Gemini 3.8 TTS vs Inworld Realtime TTS-2: Việc bạn tin vào bảng điểm nào sẽ làm thay đổi câu trả lời

Đặt Gemini 3.8 Flash TTS và Inworld Realtime TTS-2 cạnh nhau trên Artificial Analysis Provider Voice Arena thì câu trả lời trông có vẻ hiển nhiên: hạng 2 so với hạng 4, Elo 1.260 so với 1.245, mỗi bên đều có 8 giọng đấu trường, và mức giá chuẩn hoá 16,50 USD trên mỗi triệu ký tự so với 20,80 USD. Nhà cung cấp thắng về vị trí lẫn giá, mà khoảng cách 15 điểm thì dù sao cũng nằm trong khoảng tin cậy của cả hai hàng.

Chuyển sang bảng xếp hạng khác do Artificial Analysis công bố và thứ tự sẽ đảo ngược. Inworld Realtime TTS-2 giữ vị trí đầu bảng trên Controlled Voice Arena với Elo 1.123, còn biến thể Flash của nó đạt 1.075. Đó không phải là khác biệt do làm tròn — mà là một mô hình khác đang giành chiến thắng, và lý do là hai bảng xếp hạng không đo lường cùng một thứ. Nếu bạn đang chọn giọng nói cho một sản phẩm, việc biết trường hợp sử dụng của bạn thực sự đang hỏi câu nào trong hai câu hỏi đó chính là toàn bộ quyết định.

Hai bảng, hai câu hỏi khác nhau

Provider Voice Arena chấm điểm các giọng nói gốc của chính một mô hình — những giọng mà nhà cung cấp phát hành và vận hành. Controlled Voice Arena giữ cố định giọng nói và chấm điểm mức độ thể hiện của mỗi mô hình khi được yêu cầu nói bằng một giọng không phải của chính nó. Cùng giám khảo, cùng kiểu so sánh mù, nhưng khác biến số.

Sự phân biệt đó tương ứng với hai công việc khác nhau:

• Xếp hạng nhà cung cấp trả lời câu hỏi "liệu mô hình này có nghe hay ngay khi dùng mặc định không". Đây là bảng phù hợp cho một sản phẩm đi kèm một bộ giọng người kể chuyện cố định và không bao giờ nhân bản bất cứ thứ gì.

• Xếp hạng có kiểm soát trả lời câu hỏi “mô hình này có tuân theo một đặc tả giọng nói hay không”. Đó là bảng phù hợp cho một sản phẩm mà giọng nói thuộc về khách hàng — giọng thương hiệu được nhân bản, một diễn viên được cấp phép, một danh tính theo từng tenant.

Các mô hình của Google dẫn đầu bảng thứ nhất. Các mô hình của Inworld dẫn đầu bảng thứ hai. Cả hai nhận định đều đúng cùng lúc và không hề mâu thuẫn, đó chính là lý do vì sao một câu trả lời duy nhất cho câu hỏi "mô hình TTS nào là tốt nhất" thường là dấu hiệu cho thấy người viết chỉ chọn một bảng xếp hạng mà không nhìn vào bảng còn lại.

Vị trí số một của Inworld hàm ý gì trên thực tế

Một kết quả Controlled ở vị trí đầu tiên là một tuyên bố về mức độ trung thành với một chỉ dẫn, và mức độ trung thành với một chỉ dẫn chính là thuộc tính quyết định liệu việc nhân bản có dùng được hay không.

Quy trình nhân bản của Inworld có hai hình thức. Nhân bản tức thì hoạt động từ một mẫu ngắn — con số của nhà cung cấp là 5 đến 15 giây âm thanh tham chiếu — còn một gói nhân bản chuyên nghiệp đang ở giai đoạn beta và yêu cầu khoảng mười phút. Cả hai đều do nhà cung cấp báo cáo, và không bên nào được arena xác minh độc lập; điều arena đo lường là hành vi của mô hình sau khi nó đã có giọng nói, chứ không phải chất lượng của bước nhân bản đã tạo ra giọng đó.

Những tuyên bố về độ trễ gắn với dòng mô hình này thuộc cùng một loại. Chỉ số byte đầu tiên của biến thể Flash — 25 mili giây, được báo cáo qua một phép đo của bên thứ ba — và các con số p99 cho mô hình đầy đủ đều là của chính Inworld, còn đấu trường thì không có gì để nói về cả hai. Chúng có vẻ hợp lý đối với một mô hình hướng thời gian thực và đều chưa được kiểm chứng, đó là cách đúng đắn để nhìn nhận chúng.

Vậy cách hiểu thực tế là: nếu sản phẩm của bạn nhân bản giọng nói, kết quả Controlled của Inworld là chỉ số liên quan hơn trong hai điểm số, và đó là lý do vì sao thứ hạng Provider thấp hơn không khiến nó bị loại. Nếu sản phẩm của bạn không nhân bản giọng nói, lợi thế đó sẽ vô hình với bạn và bảng Provider mới là thứ cần đọc.

Thang giá có ba nấc, và nấc rẻ nhất là một gói đăng ký

So sánh một mức giá với một mức giá sẽ khiến cuộc đối đầu này sai lệch, bởi vì Inworld không có một mức giá — mà có cả một thang bậc.

• Theo yêu cầu — Realtime TTS-2 ở mức 25,00 USD cho mỗi triệu ký tự, Flash ở mức 15,00 USD. Đây là mức giá mà người gọi theo hình thức trả theo mức sử dụng nhìn thấy, và đây là con số do chính nhà cung cấp công bố.

• Gói Creator — $20.00 và $10.00 cho cùng hai mô hình, tức mức giảm 20% và 33% khi cam kết dùng gói thay vì trả theo mức sử dụng. Do nhà cung cấp báo cáo, và đây là bậc đáng kiểm tra lại nhất trên trang giá trực tiếp trước khi bạn cam kết, vì các điều khoản gói thay đổi nhanh hơn giá niêm yết.

• Đã chuẩn hoá — cách quy đổi trên mỗi triệu ký tự của arena cho ra $20.80 đối với Realtime TTS-2 và $10.40 đối với Flash, đây là phép tính của bảng xếp hạng chứ không phải báo giá của bất kỳ nhà cung cấp nào.

Đối lại, mức giá của Google dựa trên token và mang tính khuyến mại: 0,50 USD cho mỗi triệu token văn bản đầu vào và 9,00 USD cho mỗi triệu token âm thanh đầu ra cho đến hết ngày 31 tháng 12 năm 2026, sau đó là 18,00 USD; Flash-Lite TTS là 0,50 USD và 6,00 USD, sau đó là 12,00 USD. Sau khi chuẩn hoá, con số đó là 16,50 USD và 11,00 USD.

Đọc hai điều này cùng nhau, bức tranh sẽ thú vị hơn câu "Google rẻ hơn". Dựa trên các con số được công bố hôm nay, Flash TTS là mô hình rẻ nhất trong ba mô hình và biến thể Flash của Inworld là rẻ thứ hai — hai mô hình Flash đủ sát nhau đến mức một thay đổi nhỏ trong tỷ lệ âm thanh-văn bản của bạn có thể đảo ngược xem mô hình nào tính phí thấp hơn. Vào ngày 1 tháng 1 năm 2027, khi mức giá của Google tăng gấp đôi, thứ tự sẽ ổn định và Inworld trở thành lựa chọn rẻ hơn ở mọi bậc trong thang giá của nó. Bất kỳ ai so sánh hai dịch vụ này vào tháng 9 và chốt vào tháng 12 đều đang so sánh sai con số.

Trong trường hợp nào mỗi lựa chọn là câu trả lời tốt hơn

Hai mô hình đủ tương đồng về chất lượng đến mức các yếu tố khác biệt mang tính cấu trúc, nên phiên bản trung thực là một danh sách các điều kiện thay vì một phán quyết.

Hãy chọn Gemini 3.8 Flash TTS khi bạn được tự chọn giọng nói. Thiết kế giọng nói từ mô tả bằng văn bản, hội thoại hai người nói trong một lần gọi duy nhất, tùy chỉnh phong cách theo từng lượt, và độ phủ ngôn ngữ rộng nhất trong hai mô hình theo chính thống kê của Google — không điều nào trong số đó Inworld sánh bằng trong so sánh này. Đây cũng là mô hình rẻ hơn hiện nay, và người anh em Flash-Lite của nó mang đến cho bạn mức giá thứ hai trong cùng một API.

Chọn Inworld Realtime TTS-2 khi giọng nói là của chính khách hàng. Một dòng Controlled Voice hàng đầu, một lối nhân bản tức thì chỉ tính bằng vài giây âm thanh tham chiếu, một gói nhân bản chuyên nghiệp cho những trường hợp cần nhiều hơn, và định hướng thời gian thực được hậu thuẫn bởi các tuyên bố về byte đầu tiên mà nhà cung cấp công bố — kèm lưu ý rằng những tuyên bố đó là của nhà cung cấp. Theo tài liệu của chính nhà cung cấp, nó chỉ hỗ trợ tiếng Anh, đây là một ràng buộc cứng nếu bạn cần bất kỳ thứ gì khác.

Không mô hình nào trong hai mô hình này được OrcaRouter lưu trữ, và điều đó đáng được nói thẳng ra thay vì ngầm hiểu theo hướng khác: nơi để gọi Gemini 3.8 Flash TTS là API của chính Google cùng những bề mặt mà Google công bố ngày 23 tháng 9, còn nơi để gọi Inworld Realtime TTS-2 là nền tảng của chính Inworld. Điều OrcaRouter hướng tới là mọi thứ xoay quanh lựa chọn đó — hơn 200 mô hình phía sau một khóa duy nhất với giá niêm yết của nhà cung cấp không thêm phụ phí, nên khi nhà cung cấp thay đổi mức giá như đợt điều chỉnh hồi tháng 1 thì bên chúng tôi cập nhật ngay trong cùng ngày, chuyển đổi dự phòng tự động để một mô hình đang được đánh giá không nhất thiết phải trở thành phụ thuộc cho môi trường sản xuất, cùng một DSL định tuyến để kết hợp các mô hình vào một lệnh gọi khi không có giọng nào đảm đương được toàn bộ công việc.

Lý do để giữ cả hai điều này trong danh sách cân nhắc là việc thay đổi tỷ lệ tháng Một và sự phân biệt Controlled so với Provider là hai lý do riêng biệt khiến câu trả lời có thể thay đổi. Một pipeline chỉ có thể gọi một trong hai thì không thể theo được cái nào cả.