Gemini 3.8 TTS 与 ElevenLabs：三倍价格能为你带来什么

在相同用量下，ElevenLabs 的旗舰合成模型成本约为该厂商新模型的三倍。ElevenLabs Eleven v3每千字符收费 0.10 美元——每百万字符 100 美元——而 Gemini 3.8 Flash TTS每百万音频 token 收费 9.00 美元，Artificial Analysis 将其归一化为每百万字符 33.00 美元。按计费口径，这就是 3.0 倍的差距，也是本次对比中最重要的一个事实。有意思的问题不在于这个差距是否真实，而在于每百万字符多出的六十七美元实际上买到了什么，因为答案并不是“更好的语音”。

三米，而不是一米

首先要弄清楚的是，这两款产品衡量的并不是同一回事，而对外公布的价目表恰恰掩盖了这一点。

• ElevenLabs 按字符计费。Eleven v3 为每 1,000 个字符 0.10 美元，每次请求上限为 5,000 个字符。Eleven v3 Conversational 为每 1,000 个字符 0.05 美元，Flash 和 Turbo 模型也是每 1,000 个字符 0.05 美元，但每次请求限制为 40,000 个字符，并声称其延迟约为 75 毫秒，而 v3 Conversational 约为 280 毫秒。

• Google 按 token 计费，而音频 token 与文本 token 不同。Gemini 3.8 Flash TTS 对输入的文本 token 收费为每百万 $0.50，对输出的音频 token 收费为每百万 $9.00，按每生成一秒语音计 25 个音频 token 来计量。官方并未公布单次请求的字符数上限。

• Artificial Analysis 两者都不计费；它进行归一化。其 Provider Voice Arena 排行榜上的每百万字符 $100.00 和 $33.00 是一个推导出的共同分母，以便该榜单至少能够按价格排名。它对比率有用，但不适用于报价。

所以，对 3.0x 这个数字的诚实解读是：在唯一可用的同类比较口径下，Google 的价格约为三分之一。这对你自己的电子表格意味着什么，取决于你的工作负载是以短字符串为主还是长字符串为主——随着话语变长，按秒计费的音频计量和按字符计费的文本计量会急剧分化，因为静音、停顿和韵律填充都会消耗音频 token，而不消耗任何字符。

已完成的一个月

比如把一百万字的文本，大约相当于一部中等长度小说的篇幅，转换成语音一次。

• ElevenLabs Eleven v3 — 合成费用为 $100.00，再加上根据你的并发量运行所需的任意套餐层级。已公布的套餐中，Starter 为 $6，Creator 为 $22，Pro 为 $99，Scale 为 $299，Business 为 $990，字符额度已打包在这些套餐中，而非单独计费。

• Gemini 3.8 Flash TTS — 折合 33.00 美元，或者如果任务可批处理，则大约 16.50 美元，因为 Batch 和 Flex 层级将音频费率减半至每百万 token 4.50 美元。优先服务将其提高到每百万 16.20 美元，或约合 59.40 美元，仍远低于 ElevenLabs。

• Gemini 3.8 Flash-Lite TTS — 每百万音频token收费$6.00，按相同标准化折算约合$22.10，代价是支持101种语言而非130种。

如果把这同样的一百万个字符按 Google 的促销定价来算，差距还会进一步拉大，因为两款新的 Gemini TTS 模型在 2026 年 12 月 31 日前都按半价计费，之后价格会翻倍。任何基于 9 月数字来构建商业论证的人，都是在依赖一个有公开到期日的折扣。

比较结果唯一发生逆转的地方，就是非常短的话语。按字符计费时，一句三个词的确认几乎不花什么钱；而按音频秒数计费时，就要为说出这句确认所花的那一秒付费，包括它周围的静默。如果你的产品是由单句回复构成的语音界面，这笔账就会偏向 ElevenLabs。如果是旁白、有声书、长文本本地化，或任何文本很长、音频更长的场景，它就会大幅偏向 Google。

质量问题，说实话

在 Artificial Analysis Provider Voice Arena 上——对每个提供商自家原生语音进行的盲测两两投票——这两个模型差距不小，Google 领先。

• Gemini 3.8 Flash TTS — 排名第 2，Elo 1,260，17 点区间，1,999 个样本，8 种竞技场语音，发布于 2026 年 9 月。

• ElevenLabs Eleven v3 — 排名第 17，Elo 1,167，11 分区间，4,345 个样本，8 个竞技场声线，在榜单上标注为 2026 年 2 月。

两者相差 93 个 Elo 分，而且与那个榜单上前三名之间的差距不同，这个差距是真实的：Eleven v3 的区间为 1,156 至 1,178，Gemini 的区间为 1,243 至 1,277，二者没有重叠。Eleven v3 的样本量是 Gemini 的两倍多，因此这一估计也并不单薄。

对价格论点来说，这是个着实尴尬的结果，而且有悖于显而易见的结论。ElevenLabs 的收费是别家的三倍，在盲测偏好中的排名却低了十七位。多出的六十七美元无论买到了什么，在一对一比较中都不是听起来更好的声音。

ElevenLabs 究竟在卖什么

ElevenLabs主要销售的并不是一个合成端点，而大多数比较之所以出错，正是因为把它当作合成端点来定价。这笔钱买到的是：

• 语音库。ElevenLabs 的共享语音库拥有数百种语音，是一个实实在在的产品门面——人们来到 ElevenLabs，往往是为了在某处听到过的某个特定语音，而不是它背后的模型。Gemini 3.8 Flash TTS 自带 30 种预置的录音棚级语音，一条语音设计路径可根据自然语言描述生成语音，还有一条复刻路径，能从 30 秒样本中克隆语音，并附带同意验证、SynthID 水印和 C2PA 凭证。默认目录规模更小；创建特定语音的能力则不相上下。

• 延迟档位作为独立产品。Flash 和 Turbo 约为 75 毫秒、限制为 40,000 字符，与约为 280 毫秒、5,000 字符的 v3 是不同的产品，而且两者都比 v3 便宜。如果你的应用需要低于 100 毫秒，ElevenLabs 明确销售这种能力，而 Google 的发布材料并未对这两款新 TTS 模型中的任何一款做出可比的延迟声明。

• 一个生态系统。配音、语音代理、对话端点，以及一个带有并发额度的套餐结构——这与 Cartesia 出售电话服务是同一个道理：它是一套技术栈，而不是一个模型。

如果你购买的是整套方案，那 3.0 倍的价格就是你不自己组装的代价。如果你购买的是合成调用，那你付的钱买的是一个语音库和一个延迟档位。

Google 实际上在卖什么

反面论据比“更便宜”更狭窄，也更有力。

• 语言覆盖范围——Flash TTS 支持 130 种语言，Flash-Lite TTS 支持 101 种，均可从文本中自动检测；而 ElevenLabs 为 Eleven v3 记录的受支持语言为 70 多种。对于本地化流程而言，这一差异并非功能对比，而是覆盖缺口。

• 指导 —— 逐行交付控制、单次调用内的双说话人场景编排，以及写入脚本的非语言提示，如 <laughs>、<sigh>、<gasp>、|mhm|和 |yeah|。Google 声称，3.8 代在长篇一致性和双说话人控制上相较 Gemini 3.1 Flash TTS 有所改进，而这正是这些功能存在的意义。厂商声明，未经复现。

• 语音状态模型 —— 每个项目 200 个有状态自定义语音，TTL 为一年；或无状态语音，通过voicekey_... 句柄寻址，这些语音七天后过期。这是一项你可以提前规划的基础设施决策。

• 输出控制 — 在一元端点上输出 WAV 24 kHz 单声道 16 位有符号 PCM，在流式端点上输出无文件头 PCM（audio/l16），以及 audio/mulaw 和 audio/alaw，并支持可配置的采样率。

Google 的发布基准测试结果由厂商自行报告，也应按此方式看待：在 Hume AI Voice Design Benchmark 上以 71.4 位列第一，在口音建模上以 60.8 位列第一，Flash 和 Flash-Lite 分别在 Hume Overall Quality Index 上位列第一和第二，并声称在日语、巴西葡萄牙语、越南语、现代标准阿拉伯语、墨西哥西班牙语和印地语中取得盲测偏好排名前列。这些测试的运行结果没有一个是公开的。本文上方的竞技场 Elo 是唯一独立收集的数据，而它恰好与厂商声称的方向一致。

切换演算

如果你的工作负载属于长篇、多语言，或规模大到 3.0x 会作为一项单独支出出现，并且你能接受较小的默认语音库以及没有公布低于 100 毫秒的档位，那就切换。这涵盖了旁白、配音、无障碍以及大多数产品内嵌语音。

如果你购买的是整套方案——语音库、延迟层级、配音和智能体产品——或者你的工作负载以极短话语为主，而按秒计的音频计量会惩罚你，那就留下。同样，如果你已经在 ElevenLabs 上微调出一个你的用户能识别的声音身份，也请留下，因为声音连续性是一项产品功能，而在新模型上重新创建它是一项工程。

无论哪种方式，明智的做法都是先在真实流量上把两者都跑一个月再决定，而这正是不该把其中任何一个直接接入你的代码库的理由。OrcaRouter 把 200 多款模型置于单个密钥之后，按提供商标价提供，不加价，因此任何一家实验室的调价当天就会反映到你的账单上，而不是等到续费时，并且自动故障转移能让生产环境的语音链路保持存活，即使某个全新端点出问题也是如此。我们不托管 ElevenLabs——它的合成层和智能体层是它自己的产品——我们也不托管 Gemini 3.8 TTS 端点，那些来自 Google 的 API。我们承载的是底层的文本层，以及其上的路由层。

值得关注的数字是 Eleven v3 在下一版排行榜修订中的 Elo。对于一个收费高出三倍的模型来说，九十三分的差距是很大的劣势，而如果置信区间收窄而差距却没有缩小，那么价格上的理由就不再是一种权衡取舍，而会变成一纸判决。