Eleven v4 对决 Cartesia Sonic 3.6：以 43 分的 Elo 差距，对抗便宜 39% 的语音

ElevenLabs Eleven v4在 Artificial Analysis 的 Provider Voice Arena 上比Cartesia Sonic 3.6高出 43 个 Elo 分——1319 对 1276——而且它同样赢下了 Controlled Voice 榜单，位列第二，而 Sonic 3.6 排名第四。但在价格上，它以相反的差距大幅落败：每百万字符 80.00 美元对 49.00 美元，而在发布窗口期内，按厂商自家价目表计算，其每字符费率约为后者的九倍。这是一场罕见的对决：记分板清清楚楚，决定却依旧难做，因为这两个模型实际上并不是在争夺同一份工作。

每个模型分别是什么，各用一段话说明

ElevenLabs Eleven v4 于 9 月 28 日发布，是该公司的旗舰语音合成模型，与 Eleven v4 Turbo 一同推出。文档显示，它支持 90 多种语言，每次请求的输入上限为 10,000 个字符，具备说话人身份稳定的多说话人对话功能，改进了 IPA 音素支持，并提供内联指令，让你可以把表达方式直接写进脚本。语音克隆只需十秒音频即可实现即时克隆，在此之上还提供专业级方案。

Cartesia Sonic 3.6 是 Cartesia 旗下一个以速度和自然度为核心卖点的模型系列的最新版本。其自家产品页面称其为最快、最自然的文本转语音模型，声称延迟低于 90 毫秒，原生支持 44 种语言，可从十秒音频克隆声音，提供自定义发音词典，并具备涵盖 HIPAA、SOC 2 Type 2、GDPR 和 PCI 的合规认证。两家供应商都公布各自模型的延迟数据；这两组数据均未经过独立验证，且测量方式并不相同。

记分牌，逐维度拆解

• 盲选偏好，各厂商自有语音——Eleven v4 排名第 1，Elo 1,319，对比 Sonic 3.6 排名第 2，Elo 1,276。相差 43 分。

• 盲测偏好，匹配的克隆语音——Eleven v4 排名第 2，Elo 1,157，对比 Sonic 3.6 排名第 4，Elo 1,138。19 分的差距，比第一次更窄。

• Arena 价格标准化，按每百万字符计 — Eleven v4 $80.00 对比 Sonic 3.6 $49.00。在榜单的统一基准下，Sonic 便宜 39%。

• 供应商费率表，按每千字符计——Eleven v4 促销价 $0.022，10月12日后为 $0.08，对比 Sonic 3.6 的 $0.049。促销结束后，Sonic 便宜 39%。

• 语言覆盖范围，以厂商文档为准 — Eleven v4 支持 90 多种，Sonic 3.6 支持 44 种。大约是其两倍。

• 每次请求的输入上限 — Eleven v4 为 10,000 个字符，而 Sonic 3.6 未在其产品页面上说明。

• 延迟（厂商自述）——Eleven v4 Turbo 到首次发声的中位延迟约为 150 毫秒，而 Sonic 3.6 低于 90 毫秒。不过，两者的测试条件同样并不相同。

• 语音克隆 — 两者均只需十秒的音频，且均具备更高的专业档位。

• 枚举控制 — Eleven v4 记录了 IPA 音素输入和专业克隆层级；Sonic 3.6 记录了自定义发音词典。

• 合规状况 — Sonic 3.6 声明符合 HIPAA、SOC 2 Type 2、GDPR 和 PCI。ElevenLabs 将其合规信息与模型页面分开声明，并且没有在 v4 旁提供一份对应的清单。

其中两行才是决定真实项目的关键。在厂商音色榜上，Elo 差距为 43 分，在克隆音色榜上为 19 分——当说话人保持不变时，Sonic 的差距缩小了一半以上。这正是那种调校有竞争力、但默认音色阵容没有竞争力的模型的典型特征，也说明 Sonic 在这场对决中的问题在于呈现，而不是合成质量。

为什么价格差距比看起来更小

标题费率对比在两个方面都具有误导性。Eleven v4 的每千字符 $0.022 是促销价，到期日为 10 月 12 日；窗口期过后仍然有效的是 $0.08，这比 Sonic 3.6 的费率卡高出 60% 以上。但 arena 归一化并不关心促销：它按模型的标价来计算，得出 $80.00 对 $49.00，这一对比到 11 月仍然成立。

还有第二个问题。Cartesia 并未在其产品页面上公布按字符计费的价格，因此 $0.049 这个数字来自竞技场的归一化处理，而非来自厂商，这两个计量口径也可能并不完全吻合——归一化会对提供商的计费方式做出假设。请把排序结果视为可靠，而把具体的百分比视为近似值。

按五百万字符计算的一个工作月：Eleven v4 按促销费率收费 110 美元，10 月 12 日之后为 400 美元。Sonic 3.6 收费 245 美元。因此，在接下来的两周内，Eleven v4 的成本不到 Sonic 的一半，而在那之后则高出 63%。任何今天撰写采购对比、下个月才交付的人，如果不说明自己使用的是哪个费率，就会把这一点弄反。

Sonic 3.6 是正确答案的那个片段

有些生产环境的语音工作负载，其真正重要的指标并不在竞技场榜单的衡量范围内，而 Sonic 3.6 正是为它们打造的。

实时对话式智能体是最明显的情形。低于 90 毫秒的延迟在电话代理中不是营销数字；它决定的是一次打断让人感觉被妥善处理，还是像通话掉线。ElevenLabs 并未公布 Eleven v4 本身的同类指标——只公布了 Turbo 层级首次发声的中位延迟约为 150 毫秒。如果你的代理的套接字预算很紧张，这 43 个 Elo 分对你来说可能不如这些毫秒有价值，而你自己进行的打断测试会比任何榜单更快地解决这个问题。

受监管部署是第二项。Cartesia 在产品页面上标明了 HIPAA、SOC 2 Type 2、GDPR 和 PCI。一份合规清单并不是一个 Elo 分数，也无法被后者所替代；如果医疗或支付领域的审核方在你的发布流程中，那么记分板上的这一行比其余九行都更重要。

确定性发音是第三项，而且更为微妙。Eleven v4 文档记录的 IPA 音素输入是一项优势，但 Sonic 3.6 的自定义发音词典，才是那些拥有大量产品名称词汇的团队往往早已构建好的工作流。移植词典是实打实的工作；而能够直接使用你已有产物的模型，则已经占得先机。

当 Eleven v4 就是更好的模型时

话虽如此，榜单确实能衡量一些东西，而 Eleven v4 两项都赢了。在 Provider Voice 上，它以 43 分的优势领先 Sonic 3.6，该估算背后有 1,674 个样本；而此前的旗舰——1,169 分的 ElevenLabs Eleven v3——则落后 Sonic 3.6 107 分，这意味着 ElevenLabs 在一代产品内缩小了真实差距，而不是在守住领先优势。

语言数量是第二个毫无争议的胜出项。90 多种对 44 种，差不多是两倍，而对于一款要发行到英语和少数几种欧洲语言之外的产品来说，这是覆盖范围的问题，而不是质量的问题——Sonic 3.6 对你的一些地区语言可能根本没有语音。此外，多说话人对话处理加上内联演绎指令，是实实在在的能力差异：把笑声写进脚本，是 Sonic 3.6 并未记录在案的工作流程；而在不具备该能力的模型上复现这种效果，意味着要做后期处理或重录一遍，其代价比 Elo 差距所暗示的更高。

运行其中任何一个，以及我们帮不上忙的部分

这两个模型 OrcaRouter 都不托管。ElevenLabs 和 Cartesia 都不在我们的目录里，所以本次对比中没有任何一项能通过我们调用；对于“怎么才能把它接到 OrcaRouter 上”，诚实的回答是：接不了——你得去找厂商。我们真正处理的，是语音技术栈最终横跨多个提供商、而非只依赖一家的情形：一把 API 密钥通用于 200 多个模型，提供商标价以 0% 加价原样透传，因此厂商调价一生效，当天就会在我们这边同步生效。当一项决策的关键就在于同样一个月的字符数你要付 110 美元还是 400 美元时，这个时间差可不是小事。

在语音路径面向客户且不能中断的场景下，当某个上游链路性能下降时，自动故障转移会将流量切换到健康的上游。正是这种模式，让为期两周的促销窗口值得加以利用：你可以把生产流量指向更便宜的模型两周，而无需重写集成，等费率恢复后再切回来。

谁应该切换，谁应该等待

如果你的产品要根据声音表现来评判，如果你要用超过二十多种语言发布，或者如果你的用户只能听到供应商为他们选定的语音，那就切换到 Eleven v4——最后一类正是 Provider Voice board 所代表的群体，而这一项上的差距是所有行中最大的。

如果你在延迟预算下运行实时对话，如果你的技术栈需要合规审查员签字认可，或者如果你有一个无法承受重建成本的发音词典，那就继续使用 Sonic 3.6。在这三行上，Sonic 并不落后；它是唯一有公开答案的选项。

等等，无论哪种情况，如果你的决定取决于价格。两周后，Eleven v4 的费率表会变动近四倍，而 Sonic 3.6 的不会，今天写下的对比到十月中旬读起来就会是错的。Elo 排序仍然成立。钱则不然。