Voxtral 3 TTS 与 Cartesia Sonic 3.6 对比：以 3.8 倍的价格换取 72 Elo

Cartesia Sonic 3.6 赢得了质量之争，而 Voxtral 3 T​TS 则在账单上胜出，而这两个差距的幅度正是整场对比的关键。在 2026 年 10 月 21 日 Artificial Analysis 的 Provider Voice 排行榜上，Sonic 3.6 以 1,289 Elo 位列第 4（共 98 个受评系统），而 Voxtral 3 T​TS 为 1,217 Elo（第 13 名）。两者相差 72 分，明显超出两个模型的置信区间。价格差距则方向相反，而且幅度更大：Sonic 3.6 为每百万字符 49 美元，Voxtral 3 T​TS 为 13 美元——前者价格是后者的 3.8 倍，而后者正是 Mistral 比这次榜单读数早一天发布的模型。这两个数字都没有争议。有争议的是，72 分的盲听优势在生产环境中究竟值多少，而这完全取决于语音正在承担什么任务。 像这样的发布背后有据可查的 AI 故障和智能体事件，都收集在 the OrcaRouter AI Incident Archive 中，其中每条记录都附有自己的来源、严重程度、置信度评级和争议标记。

首先，这些板卡实际测量了什么

{{1}}这两个数字来自同一来源；在一个每家厂商都会发布自家偏好研究的类别中，这一点比平时更重要。Artificial Analysis 运营两个榜单，而这两个模型都出现在这两个榜单上。{{/1}}

• 提供商语音 — 每个模型均使用其自身的原生语音进行评判。Sonic 3.6：1,289 Elo，第 #4 名，95% 区间 1,275–1,303，2,732 次比较。Voxtral 3 TTS：1,217 Elo，第 #13 名，区间 1,202–1,232，1,619 次比较。

• 受控语音——每个模型都被克隆到相同的八个参考语音上，因此听众比较的是引擎，而不是语音选角。Sonic 3.6：1,151 Elo，第5名，区间 1,138–1,164。Voxtral 3 TTS：1,066 Elo，第14名，区间 1,049–1,083。

• {{1}}已发布 — Sonic 3.6 于 2026 年 8 月；Voxtral 3 T​TS 于 2026 年 10 月 20 日。{{/1}}

• 标价——每 100 万个字符 49.00 美元，对比每 100 万个字符 13.00 美元，两者均以 Artificial Analysis 的追踪数据为准，且与各厂商公开定价一致。

• 吞吐量——Sonic 3.6 的中位数为每秒 145 个字符，而 Voxtral 3 T​TS 为 112，数据由 Artificial Analysis 测量。

• 权重——两者均为闭源。两者均无法在宽松许可证下自托管。

关于那张表，有两个细节很容易被忽略，而且不该被忽略。Controlled Voice 的结果是两者中更诚实的，因为它消除了拥有优质语音库所带来的优势，而在那里，差距从 72 分扩大到 85 分。Sonic 3.6 赢的不是语音选角，而是合成。第二个细节是样本数量。Voxtral 3 T​TS 在提供商排行榜上有 1,619 次比较，比 Sonic 3.6 少约 40%，其区间也相应更宽。第二天的分数是真实分数，但它会变化。

72 Elo 从何而来，逐项功能解析

Elo 是偏好的汇总，而不是诊断，因此值得追问：是哪些产品决策造就了它。这两个模型是为不同的任务而构建的，规格参数也说明了这一点。

Cartesia 构建了一个流式引擎。Sonic 3.6 最引人注目的宣称是首个音频在 90 毫秒内输出，这一说法来自一个以速度为卖点的供应商页面。它的控制项正是实时语音代理所需要的：诸如笑声、音量和语速调制之类的内联提示、自定义发音词典、从上下文推断出的情绪。它是一个为在对话中途被调用并几乎立即开始说话而设计的模型。

Mistral 打造了一款录音棚级语音，并配上了企业级封装。Voxtral 3 TTS 支持 35 种以上语言和 50 种以上方言，提供 18 种语言的语音预设，可在提示词层面控制情绪、节奏和强调，支持音素级发音控制，并内置词汇库。它的克隆方案名为“Pro Voice”：用 30 分钟音频，即可跨语言复现说话者的声音特质、情感范围和风格。这是一套适配流程，而非即时克隆。

实际结果是，这两个模型并不争夺同一个位置。30 分钟的声音适配流程属于品牌声音运营；10 秒的即时克隆则是面向用户的功能。如果你的产品允许客户上传一段音频，然后听到自己以生成的声音说话，那么 Sonic 3.6 可以做到这一点，而按文档所述，Voxtral 3 TTS 做不到。

延迟上的不对称让问题更严重。Cartesia 公布了一个延迟数值，而 Mistral 没有。Voxtral 3 T​TS 在发布材料中任何地方都没有公布首音频时间；最接近的数字是另一款独立实时转录模型上“低于 500 毫秒”的说法。缺少数字并不等于数字很差，但在购买决策中，这是你要承担的风险；对于任何交互式场景，公布其数值的供应商是更安全的默认选择。

成本账：在真正产生痛感的规模上

按字符计价看起来抽象，直到乘以数量才直观。按每分钟约900个字符计算，连续讲话一小时大约是54,000个字符。

• 一小时的音频 — Sonic 3.6：约 2.65 美元。Voxtral 3 TTS：约 0.70 美元。

• 每月一千小时——Sonic 3.6：约 2,650 美元。Voxtral 3 TTS：约 700 美元。一年相差约 23,400 美元。

• 每月一万小时——Sonic 3.6：约 26,500 美元。Voxtral 3 T​TS：约 7,000 美元。每年相差约 234,000 美元。

在那个区间的低端，这个差距只是某个人会争论的一项预算条目。到了高端，它却是一个人员编制问题。这就是 Voxtral 3 T​TS 的全部理由，而且对于任何语音属于长篇幅、预渲染的工作负载来说，这个理由都很充分：有声书、在线学习模块、商品目录旁白、配音流水线。在这些工作中，72 Elo 表现为在很小一部分句子上朗读得稍微不那么自然，而听者并没有拿它和任何东西作比较。

算术关系真正发生变化的地方，是两个模型在同一产品中承担不同任务之时。支持热线需要 Sonic 3.6 的延迟和亚秒级启动；同一家公司的营销旁白则不需要。为第二项任务支付 49 美元，就是为这项任务无法使用的能力花掉 49 美元——而要在不设置两套采购流程的情况下同时保留两者，最干净的办法是采用一个将模型视为参数的路由层。这正是支持 OrcaRouter 这套方案、而非支持任一厂商的理由：一个兼容 OpenAI 的 API，覆盖 200+ 个模型，供应商标价按 0% 加价原样透传，以及一套路由 DSL，可在同一个密钥上把批量旁白任务和实时调用发送到不同的后端。截至本文撰写时，Sonic 3.6 和 Voxtral 3 TTS 都不在 OrcaRouter 的目录中，因此目前两者都要通过各自厂商的 API 和若干第三方平台访问——重点在于它们被纳入时的集成形态。

在实践中起决定作用的三个反对意见

首先是语言。Cartesia 宣称一个模型支持 44 种语言。Mistral 宣称支持 35+ 种语言和 50+ 种方言，并提供 18 种预设。纸面上，Mistral 覆盖的范围更广；但在实践中，方言数量是对覆盖广度的承诺，并不代表每种方言都已经过评估。如果你的路线图包含两家供应商都没有演示的市场，应索取样本，而不是只看数量。Mistral 唯一明确更强的地方是欧洲覆盖：其转录模型声称支持全部 24 种欧盟官方语言，合成模型支持 35+ 种；而且 Mistral 是一家法国公司，面向欧盟采购销售，并在欧盟、美国和全球端点提供数据驻留选项。Sonic 3.6 没有同等的主权部署方案。

第二个是生产环境中的发音控制。这正是 Elo 差距最容易误导人的地方。一个无需词典就能正确读出“Dr. Nguyen”的模型，排名可能低于一个在通用文本上听起来更自然的模型。Voxtral 3 T​TS 提供词汇库和音素控制；Sonic 3.6 提供自定义发音词典和内联朗读提示。两者都有该功能。Mistral 的功能面向企业内容中的姓名和品牌术语；Cartesia 的功能则面向流式通话中的同一问题。在任何一个评分参与评判之前，先测试你自己的词表——一份要朗读出来的产品名、姓氏和缩略语列表。

第三种情况是供应商时运不济时会发生什么。单端点语音流水线会失效关闭：端点降级，产品随之陷入沉默。Sonic 3.6 和 Voxtral 3 TTS 位于不同的基础设施上，具有不同的故障模式，它们之间的回退路径值得在真正需要之前就设计好。跨供应商自动故障转移正是路由器在此能为你提供的具体能力，而它在语音中比在文本中更有价值，因为丢失一个 token 是看不见的，丢失一个音节却不是。

那么，是哪一个？

选择 Cartesia Sonic 3.6，当语音用于对话场景时：电话客服、应用内助手、游戏 NPC，任何需要首个音节在用户读完加载指示器之前就到达的场景。你为每百万字符支付 49 美元，换来的模型启动时间不到 90 毫秒，并在榜单上得分 1,289，而且在这个延迟级别中，这个价格面对其他所有模型都站得住脚。

当语音本身就是成品内容时，选择Voxtral 3 T​TS：旁白、配音、贯穿整个产品目录的品牌声音，任何提前渲染好再播放的内容。你花 13 美元，换来的是一个比领先者低 72 Elo、却便宜 3.8 倍的模型，它具备欧盟数据驻留，以及一条 30 分钟的语音适配流程——相比为每位用户单独克隆声音，这更适合打造单一的企业声音。

如果两种音频都发布，就不要只挑一种。要避免的错误是：选一次之后，就让廉价模型能做的工作按高端模型的价格付费，或者在绝对不能出问题的地方承受廉价模型的延迟。一个密钥后面接两个端点，正是让这个决定不必永久化的配置。

悬而未决的问题是，Mistral 缺失的延迟数字最终会是多少。如果 Voxtral 3 TTS 的流式首音频指标能达到接近 Cartesia 的水平，那么 13 美元的价格就会成为更难反驳的事实，而 72 Elo 也将成为 Sonic 3.6 仅剩的优势。Mistral 尚未公布这一数字，也没有第三方进行过测量；在其中任一情况改变之前，流式场景的位置默认属于 Cartesia。