Voxtral 3 TTS so với ElevenLabs: Rẻ hơn sáu lần, kém một trăm điểm

Mistral đã định giá Voxtral 3 T​TS ở mức 13 USD mỗi triệu ký tự và tung nó ra thị trường nơi mô hình mà ai cũng lấy làm chuẩn so sánh, ElevenLabs Eleven v4, có giá 80 USD và đạt 1.328 Elo so với 1.217 của Voxtral. Đó là 111 điểm sở thích của người nghe mù với mức giá gấp 6,2 lần, và xét bề ngoài thì mô hình rẻ không đủ gần để có ý nghĩa. Nhưng nó vẫn có ý nghĩa, vì một lý do mà bảng điểm không thể hiện: ElevenLabs không chỉ bán tổng hợp giọng nói. Họ bán một nền tảng giọng nói — thư viện giọng, lồng tiếng, agent, nhân bản giọng chuyên nghiệp — và phần lớn những đội trả 80 USD một triệu ký tự đang trả tiền cho nền tảng nhiều ngang với cho giọng nói. Voxtral 3 T​TS, phát hành ngày 20 tháng 10 năm 2026, lại xuất hiện bên trong một SDK agent và một câu chuyện triển khai có chủ quyền EU. Vì vậy, phép so sánh quyết định việc mua không phải là "cái nào nghe hay hơn", vì điều đó đã ngã ngũ, mà là "gói nào trong hai gói đó là thứ bạn thực sự cần". Những sự cố AI và sự cố agent được ghi chép đằng sau những bản phát hành như bản này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Bảng điểm, trước bất cứ điều gì khác

• Elo giọng nói của nhà cung cấp — ElevenLabs Eleven v4: 1.328 (#2 trong số 98). Voxtral 3 TTS: 1.217 (#13). Cả hai theo Artificial Analysis, đọc ngày 21 tháng 10 năm 2026.

• Elo Giọng nói được kiểm soát — Eleven v4: 1.157 (#4, đồng hạng với Eleven v4 Turbo). Voxtral 3 TTS: 1.066 (#14).

• Giá niêm yết trên mỗi 1 triệu ký tự — 80,00 USD so với 13,00 USD.

• Ngôn ngữ — ElevenLabs: 74 trên tất cả các gói. Voxtral 3 TTS: hơn 35 ngôn ngữ và hơn 50 phương ngữ, với các preset ở 18 ngôn ngữ.

• Nhân bản tức thì — ElevenLabs: chỉ từ khoảng 30 giây âm thanh trên các gói trả phí. Voxtral 3 TTS: chưa công bố tính năng nhân bản tức thì; tính năng thích ứng "Pro Voice" cần 30 phút âm thanh.

• Trọng số — đã đóng cho cả hai.

Một dòng trong danh sách đó đáng để xem xét kỹ hơn: mẫu flagship rẻ hơn của chính ElevenLabs. Eleven v4 Turbo đạt 1.333 điểm — cao hơn Eleven v4 năm điểm, nằm trong ngưỡng nhiễu — với mức $40 mỗi triệu ký tự, đúng bằng một nửa giá. Nếu lựa chọn thuần túy là "giọng nói tốt nhất mà ElevenLabs bán", thì Turbo là lựa chọn hợp lý và nó thu hẹp khoảng cách với Voxtral 3 TTS từ 111 Elo xuống 116 chỉ với chi phí gấp ba lần. Thang giá của ElevenLabs rộng hơn mức mà hầu hết các so sánh về cặp đấu này thừa nhận.

111 điểm trông như thế nào trong một sản phẩm

Một khoảng cách Elo lớn như vậy không hề khó nhận ra. Trong bài nghe so sánh song song ẩn danh, đó là khác biệt mà người nghe nhận thấy ngay ở câu đầu tiên, chứ không phải câu thứ năm — tương đương với khoảng cách giữa Eleven v3 và Eleven v4 trong chính dòng sản phẩm của ElevenLabs (1,182 so với 1,328). Sonic 3.6 của Cartesia, với 1,289, nằm ở giữa và là mô hình làm lung lay trực tiếp nhất cách hiểu "bạn nhận được đúng thứ mình trả tiền"; nó vượt Voxtral 72 điểm và có giá $49, bằng một nửa Eleven v4.

Điểm mà khoảng cách tập trung lại là khả năng điều khiển cách thể hiện trên chất liệu biểu cảm. Thế hệ v4 của ElevenLabs được xây dựng quanh các thẻ audio — những chỉ dẫn nội tuyến về cảm xúc, nhịp độ và nhấn mạnh được nhúng ngay trong văn bản — và quanh một thư viện giọng nói đủ sâu đến mức hầu hết các đội nhóm chẳng bao giờ phải nhân bản giọng nói. Voxtral 3 TTS của Mistral cung cấp khả năng điều khiển ở cấp độ prompt đối với cảm xúc, nhịp độ và nhấn mạnh, cùng với phát âm ở cấp độ âm vị và một thư viện từ vựng. Cả hai đều phơi bày khả năng chỉ đạo. ElevenLabs đã có hai thế hệ phản hồi công khai về cách những nút điều khiển đó hành xử ở các vùng biên, còn Voxtral 3 TTS mới chỉ có một ngày.

Điểm mà khoảng cách thu hẹp lại là bất kỳ ngôn ngữ châu Âu nào không phải tiếng Anh. Mô hình của Mistral được xây dựng theo hướng đa ngôn ngữ ngay từ đầu, với hơn 50 phương ngữ được tuyên bố và tất cả 24 ngôn ngữ chính thức của EU đều được bao phủ trong dòng sản phẩm giọng nói của hãng. ElevenLabs bao phủ 74 ngôn ngữ, rộng hơn về số lượng, nhưng độ rộng về số lượng và chất lượng theo từng ngôn ngữ là những tuyên bố khác nhau, và cả hai nhà cung cấp đều không công bố Elo theo từng ngôn ngữ. Nếu bạn đang triển khai tiếng Hà Lan, tiếng Ba Lan hay tiếng Bồ Đào Nha, không bảng điểm nào cho bạn câu trả lời; bạn phải nghe.

80 USD một triệu ký tự thực sự đang mua được gì

Đây là phần của so sánh mà ở đó chênh lệch giá không còn giống như một khoản tăng giá. Mức giá theo ký tự của ElevenLabs được gói vào một nền tảng: một chợ giọng nói dùng chung mà bạn có thể cấp phép từ đó thay vì phải nhân bản, nhân bản giọng chuyên nghiệp từ khoảng 30 phút âm thanh với quy trình lấy sự đồng ý, lồng tiếng, hiệu ứng âm thanh, bộ công cụ tác nhân hội thoại, cùng nhiều năm thư viện khách hàng và tích hợp. Không có thứ nào trong số đó xuất hiện trên bảng xếp hạng, và tất cả đều là công việc mà nếu không có nó, một đội ngũ sẽ phải tự đảm nhận.

Gói của Mistral lại hướng theo một hướng khác. Voxtral 3 TTS đi kèm một SDK tác nhân thoại dựa trên LiveKit, với hỗ trợ điện thoại SIP, WebRTC và IVR, thời gian phản hồi mỗi lượt tác nhân được công bố dưới một giây, cùng mức giá tác nhân $0.04 mỗi phút và Mistral Small 4 làm mô hình suy luận. Gói này còn đi kèm một định hướng triển khai có chủ quyền rõ ràng: các điểm cuối EU, Mỹ và toàn cầu, tự triển khai trên hạ tầng riêng, và mối quan tâm được nêu rõ về nơi âm thanh được xử lý cũng như liệu âm thanh có được lưu giữ hay không. Đối với một doanh nghiệp châu Âu hoặc một bên mua trong khu vực công, đó là một câu trả lời về mua sắm mà ElevenLabs hiện chưa đáp ứng được ở cùng hình thức.

Nói một cách đơn giản: ElevenLabs bán sự đa dạng về sản phẩm, còn Mistral bán quyền kiểm soát triển khai. Một đội ngũ cần lồng tiếng, hiệu ứng âm thanh và một danh mục giọng nói được cấp phép thì hoàn toàn không phải đang lựa chọn giữa hai bên này. Một đội ngũ chỉ cần một giọng nói, trong một cặp ngôn ngữ, chạy trong trung tâm dữ liệu do mình kiểm soát, thì đang phải trả tiền cho rất nhiều thứ của ElevenLabs mà họ sẽ không bao giờ bật lên dùng.

Câu hỏi về di cư, nói thật

Cách diễn đạt đầy cám dỗ là "chuyển từ ElevenLabs và tiết kiệm 84%". Hãy kiểm tra các con số trước khi tin vào điều đó, vì khoản tiết kiệm chỉ thực sự có ý nghĩa với những khối lượng công việc có thể chấp nhận sự suy giảm chất lượng và các tính năng bị thiếu.

• Tường thuật thuần túy ở quy mô lớn, một ngôn ngữ duy nhất, không dùng giọng đọc được cấp phép — khoản tiết kiệm là có thật. Một nghìn giờ mỗi tháng tốn khoảng 4.320 đô la với Eleven v4 so với 700 đô la với Voxtral 3 TTS, và người nghe không thực hiện so sánh A/B.

• Bất kỳ nội dung nào sử dụng giọng nói của người nổi tiếng hoặc thương hiệu đã được cấp phép từ thư viện ElevenLabs — không thể chuyển đổi. Voxtral 3 TTS không có marketplace; bạn cung cấp 30 phút âm thanh và tự tạo bản chuyển thể của riêng mình.

• Bất kỳ trường hợp nào hướng đến người dùng mà khách hàng tải lên một clip ngắn và mong muốn nghe thấy chính giọng mình — ElevenLabs nhân bản trong khoảng 30 giây và Voxtral, theo tài liệu của Mistral, hoàn toàn không cung cấp tính năng nhân bản tức thì.

• Bất kỳ thứ gì đã sử dụng tính năng lồng tiếng, hiệu ứng âm thanh hoặc bộ công cụ hội thoại — phép so sánh thực tế không phải là 80 đô-la so với 13 đô-la, vì việc rời đi đồng nghĩa với thay thế những sản phẩm chưa từng nằm trên cùng một dòng hóa đơn.

Mô hình thực tế là chia tách: giữ ElevenLabs cho những phần của sản phẩm nơi con người đang nghe kỹ và có thể so sánh, đồng thời chuyển việc render hàng loạt sang mô hình rẻ hơn. Triển khai sự chia tách đó một cách gọn gàng là bài toán định tuyến chứ không phải bài toán mua sắm. OrcaRouter cung cấp hơn 200 mô hình sau một khóa tương thích OpenAI duy nhất với giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, không cộng thêm phí, nên một tác vụ thuyết minh bằng giọng thương hiệu và một bản sao giọng dành cho khách hàng có thể trỏ tới các backend khác nhau mà không cần hợp đồng thứ hai — và nếu một endpoint bị suy giảm giữa lúc render, chuyển đổi dự phòng tự động sẽ giữ cho tác vụ tiếp tục chạy. Tính đến thời điểm viết bài này, cả Voxtral 3 T​TS lẫn ElevenLabs đều không có trong danh mục của OrcaRouter; cả hai đều có thể truy cập qua API riêng của nhà cung cấp và một số nền tảng bên thứ ba, và thiết kế định tuyến là thứ bạn xây dựng ngay bây giờ để việc chuyển đổi sau này chỉ là thay đổi cấu hình.

Điều gì sẽ thay đổi phán quyết này

Ba diễn biến, chưa có diễn biến nào xảy ra.

Đầu tiên là một con số độ trễ. Mistral chưa công bố thời gian đến âm thanh đầu tiên cho Voxtral 3 TTS. Các số liệu độ trễ duy nhất trong tài liệu ra mắt thuộc về mô hình phiên âm thời gian thực (dưới 500ms) và vòng lặp tác nhân (dưới một giây). Artificial Analysis báo cáo thông lượng trung vị 112 ký tự mỗi giây, nhanh hơn 56 của Eleven v3 và chậm hơn 145 của Sonic 3.6, nhưng thông lượng không phải thời gian khởi động. Nếu Voxtral 3 TTS hóa ra có thể phát trực tuyến với con số âm thanh đầu tiên gần với Cartesia, nó trở thành ứng viên cho công việc tương tác và mức giá của ElevenLabs trông kém hấp dẫn hơn. Nếu không, hạng mục phát trực tuyến vẫn đóng với nó và mức 13 đô la chỉ là giá kết xuất hàng loạt.

Thứ hai là đánh giá độc lập ở cấp độ ngôn ngữ. Điểm trên bảng xếp hạng là điểm tổng hợp; một mô hình có thể có 1.217 Elo tổng thể và tốt hơn nhiều hoặc kém hơn nhiều ở tiếng Ý. Cả hai nhà cung cấp đều không công bố bản phân tích chi tiết, và với một người mua châu Âu thì đó chính là con số quan trọng nhất.

Điều thứ ba là sức bền. Các clip Arena đều ngắn. Tài liệu của Mistral không nêu độ dài tạo tối đa cho endpoint TTS, và tính mạch lạc dạng dài — thứ mà di sản tường thuật của ElevenLabs được xây dựng trên đó — chưa được kiểm chứng đối với Voxtral 3 TTS ở bất kỳ độ dài nào có ý nghĩa với một nhà sản xuất sách nói.

Cho đến khi những điều đó thành hiện thực, quyết định này rõ ràng một cách bất thường. Nếu giọng nói của sản phẩm bạn được khách hàng đánh giá qua một clip ngắn, hãy trả phí cho ElevenLabs, và trả cho Eleven v4 Turbo ở mức $40 thay vì bản flagship $80. Nếu giọng nói của sản phẩm bạn được tạo hàng loạt, bằng một ngôn ngữ châu Âu, trên hạ tầng do bạn kiểm soát, và được phát lại thay vì biểu diễn trực tiếp, thì Voxtral 3 T​TS ở mức $13 là một canh bạc có cơ sở với mức trần chất lượng đã biết — và mức trần đó thấp hơn 111 điểm so với đối thủ hiện hành, một con số bạn có thể lên kế hoạch dựa vào thay vì một bất ngờ phát hiện ra khi đánh giá.