Gemini 3.8 TTS 与 Cartesia Sonic 3.6：13 个 Elo 分与 16 美元

在 Artificial Analysis 盲投排行榜上，最接近的两个文本转语音模型之间相差一个名次、十六美元，而这两个差距指向相反的方向。Cartesia Sonic 3.6以 1,273 的 Provider Voice Arena Elo 位居第一，样本量为 1,757。Gemini 3.8 Flash TTS以 1,260 位居第二，样本量为 1,999。两者的 Elo 差距为十三分——落在双方各自公布的置信区间之内——而价格差距则朝相反方向拉开：Gemini 为每百万字符 33.00 美元，Cartesia 则为 49.00 美元。如果你要在这两者之间做选择，最诚实的说法是：你每百万字符多付十六美元，换来的却是排行榜无法分辨的质量差异。

这就是整个决策，值得放慢脚步仔细考虑，因为这两款模型都太新了，以至于几乎没有其他任何东西被测量过。Cartesia Sonic 3.6 于 2026 年 8 月发布。Gemini 3.8 Flash TTS 于 2026 年 9 月 23 日发布。除了竞技场投票之外，两者都没有公布独立的基准测试，而竞技场投票显示它们位居榜首，在统计上并列。

排行榜实际上说明了什么

Artificial Analysis 的 Provider Voice Arena 在这里是一个有用的榜单，因为它通过盲测两两投票的方式，将每个提供商的自家原生语音与其他所有提供商的语音进行对比。对于“哪个产品听起来更好”这个问题，这种比较比固定语音的榜单更公平，因为它让每个厂商使用其实际发布的语音。

• 第 1 名 — Cartesia Sonic 3.6，Elo 1,273，17 分区间，1,757 个样本，8 个竞技场语音，发布于 2026 年 8 月，每 100 万个字符 $49.0。

• 排名第2 — Gemini 3.8 Flash TTS，Elo评分1，260，置信区间17分，1，999个样本，8种竞技场语音，发布于2026年9月，每百万字符33.0美元。

• 第3名 — Alibaba Qwen-Audio-3.0-TTS-Plus，Elo 1,259，1,447个样本，15个竞技场语音，每100万字符27.6美元。

• 第 4 至第 9 名，供参考——Inworld Realtime TTS-2 为 1,245，SpeechifyAI Simba 3.2 为 1,237，Google Gemini 3.8 Flash-Lite TTS 为 1,235，VUI Labs Luna TTS 为 1,230，Inworld Realtime TTS-2 Flash 为 1,210，BreezeBlue Breeze TTS 2 为 1,204。

读一下区间就会发现，前三名彼此重叠到分不清了。Sonic 3.6 的 1,273 分对应的区间跨度为十七分；Gemini 的 1,260 分区间跨度相同。两者的区间几乎在整个宽度上都相互重叠。Qwen-Audio-3.0-TTS-Plus 以 1,259 分与这两者都有重叠。榜单在告诉你：就目前收集到的样本而言，这三个模型在盲测偏好上无法区分，而且它们之间的排序并不构成稳定证据。

样本数量也足够接近，无法解释这一差异——Cartesia 为 1,757，Gemini 为 1,999。两者都处于几千的低位，这足以把模型归入某一档，却不足以区分同一档内的相邻模型。

这十六美元来自哪里

Cartesia 自己的定价页面并未公布 Sonic 的每百万字符费率。它销售包含捆绑分钟数的订阅层级——Free 为 $0，包含 20,000 积分，大约 27 分钟的 Sonic 3.6；Pro 为 $5，包含 100,000 积分，大约 133 分钟；Startup 为 $49，包含 125 万积分，大约 1,667 分钟；Scale 为 $299，包含 800 万积分，大约 10,667 分钟——以及分别为 2、3、5 和 15 的并发限制，语音本地化按每个新增口音 225 积分收费，语音代理通话时长为每分钟 $0.06，电话通信为每分钟 $0.014。

所以，每百万字符 49.00 美元并不是 Cartesia 以其自身计价单位给出的标价。它是 Artificial Analysis 把 Cartesia 的积分折算成一个共同分母，以便该榜单至少能按价格排名。对于对比榜单来说，这样做是合理的，而且这是唯一可获得的同口径可比数字，但这意味着 Cartesia 的数字是推算出来的费率，而 Gemini 的数字是已公布的费率。

谷歌的定价很直接。Gemini 3.8 Flash TTS 在 2026 年 12 月 31 日之前，每百万输入文本 token 收费 0.50 美元，每百万输出音频 token 收费 9.00 美元，之后则分别为 1.00 美元和 18.00 美元。音频按每秒 25 个 token 计量，因此音频输出费率换算下来约为每秒钟语音 0.02 美分。更便宜的同类产品 Flash-Lite TTS 在同样每秒 25 个 token 的计量下，每百万音频 token 为 6.00 美元，而 Artificial Analysis 将其等效价格列为每百万字符 22.10 美元，排名第 6，Elo 为 1,235。

• 每 100 万字符价格 — Cartesia Sonic 3.6 为 $49.00，Gemini 3.8 Flash TTS 为 $33.00，Gemini 3.8 Flash-Lite TTS 为 $22.10。

• 竞技场 Elo — 1,273 对 1,260 对 1,235，前两名的分差均为 17 分。

• 竞技场语音 — 8 vs 8 vs 8。

• 样本 — 1,757 对比 1,999 对比 2,000。

• 可用性 —— Cartesia 托管的测试版，对比 Google 自家的 Gemini Developer API，已正式全面可用。

• 重量发布——两者均已关闭；两者均不可下载。

比价所隐藏的部分

每百万字符是一个方便的单位，而这两种产品的计费方式都不是这样的。

Cartesia 的计量单位是订阅套餐内的一种额度（credit），并发上限则绑定在套餐层级上。这意味着，在你触及上限之前，接下来一千个字符的边际成本为零；一旦触及上限，成本就变成升到下一档套餐的费用。对于上限可预测的工作负载，这比按字符计费所显示的费率更划算——你买的是余量，而不是消耗量。对于会突发尖峰的工作负载，这反而更糟，因为 Free 层级并发为 2、Pro 层级并发为 3，这是一堵硬墙，而不是一个价格。

Gemini 的计费单位是 token，按调用计量，未公布并发上限，并且有三个服务层级——Standard、Batch 和 Flex，以及 Priority——费率各不相同。Batch 和 Flex 将 Flash TTS 的音频费率减半至每百万 token 4.50 美元；Priority 则将其提高到 16.20 美元。这是一种精细得多的成本模型，而且它奖励的正是 Google 定价通常所奖励的：提前知道任务是交互式还是批处理。

因此，哪个更便宜取决于你的语音工作负载看起来像订阅还是像计量表。Cartesia 的各档定价面向用量稳定且有限的产品。Gemini 的定价则面向你可以分类的消费用量。

Cartesia 仍然拥有哪些 Google 没有的东西

两件事，而这两件事都关乎成为一款语音产品，而非一个语音模型。

Cartesia 直接销售电话通信和语音代理基础设施：电话通信每分钟 $0.014，语音代理通话时长每分钟 $0.06，语音本地化则按每增加一种口音 225 点信用计费。如果你正在构建一个电话代理，这是一个可以一站式购买的整套技术栈。Gemini 3.8 Flash TTS 是一个合成端点——它返回音频后就结束了。传输层、轮次检测和电话通信都由你自己提供，或者从其他供应商那里拼装。

Cartesia 在榜单上的时间也更长。它 8 月发布，而谷歌是 9 月，这意味着它更多的样本数是在对一个已经稳定的版本上累积的，而 9 月发布的模型仍在收集投票。一个模型第一周的 Elo 估计比同一模型一个月后的 Elo 估计噪声更大，这不利于把十三分的差距解读为支持 Cartesia 的证据。

Google 拥有哪些 Cartesia 没有的东西

语言覆盖是最明显的一点。{{1}}Flash TTS{{/1}} 支持 130 种语言并具备自动检测能力；Flash-Lite 则支持 101 种。Cartesia 的本地化模式是叠加式的——你要在基础音色之上购买口音，每个 225 积分——这是一种不同的思路，而且一旦超过少数几种语言，成本曲线也截然不同。

第二个是演绎层面。Gemini 3.8 Flash TTS 让你能像指导演员那样指导一句台词，在一次调用中编排双人对话场景，还能把非语言提示写进脚本——<laughs>、<sigh>、<gasp>、|mhm|、|yeah|——直接写进脚本。它还支持根据自然语言描述进行声音设计，以及基于 30 秒样本进行声音复刻，并附带同意验证、输出上的 SynthID 水印和 C2PA 凭证。语音混音功能标注为即将推出。

它已正式发布，而非测试版。Cartesia Sonic 3.6 则是托管测试版，这反映出厂商自身对该端点在高负载下表现的信心。

到底该调用哪一个

如果你的工作负载是通话量可预测的电话代理，并且你希望电话通信、并发和语音合成都由同一家供应商提供，那么 Cartesia Sonic 3.6 就是更协调一致的选择，而 16 美元的差价，就是你不必自己整合三家供应商所付出的代价。

如果你的工作负载是已运营产品内部的语音合成——旁白、无障碍层、客服机器人的语音、一次覆盖130种语言的本地化处理——那么 Gemini 3.8 Flash TTS 的每字符成本更低、语言覆盖更广、语调控制更精细，并且已全面可用。Elo 分数上的差距并不能否定这一点，因为该 Elo 差距在统计上并不真实。

如果你想选榜单前列三者中最便宜的那个，并且可以接受更短的语言列表，那么 Gemini 3.8 Flash-Lite TTS 的价格是每百万音频 token 6.00 美元，排名低六位、位列第 1,235 名——这一差距同样落在噪声范围内。

无论你选哪一个，迁移路径都比选择本身更重要，因为两个模型都是新的，两家厂商也都还在调优。OrcaRouter 就是那份对冲：一个密钥即可访问 200 多个模型，按供应商标价计费，绝无加价，因此无论哪家实验室降价，当天就会反映在你的账单上，而不用等到续约时，合成调用失败时自动故障转移，还有一套路由 DSL，让你可以把批处理任务发给一个模型、把交互式调用发给另一个。我们不托管 Cartesia Sonic 3.6 或 Gemini 3.8 TTS 端点——Cartesia 的合成是它自己的产品，Gemini 语音模型来自 Google 的 API——但文本层和故障转移路径是我们的，而正是这些部分让全新模型可以放心尝试。

值得关注的是下一次 Artificial Analysis 修订。如果 Gemini 3.8 Flash TTS 在样本量成熟后能弥合这 13 个点的差距，那么价格差距就不再是一种取舍，而开始成为一个直截了当的答案。如果它不能，Cartesia 保住质量王冠，Google 保住价格王冠，而选择就完全停留在现在的位置：一个附带电话功能的订阅，或一个附带 130 种语言的计量器。