm yết ở mức $0,022 cho mỗi 1.000 ký tự, so với giá niêm yết được nêu là $0,08, được ghi là giảm 72% đến ngày 12 tháng 10. Eleven v4 Turbo được niêm yết ở mức $0,011 so với $0,04. Sau ngày 12 tháng 10, con số khuyến mãi biến mất và mức $80,00 một triệu trên bảng giá trở thành mức giá bạn thực sự phải trả.

Hãy tính toán cho một tháng năm triệu ký tự. Eleven v4 tốn $110 trong thời gian ưu đãi và $400 sau đó. Gemini 3.1 Flash TTS, theo mức chuẩn hoá $18.31 của bảng xếp hạng, rơi vào khoảng $92 cho cùng tháng đó — rẻ hơn cả chương trình khuyến mãi và rẻ hơn khoảng bốn lần so với giá niêm yết. Một nhóm chạy benchmark vào tháng Chín và phát hành vào tháng Mười Một sẽ đưa ra quyết định dựa trên một con số không còn tồn tại nữa.

Khi nào định tuyến phù hợp, và khi nào không

Cả hai mô hình này đều không có trong danh mục OrcaRouter. Ở đây không có endpoint ElevenLabs nào và cũng không có endpoint Google TTS nào để gọi, và câu trả lời trung thực cho câu hỏi “làm sao tôi truy cập chúng thông qua bạn” là bạn không thể: Eleven v4 được truy cập qua API riêng của ElevenLabs, còn Gemini 3.1 Flash TTS thì qua API của Google. Nói bất cứ điều gì khác sẽ là bịa ra một tích hợp.

Điều mà một khóa duy nhất mang lại trong một so sánh như thế này chính là bản thân quyết định. Nếu bạn đang cân nhắc giữa một endpoint 400 đô-la một tháng với một endpoint 92 đô-la một tháng, câu trả lời phụ thuộc vào chính các script của bạn, chính các ngôn ngữ của bạn và chính các listener của bạn — và để có được câu trả lời đó, bạn cần gọi cả hai từ cùng một luồng mã với cùng một dạng yêu cầu, thay vì dựng hai tích hợp nhà cung cấp chỉ để chạy một phép thử. OrcaRouter bao phủ lớp đó: hơn 200 mô hình nằm sau một khóa duy nhất với giá niêm yết của nhà cung cấp được chuyển tiếp ở mức 0% markup, nhờ đó thay đổi giá của một nhà cung cấp được phản ánh ngay ngày nó có hiệu lực, cùng với tự động chuyển đổi dự phòng nếu một upstream suy giảm giữa lúc đánh giá.

Ai nên chọn cái nào

Hãy chọn Eleven v4 khi giọng nói chính là sản phẩm. Nó dẫn đầu bảng với cách biệt 116 điểm, với khoảng tin cậy gọn hơn so với mô hình xếp ngay dưới nó; đây là mô hình duy nhất trong hai mô hình có cú pháp thẻ nội tuyến được ghi tài liệu để định hướng hiệu suất, và ngưỡng nhân bản của nó là mười giây thay vì ba mươi giây. Mức giá cao cấp là có thật — gấp bốn lần giá đã chuẩn hóa theo giá niêm yết — và nó đổi lấy vị trí đứng đầu bảng.

Chỉ chọn Gemini 3.1 Flash TTS nếu bạn đã thực sự cam kết với nó. Đây là mô hình thế hệ xem trước đã ra đời được năm tháng, có điểm số thấp hơn và mức giá chuẩn hóa cao hơn bản phát hành tháng 9 của chính Google, và lý do duy nhất để giữ nó là quán tính trong một tích hợp hiện có. Nếu bạn có quán tính đó, việc chuyển đổi trong hệ sinh thái Google sang 3.8 Flash TTS mang lại 64 điểm Elo và mức giá chuẩn hóa thấp hơn mà không cần đổi nhà cung cấp — một trường hợp hiếm hoi khi nâng cấp cũng đồng thời là lựa chọn rẻ hơn.

Với tất cả những người còn lại, câu hỏi nóng hiện tại là Eleven v4 so với Gemini 3.8 Flash TTS, và câu trả lời là một sự đánh đổi thực sự chứ không phải một bảng xếp hạng: 52 điểm Elo và cú pháp thẻ đổi lấy chi phí mỗi ký tự chỉ bằng khoảng một phần năm. Hãy chạy cả hai trên cùng những kịch bản sau ngày 12 tháng 10, khi chương trình khuyến mãi của ElevenLabs không còn nữa và khoảng cách giá chính là mức bạn thực sự sẽ phải trả.