Gemini 3.8 TTS 对比 Inworld Realtime TTS-2：你相信哪个排行榜会改变答案

把 Gemini 3.8 Flash TTS和Inworld Realtime TTS-2并排放在 Artificial Analysis Provider Voice Arena 上，答案就显而易见了：第 2 名对第 4 名，Elo 1,260 对 1,245，各有 8 个竞技场音色，归一化价格为每百万字符 $16.50 对 $20.80。厂商在名次和价格上都胜出，而且 15 分的差距本来就在两行数据的置信区间之内。

转到 Artificial Analysis 发布的另一个榜单，排序就反过来了。在 Controlled Voice Arena 上，Inworld Realtime TTS-2 以 1,123 的 Elo 位居榜首，其 Flash 版本为 1,075。这不是舍入误差——而是不同的模型在获胜，原因在于这两个榜单衡量的并不是同一件事。如果你在为产品选择声音，弄清楚你的用例真正要问的是这两个问题中的哪一个，就是决策的全部。

两块板，两个不同的问题

Provider Voice Arena 对模型自带原生语音进行评分——即供应商随产品提供并托管的语音。Controlled Voice Arena 则保持语音不变，评估每个模型在被要求用并非自己的声音说话时表现如何。相同的评委，同类的盲评比较，不同的变量。

这种区分对应着两种不同的工作：

• 提供商排行榜回答的是"这个模型开箱即用是否好听"。对于一款出厂即配备一组固定旁白音色、且从不克隆任何声音的产品来说，那才是它该看的榜单。

• 受控排名回答的是“这个模型是否遵循声音规范”。对于一个声音属于客户的产品——克隆的品牌声音、经授权的演员声音、按租户区分的身份——来说，它才是合适的排行榜。

Google 的模型在第一个榜单上领先。Inworld 的在第二个榜单上领先。这两种说法同时成立，彼此并不矛盾，而这恰恰说明，一个单一的“哪个 TTS 模型最好”的答案，通常意味着作者只挑了一个榜单，而没看另一个。

Inworld 排名第一的地位在实践中意味着什么？

排名第一的受控结果是对指令忠实度的断言，而对指令的忠实度正是决定克隆究竟是否可用的属性。

Inworld 的克隆路径有两种形式。即时克隆基于一小段样本即可运作——厂商给出的数字是 5 至 15 秒的参考音频——而专业克隆层级目前处于测试阶段，所需时长在十分钟左右。两者均为厂商自报，且均未经竞技场独立验证；竞技场所衡量的是模型在拥有声音之后的行为表现，而非生成该声音的克隆环节的质量。

与该系列相关的延迟宣称也属于同一类别。Flash 变体的首字节数字——25 毫秒，来自第三方测量——以及完整模型的 p99 数值，都是 Inworld 自家的数据，而竞技场对这两者都没有任何说法。对于一个面向实时的模型来说，这些数字合情合理，同时也未经证实，而这才是不该轻信它们的正确态度。

所以实际解读是：如果你的产品会克隆声音，那么在两个分数中，Inworld 的 Controlled 结果更具参考意义，也正是它使得较低的 Provider 排名不构成淘汰理由。如果你的产品不做克隆，那这项优势对你就不可见，此时该看的是 Provider 榜单。

价格阶梯有三档，而便宜的那一档是订阅制

用一个价格去对比另一个价格，会把这场比较判断错，因为 Inworld 并没有一个价格——它有的是一整套阶梯。

• 按需 — Realtime TTS-2 为每百万字符 $25.00，Flash 为 $15.00。这是按量付费调用方看到的价格，也是供应商自己公布的数字。

• 创作者套餐——同样两个模型分别为 $20.00 和 $10.00，即选择套餐而非按量计费可享受 20% 和 33% 的折扣。该数据由厂商提供，也是在你做出决定前最值得在实时定价页面上再次核实的一档，因为套餐条款的变动速度比标价更快。

• 归一化后 —— arena 按每百万字符换算，Realtime TTS-2 为 $20.80，Flash 为 $10.40，这是该榜单自己算出来的数，而非任何一家厂商的报价。

相比之下，Google 的费率基于 token 且为促销价：截至 2026 年 12 月 31 日，文本 token 输入为每百万 $0.50，音频 token 输出为每百万 $9.00，之后为 $18.00；Flash-Lite TTS 为 $0.50 和 $6.00，之后为 $12.00。归一化后，即 $16.50 和 $11.00。

把两者放在一起看，情况比“Google更便宜”要有意思得多。按照今天公布的数字，Flash TTS是三款模型中最便宜的，而Inworld的Flash版本则排在第二便宜的位置——这两款Flash模型价格非常接近，以至于音频与文本比例的微小变化，就可能让计费更低的一方发生翻转。到了2027年1月1日，当Google的费率翻倍时，排序便会尘埃落定，Inworld在其阶梯的每一档上都会成为更便宜的选择。任何在9月比较这两者、却在12月才做决定的人，比较的都是错误的数字。

各自在何种情况下是更好的答案

两个模型在质量上足够接近，因此区分因素在于结构，所以诚实的做法是列出一系列条件，而非给出一个结论。

当声音由你选择时，就选 Gemini 3.8 Flash TTS。根据文字描述进行声音设计、一次调用完成双说话人对话、按轮次设置风格，以及按 Google 自己的统计在两者中拥有最广的语言覆盖——在这项对比中，Inworld 这些全都无法匹敌。它目前也是更便宜的模型，而它的同门 Flash-Lite 在同一 API 内为你提供了第二个价格档位。

当声音是客户自己的时候，选择 Inworld Realtime TTS-2。一条顶级的 Controlled Voice 行、一条以数秒参考音频来衡量的即时克隆路径、一个面向需求更多场景的专业克隆层级，以及一种由厂商发布的首字节声明所支撑的实时定位——但需注意，这些声明出自厂商自身。按厂商自己的文档，它仅支持英语，如果你需要其他语言，这是一项硬性约束。

这两个模型都不由 OrcaRouter 托管，这一点值得明说，而不是暗示并非如此：调用 Gemini 3.8 Flash TTS 的地方是 Google 自己的 API 以及 Google 在 9 月 23 日指定的那些入口；调用 Inworld Realtime TTS-2 的地方是 Inworld 自己的平台。OrcaRouter 的用途，是围绕这一选择的一切——200 多款模型通过单个密钥即可访问，价格为提供商目录价，没有任何加价，因此像 1 月那次费率调整，当天就会在我们这边生效，自动故障转移，这样被评估的模型不必成为生产依赖；以及一种路由 DSL，用于在单一音色无法胜任整项工作时，把多个模型组合成一次调用。

让这两者都继续留在考虑范围内的原因是，1月的费率变动以及“受控方与提供方”的区分，是答案可能发生变化的两个独立原因。一条只能调用其中之一的流水线，无法跟踪其中任何一个。