Voxtral 3 TTS 对比 ElevenLabs：便宜六倍，落后100分

Mistral 将 Voxtral 3 T​TS 定价为每百万字符 13 美元，并将其推向这样一个市场：在那里，所有人用来对标的模型 ElevenLabs Eleven v4 售价 80 美元，得分为 1,328 Elo，而 Voxtral 为 1,217。也就是说，用 6.2 倍的价钱换来 111 分的盲听偏好优势；表面上看，这款便宜的模型差距太大，根本不值一提。但它依然值得关注，原因在于记分牌上看不到的东西：ElevenLabs 卖的不只是语音合成。它卖的是一整套语音平台——音色库、配音、智能体、专业声音克隆——而大多数每百万字符支付 80 美元的团队，为平台付的钱和为声音付的钱一样多。Voxtral 3 T​TS 于 2026 年 10 月 20 日发布，它依托的则是智能体 SDK 和一套欧盟主权部署方案。因此，决定购买与否的对比并不是“哪个听起来更好”——这一点已有定论——而是“这两套组合里，哪一套才是你真正需要的”。 类似本次发布背后的、有据可查的 AI 故障与智能体事故，都收录在 OrcaRouter AI Incident Archive 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。

记分牌，先于其他一切

• 提供商语音 Elo — ElevenLabs Eleven v4：1,328（98 个中第 2）。Voxtral 3 T​TS：1,217（第 13）。两者数据均来自 Artificial Analysis，读取于 2026 年 10 月 21 日。

• 受控语音 Elo — Eleven v4：1,157（第 4 名，与 Eleven v4 Turbo 并列）。Voxtral 3 T​TS：1,066（第 14 名）。

• 每 100 万字符的标价 — $80.00 对比 $13.00。

• 语言 — ElevenLabs：所有套餐均支持 74 种语言。Voxtral 3 TTS：35+ 种语言和 50+ 种方言，其中 18 种语言提供预设。

• 即时克隆 — ElevenLabs：在付费方案中，使用约 30 秒的音频即可。Voxtral 3 TTS：未发布即时克隆功能；“Pro Voice”适配需要 30 分钟的音频。

• 权重 — 两者均已关闭。

那份清单里有一行值得再看一眼：ElevenLabs 自家更便宜的旗舰。Eleven v4 Turbo 得分 1,333——比 Eleven v4 高五分，处于噪声范围内——价格为每百万字符 40 美元，正好是后者的一半。如果选择纯粹是“ElevenLabs 所售的最佳语音”，Turbo 就是明智之选，而且它把与 Voxtral 3 TTS 的差距从 111 Elo 缩小到 116 Elo，价格却只需三倍。ElevenLabs 的价格阶梯比这场对决的大多数比较所承认的更宽。

产品中的 111 个点是什么样子

Elo 分差这么大，绝非细微差别。在盲测并排试听中，这是听众第一句就能察觉到的差异，而不是到第五句才发现——相当于 ElevenLabs 自家产品线中 Eleven v3 与 Eleven v4 之间的差距（1,182 对 1,328）。Cartesia 的 Sonic 3.6 得分为 1,289，正好处在两者之间，也是最直接削弱“一分钱一分货”这一解读的模型；它比 Voxtral 高 72 分，而价格只有 49 美元，是 Eleven v4 的一半。

差距集中体现在对富有表现力素材的演绎控制上。ElevenLabs 的 v4 生成围绕音频标签——嵌入文本中的情绪、节奏和强调的行内指令——以及一个足够丰富的声音库构建，以至于大多数团队根本无需克隆。Mistral 的 Voxtral 3 T​TS 提供提示词层面的情绪、节奏和强调控制，外加音素级发音和词汇库。两者都提供了可施加方向性控制的手段。ElevenLabs 已经积累了两代关于这些控制在边界场景下如何表现的公开反馈，而 Voxtral 3 T​TS 才刚有一天。

差距缩小的地方在于任何非英语的欧洲语言。Mistral 的模型以多语言优先构建，声称支持 50 多种方言，其语音系列覆盖欧盟全部 24 种官方语言。ElevenLabs 覆盖 74 种语言，在数量上更广，但数量广度与每种语言的质量是两种不同的说法，而且两家供应商都没有公布分语言的 Elo。如果你要发布荷兰语、波兰语或葡萄牙语，两个榜单都不能告诉你答案；你必须亲耳听。

每百万字符 80 美元，实际能买到什么

这是对比中价格差异不再像是加价的部分。ElevenLabs 的按字符费率被打包进一个平台之中：一个共享语音市场，你可以从中获得授权，而不是自行克隆；仅需约 30 分钟音频、并配有同意流程的专业语音克隆；配音；音效；一套对话式智能体技术栈；以及多年积累的客户端库和集成。这些内容都不会出现在排行榜上，而所有这些都是团队原本需要自行完成的工作。

Mistral 的这套组合方案指向了另一个方向。Voxtral 3 TTS 与一套基于 LiveKit 的语音智能体 SDK 一同发布，支持 SIP 电话、WebRTC 和 IVR，号称智能体单轮响应时间低于一秒，智能体每分钟价格为 0.04 美元，并以 Mistral Small 4 作为推理模型。它还打出了明确的主权部署牌：欧盟、美国和全球端点，可在私有基础设施上自行部署，并明确关注音频在何处处理以及是否被留存。对于欧洲企业或公共部门买家而言，这是一个 ElevenLabs 目前无法以同样形式给出的采购答案。

简而言之：ElevenLabs 卖的是产品广度，Mistral 卖的是部署控制权。需要配音、音效和授权语音目录的团队，根本不会在这两者之间做选择。只需要一个声音、一个语言对，并运行在自己掌控的数据中心里的团队，是在为大量永远不会启用的 ElevenLabs 功能付费。

移民问题，说实话

诱人的说法是“从 ElevenLabs 换过来，省下 84%”。在相信之前，先把账算清楚，因为只有当你的工作负载能够承受质量上的退步和功能的缺失时，这笔节省才是真实的。

• 大规模纯旁白、单一语言、无授权语音——省下的钱是实打实的。每月一千小时，Eleven v4 上大约要 4,320 美元，而 Voxtral 3 T​TS 上只要 700 美元，况且听众并不会去做 A/B 对比。

• 任何使用 ElevenLabs 库中授权名人或品牌声音的内容——迁移不可行。Voxtral 3 T​TS 没有市场平台；你需要提供 30 分钟音频，并自行制作适配版本。

• 任何面向用户的场景：客户上传一段短音频并期望听到自己的声音——ElevenLabs 约 30 秒即可完成克隆，而根据 Mistral 的文档，Voxtral 根本不提供即时克隆。

• 对于已经在使用配音、音效或对话技术栈的任何方案——真正有效的比较并不是 $80 对 $13，因为一旦离开，就意味着要替换那些从未出现在同一张发票行项目上的产品。

现实可行的做法是分工：把产品中需要有人仔细聆听、可能会做对比的部分继续交给 ElevenLabs，而把批量渲染迁移到更便宜的模型。要干净利落地实现这种分工，靠的是路由，而不是采购。OrcaRouter 提供通过单一兼容 OpenAI 密钥访问的 200 多个模型，供应商标价以 0% 加价原样透传，因此自有音色的旁白任务和面向客户的克隆音色可以指向不同的后端，而无需再签一份合同——而且如果某个端点在渲染过程中性能下降，自动故障转移能让任务继续推进。截至本文撰写时，Voxtral 3 T​TS 和 ElevenLabs 都不在 OrcaRouter 的目录中；两者都可以通过各自厂商的 API 以及若干第三方平台访问，而你现在要构建的路由设计，是为了让日后的切换只需改一处配置。

什么会改变这一裁决？

三项进展，但目前都尚未发生。

第一个是延迟数字。Mistral 尚未公布 Voxtral 3 T​TS 的首音频时间。发布材料中唯一的延迟数据属于实时转写模型（低于 500 毫秒）和智能体循环（不到一秒）。Artificial Analysis 报告的中位吞吐量为每秒 112 个字符，比 Eleven v3 的 56 更快，比 Sonic 3.6 的 145 更慢，但吞吐量并不是启动时间。如果 Voxtral 3 T​TS 最终能以接近 Cartesia 的首音频指标进行流式传输，它就会成为交互式工作的候选，而 ElevenLabs 的价格看起来就更糟。如果不能，它就仍然进不了流式传输这一类别，而 13 美元只是批量渲染的价格。

第二项是独立的语言层面评估。榜单分数是总体性的；一个模型总分可能达到 1,217 Elo，但在意大利语上可能好得多或差得多。两家厂商都没有公布细分数据，而对欧洲买家来说，这才是最重要的数字。

第三点是持久力。Arena 的片段都很短。Mistral 的材料并未说明 TTS 端点的最大生成长度，而长篇连贯性——ElevenLabs 的旁白传统所依托的东西——对于 Voxtral 3 TTS 来说，在任何有声书制作者会关心的长度上都未经测试。

在这些落地之前，决策异常清晰。如果你的产品语音由客户通过短片段来评判，就付费使用 ElevenLabs，并选择 40 美元的 Eleven v4 Turbo，而不是 80 美元的旗舰款。如果你的产品语音是批量生成、使用欧洲语言、运行在你控制的基础设施上，并且是回放而非现场演出，那么 13 美元的 Voxtral 3 T​TS 就是一个站得住脚的押注，其质量上限已知——而且这个上限比现有领先者低 111 分，这是你可以据此规划的数字，而不是在评审中才发现的意外。