Voxtral 3 TTS vs Cartesia Sonic 3.6: 72 Elo với mức giá gấp 3,8 lần

Cartesia Sonic 3.6 thắng ở luận điểm chất lượng còn Voxtral 3 T​TS thắng ở hóa đơn, và độ lớn của cả hai khoảng cách chính là toàn bộ phép so sánh. Trên bảng xếp hạng Provider Voice của Artificial Analysis ngày 21 tháng 10 năm 2026, Sonic 3.6 đứng ở 1.289 Elo (#4 trong số 98 hệ thống được đánh giá), so với 1.217 của Voxtral 3 T​TS (#13). Khoảng cách là 72 điểm, vượt ra ngoài khoảng tin cậy của hai mô hình một cách rõ rệt. Khoảng cách về giá lại đi theo chiều ngược lại và còn lớn hơn: 49 USD/triệu ký tự cho Sonic 3.6 so với 13 USD cho Voxtral 3 T​TS — gấp 3,8 lần cho một mô hình mà Mistral đã phát hành sớm hơn một ngày so với thời điểm đọc bảng xếp hạng này. Không có con số nào bị tranh cãi. Điều đang được tranh cãi là mức chênh lệch 72 điểm khi nghe mù đáng giá bao nhiêu trong môi trường sản xuất, và điều đó hoàn toàn phụ thuộc vào việc giọng nói đang làm gì. Các lỗi AI và sự cố tác nhân đã được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Đầu tiên, những gì các bo mạch thực sự đo được

Cả hai con số đều đến từ cùng một nguồn, điều này quan trọng hơn bình thường trong một lĩnh vực mà mỗi nhà cung cấp đều công bố nghiên cứu sở thích của riêng mình. Artificial Analysis vận hành hai bảng xếp hạng, và cả hai mô hình đều xuất hiện trên cả hai bảng.

• Giọng nói nhà cung cấp — mỗi mô hình được đánh giá bằng chính các giọng nói gốc của nó. Sonic 3.6: 1.289 Elo, #4, khoảng tin cậy 95% 1.275–1.303, 2.732 lượt so sánh. Voxtral 3 T​TS: 1.217 Elo, #13, khoảng 1.202–1.232, 1.619 lượt so sánh.

• Giọng nói được kiểm soát — mỗi mô hình đều được nhân bản trên cùng tám giọng tham chiếu, để người nghe so sánh engine thay vì việc lựa chọn giọng. Sonic 3.6: 1,151 Elo, #5, khoảng 1,138–1,164. Voxtral 3 T​TS: 1,066 Elo, #14, khoảng 1,049–1,083.

• Đã phát hành — Sonic 3.6 vào tháng 8 năm 2026; Voxtral 3 T​TS vào ngày 20 tháng 10 năm 2026.

• Giá niêm yết — $49,00 cho mỗi 1 triệu ký tự so với $13,00 cho mỗi 1 triệu ký tự, cả hai đều được Artificial Analysis theo dõi và khớp với mức giá công khai của từng nhà cung cấp.

• Thông lượng — trung vị 145 ký tự mỗi giây đối với Sonic 3.6 so với 112 đối với Voxtral 3 TTS, được đo bởi Artificial Analysis.

• Trọng số — đóng đối với cả hai. Cả hai đều không thể tự vận hành theo một giấy phép permissive.

Hai chi tiết về bảng đó rất dễ bị bỏ qua và không nên bị bỏ qua. Kết quả Controlled Voice là kết quả trung thực hơn trong hai, vì nó loại bỏ lợi thế của việc có một thư viện giọng nói tốt, và ở đó khoảng cách mở rộng từ 72 điểm lên 85. Sonic 3.6 không thắng ở việc tuyển chọn giọng nói; nó thắng ở khâu tổng hợp. Chi tiết thứ hai là số lượng mẫu. Voxtral 3 T​TS có 1.619 phép so sánh trên bảng của nhà cung cấp, ít hơn khoảng 40% so với Sonic 3.6, và khoảng tin cậy của nó cũng rộng hơn tương ứng. Điểm số ngày thứ hai là điểm thật, nhưng nó sẽ thay đổi.

72 Elo đến từ đâu, theo từng tính năng

Elo là tổng các ưu tiên, không phải chẩn đoán, nên đáng để hỏi những quyết định sản phẩm nào đã tạo ra nó. Hai mô hình được xây dựng cho những công việc khác nhau và các thông số kỹ thuật cho thấy điều đó.

Cartesia đã xây dựng một engine truyền phát trực tuyến. Tuyên bố nổi bật của Sonic 3.6 là âm thanh đầu tiên trong dưới 90 mili giây, đến từ một trang nhà cung cấp đặt tốc độ lên hàng đầu. Các điều khiển của nó chính là những gì một nhân viên trực tuyến cần: các tín hiệu nhúng như tiếng cười, điều chỉnh âm lượng và tốc độ, từ điển phát âm tùy chỉnh, cảm xúc được suy ra từ ngữ cảnh. Đây là một mô hình được thiết kế để được gọi giữa cuộc hội thoại và bắt đầu nói gần như ngay lập tức.

Mistral đã xây dựng một giọng nói phòng thu với lớp vỏ dành cho doanh nghiệp. Voxtral 3 TTS cung cấp hơn 35 ngôn ngữ và hơn 50 phương ngữ, các preset giọng nói trong 18 ngôn ngữ, khả năng kiểm soát ở cấp độ lời nhắc đối với cảm xúc, nhịp độ và sự nhấn mạnh, cách phát âm ở cấp độ âm vị, cùng một thư viện từ vựng. Câu chuyện nhân bản của nó là “Pro Voice”: 30 phút âm thanh để tái tạo đặc điểm, phạm vi cảm xúc và phong cách của một người nói xuyên ngôn ngữ. Đó là một quy trình thích ứng, không phải nhân bản tức thì.

Hệ quả thực tế là hai mô hình không cạnh tranh cho cùng một vị trí. Quy trình thích ứng giọng nói trong 30 phút là một hoạt động về giọng thương hiệu; bản sao tức thời trong 10 giây là một tính năng dành cho người dùng. Nếu sản phẩm của bạn cho phép khách hàng tải lên một đoạn clip và nghe chính họ trong một giọng nói được tạo ra, Sonic 3.6 làm được điều đó còn Voxtral 3 TTS, như được tài liệu hóa, thì không.

Sự bất đối xứng về độ trễ càng làm trầm trọng thêm vấn đề. Cartesia công bố một con số độ trễ còn Mistral thì không. Voxtral 3 T​TS không công bố thời gian đến âm thanh đầu tiên ở bất kỳ đâu trong tài liệu ra mắt; con số gần nhất là tuyên bố dưới 500ms trên mô hình chuyển giọng nói thời gian thực riêng biệt. Một con số bị thiếu không phải là con số tồi, nhưng trong một quyết định mua, đó là rủi ro bạn phải gánh chịu, và nhà cung cấp công bố con số của mình là lựa chọn mặc định an toàn hơn cho bất kỳ thứ gì tương tác.

Phép tính chi phí, ở quy mô mà nó thực sự gây tác động

Định giá theo ký tự trông có vẻ trừu tượng cho đến khi được nhân với khối lượng. Với khoảng 900 ký tự mỗi phút nói, một giờ nói liên tục là khoảng 54.000 ký tự.

• Một giờ âm thanh — Sonic 3.6: khoảng 2,65 USD. Voxtral 3 TTS: khoảng 0,70 USD.

• Một nghìn giờ mỗi tháng — Sonic 3.6: khoảng 2.650 USD. Voxtral 3 TTS: khoảng 700 USD. Chênh lệch khoảng 23.400 USD một năm.

• Mười nghìn giờ mỗi tháng — Sonic 3.6: khoảng 26.500 USD. Voxtral 3 T​TS: khoảng 7.000 USD. Chênh lệch khoảng 234.000 USD một năm.

Ở mức thấp của khoảng đó, chênh lệch chỉ là một mục chi phí mà người ta tranh cãi. Ở mức cao, nó là một suất nhân sự. Đó chính là toàn bộ lập luận dành cho Voxtral 3 T​TS, và đó là một lập luận mạnh với mọi khối lượng công việc mà giọng đọc có dạng dài và được kết xuất trước: sách nói, mô-đun học trực tuyến, thuyết minh danh mục, quy trình lồng tiếng. Trong những công việc đó, Elo 72 thể hiện ở chỗ một tỷ lệ nhỏ câu được đọc kém tự nhiên hơn một chút, và người nghe không so sánh nó với bất cứ thứ gì.

Nơi phép tính thay đổi hình dạng là khi hai mô hình đảm nhận những công việc khác nhau trong cùng một sản phẩm. Một đường dây hỗ trợ cần độ trễ của Sonic 3.6 và khả năng khởi động dưới một giây của nó; phần tường thuật marketing của cùng công ty thì không. Trả $49 cho công việc thứ hai là $49 chi cho một năng lực mà công việc đó không thể dùng đến — và cách gọn gàng nhất để giữ cả hai mà không cần hai quy trình mua sắm là một lớp định tuyến coi mô hình như một tham số. Đó là lập luận ủng hộ thiết lập của OrcaRouter thay vì ủng hộ một trong hai nhà cung cấp: một API tương thích OpenAI trên hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn với mức markup 0%, và một DSL định tuyến có thể gửi một công việc tường thuật hàng loạt và một cuộc gọi thời gian thực đến các backend khác nhau trên cùng một khóa. Tính đến thời điểm viết bài này, cả Sonic 3.6 lẫn Voxtral 3 T​TS đều không có trong danh mục của OrcaRouter, nên hiện nay cả hai đều được truy cập qua API riêng của nhà cung cấp và một số nền tảng bên thứ ba — điểm mấu chốt là hình dạng của tích hợp khi chúng có mặt.

Ba phản đối mang tính quyết định trên thực tế

Đầu tiên là ngôn ngữ. Cartesia quảng cáo 44 ngôn ngữ từ một mô hình. Mistral quảng cáo hơn 35 ngôn ngữ và hơn 50 phương ngữ, với các preset ở 18 ngôn ngữ. Trên giấy tờ, Mistral bao phủ nhiều hơn; trên thực tế, số lượng phương ngữ là một lời hứa về độ rộng bao phủ, không phải lời hứa rằng mọi phương ngữ đã được đánh giá. Nếu lộ trình của bạn bao gồm một thị trường mà cả hai nhà cung cấp đều không có bản demo, hãy yêu cầu bản mẫu thay vì chỉ đọc con số. Điểm duy nhất Mistral mạnh hơn một cách rõ ràng là độ bao phủ châu Âu: họ tuyên bố có đủ 24 ngôn ngữ chính thức của EU cho các mô hình phiên âm và hơn 35 ngôn ngữ cho tổng hợp, và Mistral là một công ty Pháp bán vào quy trình mua sắm của EU với các lựa chọn lưu trú dữ liệu tại các endpoint EU, Mỹ và toàn cầu. Sonic 3.6 không có câu chuyện triển khai có chủ quyền tương đương.

Thứ hai là kiểm soát cách phát âm trong môi trường vận hành. Đây là chỗ khoảng cách Elo gây hiểu lầm nhiều nhất. Một mô hình đọc đúng “Dr. Nguyen” mà không cần từ điển vẫn có thể xếp dưới một mô hình nghe tự nhiên hơn trên văn xuôi thông thường. Voxtral 3 TTS cung cấp một thư viện từ vựng và điều khiển âm vị; Sonic 3.6 cung cấp từ điển phát âm tùy chỉnh và các tín hiệu ngữ điệu nội tuyến. Cả hai đều có tính năng này. Của Mistral hướng đến tên riêng và thuật ngữ thương hiệu trong nội dung doanh nghiệp; của Cartesia hướng đến cùng vấn đề đó bên trong một cuộc gọi phát trực tuyến. Hãy kiểm tra từ vựng của riêng bạn — danh sách tên sản phẩm, họ và từ viết tắt được đọc thành tiếng — trước khi điểm số của bên nào được tính đến.

Điều thứ ba là những gì xảy ra khi một nhà cung cấp gặp một buổi chiều tồi tệ. Một pipeline giọng nói chỉ dùng một endpoint sẽ hỏng theo hướng đóng: endpoint suy giảm và sản phẩm im lặng. Sonic 3.6 và Voxtral 3 T​TS nằm trên các hạ tầng khác nhau với các chế độ lỗi khác nhau, và đường dự phòng giữa chúng đáng được thiết kế trước khi cần đến. Chuyển đổi dự phòng tự động giữa các nhà cung cấp là điều cụ thể mà một router mang lại cho bạn ở đây, và nó có giá trị hơn trong giọng nói so với văn bản, vì một token bị mất thì vô hình, còn một âm tiết bị mất thì không.

Vậy cái nào?

Chọn Cartesia Sonic 3.6 khi giọng nói đang trong một cuộc hội thoại: tổng đài viên điện thoại, trợ lý trong ứng dụng, NPC trong game, bất cứ thứ gì mà âm tiết đầu tiên xuất hiện trước khi người dùng đọc xong vòng xoay tải. Bạn đang trả 49 đô la một triệu ký tự cho một mô hình khởi động dưới 90 mili giây và đạt 1.289 điểm trên bảng xếp hạng, và mức giá này là hợp lý so với mọi mô hình khác trong cùng lớp độ trễ đó.

Chọn Voxtral 3 T​TS khi giọng nói chính là nội dung: tường thuật, lồng tiếng, giọng thương hiệu trên toàn bộ danh mục, bất kỳ thứ gì được kết xuất trước và phát lại. Bạn đang trả $13 cho một mô hình kém người dẫn đầu 72 Elo và rẻ hơn 3,8 lần, với lưu trữ dữ liệu tại EU và quy trình thích ứng giọng nói 30 phút phù hợp hơn với một giọng doanh nghiệp duy nhất so với bản sao giọng theo từng người dùng.

Đừng chọn riêng một loại nào nếu bạn cung cấp cả hai loại âm thanh. Sai lầm cần tránh là chọn một lần rồi sau đó trả mức giá của mô hình cao cấp cho công việc mà mô hình rẻ có thể làm, hoặc phải chịu độ trễ của mô hình rẻ ở nơi mà điều đó gây hậu quả nghiêm trọng. Hai endpoint sau một khóa là cấu hình giúp quyết định không trở thành vĩnh viễn.

Câu hỏi còn bỏ ngỏ là con số độ trễ còn thiếu của Mistral rốt cuộc sẽ là bao nhiêu. Nếu Voxtral 3 T​TS phát trực tuyến với chỉ số âm thanh đầu tiên ở mức đâu đó gần với Cartesia, thì mức giá 13 đô la sẽ trở thành một thực tế khó phản bác hơn nhiều, và 72 Elo sẽ trở thành thứ duy nhất mà Sonic 3.6 vẫn còn. Mistral chưa công bố nó, chưa có bên thứ ba nào đo nó, và cho đến khi một trong những điều đó thay đổi, vị trí phát trực tuyến vẫn mặc định thuộc về Cartesia.