Eleven v4 對決 Cartesia Sonic 3.6：43 分的 Elo 差距，對上便宜 39% 的語音

ElevenLabs Eleven v4以 43 Elo 分的差距領先Cartesia Sonic 3.6，在 Artificial Analysis 的 Provider Voice Arena 上以 1,319 對 1,276 勝出；它也在 Controlled Voice 排行榜上勝出，位居第二，Sonic 3.6 則排名第四。它在價格上則以極大差距落敗，方向恰恰相反：每百萬字元 $80.00 對上 $49.00，而在推出期間，依廠商自家價目表計算，每字元費率約為對手的九倍。這是罕見的對決：計分板清清楚楚，決策卻依然難定，因為這兩款模型實際上並非競爭同一項工作。

每個模型是什麼，各用一段文字說明

ElevenLabs Eleven v4 於 9 月 28 日推出，是該公司的旗艦語音合成模型，並與 Eleven v4 Turbo 一同發布。文件說明它支援超過 90 種語言、每次請求的輸入上限為 10,000 個字元、具備可維持穩定說話者身分的多說話者對話、改良的 IPA 音素支援，以及行內指令，讓你能把表達方式寫進腳本。語音複製只需十秒音訊即可建立即時複本，並在此之上提供專業層級。

Cartesia Sonic 3.6 是 Cartesia 旗下一條主打速度與自然度的模型系列目前的最新版本。其自家產品頁面稱它是速度最快、最自然的文字轉語音模型，宣稱延遲低於 90 毫秒、原生支援橫跨 44 種語言的多語運作、可從十秒音訊進行語音複製、提供自訂發音詞典，以及涵蓋 HIPAA、SOC 2 Type 2、GDPR 與 PCI 的合規組合。兩家供應商都公布自家模型的延遲數據；這兩組數據都未經獨立驗證，且測量方式並不相同。

記分板：逐維度檢視

• 盲測偏好，各廠商使用自家語音——Eleven v4 排名第 1，Elo 1,319；Sonic 3.6 排名第 2，Elo 1,276。差距達 43 分。

• 盲測偏好，配對的複製語音 —— Eleven v4 排名第 2，Elo 1,157，對上 Sonic 3.6 排名第 4，Elo 1,138。19 分的差距，比第一個更窄。

• 競技場價格標準化，以每百萬字元計 —— Eleven v4 $80.00 對 Sonic 3.6 $49.00。以排行榜的共同基準計算，Sonic 便宜 39%。

• 供應商價目表，每千字元——Eleven v4 促銷價 $0.022，10月12日後為 $0.08，對比 Sonic 3.6 的 $0.049。一旦促銷結束，Sonic 便宜 39%。

• 語言覆蓋範圍，廠商文件記載 — Eleven v4 超過 90 種 vs Sonic 3.6 的 44 種。大約是兩倍。

• 每次請求的輸入上限 — Eleven v4 為 10,000 個字元，而 Sonic 3.6 未在其產品頁面上說明。

• 延遲（廠商自稱）——Eleven v4 Turbo 首次語音輸出的中位數約為 150 毫秒，對比 Sonic 3.6 低於 90 毫秒。同樣地，測試方式不同。

• 語音複製 — 兩者皆可從十秒的音訊進行，兩者皆具備更高階的專業方案。

• 列舉控制 — Eleven v4 記錄了 IPA 音素輸入與專業複製層級；Sonic 3.6 記錄了自訂發音詞典。

• 合規態勢 — Sonic 3.6 載明 HIPAA、SOC 2 Type 2、GDPR 與 PCI。ElevenLabs 在其模型頁面之外另行說明其合規情形，並未在 v4 旁放置相對應的清單。

那幾列中有兩列正是決定實際專案的關鍵。在廠商語音排行榜上，Elo 差距是 43 分，而在複製語音排行榜上是 19 分——當說話者保持不變時，Sonic 系列的差距縮小超過一半。這是一個模型的典型特徵：其調校具有競爭力，但預設語音陣容卻不然；這也說明 Sonic 在這場對決中的問題在於呈現方式，而非合成品質。

為何價格差距比看起來更小

表面上的費率比較在兩個方向上都具誤導性。Eleven v4 的每千字元 $0.022 是促銷數字，到期日為 10 月 12 日；度過該優惠期後仍然有效的是 $0.08，比 Sonic 3.6 的費率表高出 60% 以上。但競技場正規化並不在乎這項促銷：它按各模型的定價計價，得出 $80.00 對 $49.00，而這才是到了 11 月依然成立的比較。

還有第二個問題。Cartesia 並未在其產品頁面上公布每字元費率，因此 $0.049 這個數字來自 arena 正規化，而非供應商本身，而且這兩種計量方式可能無法完全吻合——正規化會對供應商的計費方式做出假設。請把排序視為可靠，並將精確百分比視為近似值。

以每月五百萬字元計算的實例：Eleven v4 採促銷費率為 110 美元，10 月 12 日之後則為 400 美元。Sonic 3.6 為 245 美元。因此，接下來兩週 Eleven v4 的成本不到 Sonic 的一半，而在那之後則高出 63%。今天撰寫採購比較、下個月才交件的人，若不註明自己採用的是哪一種費率，就會把結果弄反。

Sonic 3.6 是正確答案的那個片段

有些正式環境的語音工作負載，arena 排行榜並未衡量真正重要的事，而 Sonic 3.6 正是為它們打造的。

即時對話代理是最明顯的例子。在電話代理中，低於 90 毫秒的延遲不是行銷數字；它關乎一次打斷究竟是感覺被妥善處理，還是感覺像通話斷線，而 ElevenLabs 並未公布 Eleven v4 本身的同等數據——只公布了 Turbo 層級約 150 毫秒的首次發聲中位延遲。如果你的代理的 socket 預算很緊，那 43 點 Elo 對你來說可能不如那些毫秒有價值，而你自己的插話測試會比任何排行榜更快定奪。

受監管部署是第二項。Cartesia 在產品頁面上載明 HIPAA、SOC 2 Type 2、GDPR 與 PCI。合規清單不是 Elo，也不能用 Elo 來替代；如果有醫療照護或支付領域的審查者位於你的發布路徑上，記分板上的那一列會勝過其餘九列。

確定性發音是第三項，而且它更為細微。Eleven v4 有文件記載的 IPA 音素輸入是一項優勢，但 Sonic 3.6 的自訂發音詞典，才是擁有大量產品名稱詞彙的團隊往往早已建立好的工作流程。移植詞典是實實在在的工作；能夠取用你所擁有之產物的模型，則已具備起步優勢。

當 Eleven v4 單純就是更好的模型時

話雖如此，這些排行榜確實衡量了某些東西，而 Eleven v4 兩項都勝出。在 Provider Voice 上，它以 43 分領先 Sonic 3.6，該估計值有 1,674 個樣本支撐；而前代旗艦——ElevenLabs Eleven v3，取得 1,169 分——則落後 Sonic 3.6 107 分，這意味著 ElevenLabs 在一個世代內縮小了實質差距，而非守住領先地位。

語言數量是第二個明確的優勢。90 多種對上 44 種，大約是兩倍，而對於一個要進軍英語和少數幾種歐洲語言以外市場的產品來說，這是涵蓋範圍的問題，而不是品質問題——Sonic 3.6 對你的一些地區設定可能完全沒有語音。而多說話者對話處理加上內嵌語氣指令，是真正的能力差異：在腳本中寫入笑聲是 Sonic 3.6 沒有記載的工作流程，而在沒有這項功能的模型上重現該效果，意味著要進行後製或重錄一次，其成本比 Elo 差距所顯示的還要高。

執行其中任何一個，以及我們幫不上忙的部分

OrcaRouter 並未託管這兩個模型。ElevenLabs 與 Cartesia 不在我們的目錄中，因此這項比較中的任何內容都無法透過我們呼叫，而對「我要怎麼在 OrcaRouter 上使用它」這個問題的誠實答案是：沒有辦法——你得去找供應商。我們真正處理的，是語音堆疊最終橫跨多家供應商而非單一供應商的情況：一組 API 金鑰就能橫跨 200 多個模型，並將供應商牌價以 0% 加價原樣傳遞，讓供應商的價格變更在生效當天就即時反映在我們這邊。對於取決於同一月份字元用量你要付 $110 還是 $400 的決策來說，這個時機絕非小事。

當語音路徑直接面對客戶且不容中斷時，自動容錯移轉會在某個上游服務效能下降時，將流量導向健康的上游。正是這種模式，讓為期兩週的促銷窗口值得善加利用：你可以將正式環境指向較便宜的模型兩週，而無須改寫整合，並在費率恢復時切換回來。

誰該轉換，誰該等待

如果您的產品評價取決於聽起來如何、如果您發佈的語言超過二十幾種，或如果您的使用者聽到的是供應商為他們選擇的聲音，請改用 Eleven v4——最後這一群人正是 Provider Voice board 所代表的對象，而其中差距是所有列中最大的。

若你在延遲預算下運行即時對話、若合規審查人員已簽核你的技術堆疊，或若你擁有無法承擔重建成本的發音詞典，就繼續留在 Sonic 3.6。在這三種情況下，Sonic 並不落後；它是唯一有公開解答的選項。

等等，無論是哪一種情況，只要你的決定取決於價格。兩週後，Eleven v4 的價目表會變動將近四倍，而 Sonic 3.6 的不會，而今天寫下的比較，到了十月中讀起來就會是錯的。Elo 的排序仍然成立，價格則不然。