Eleven v4 與 Gemini 3.1 Flash TTS 對比：116 分的差距，以及更便宜的 Google 模型

今天若要為 Google 的聲音挑選方案，你會挑錯那一個。Google Gemini 3.1 Flash TTS在 Artificial Analysis 的 Provider Voice Arena 中排名第 11，Elo 為 1,203，共出現 3,512 次，價格為每百萬字元 18.31 美元。ElevenLabs Eleven v4於 2026 年 9 月 28 日發布，以 Elo 1,319、1,674 次出現次數位居第 1 名，價格為每百萬 80.00 美元。這看起來像是對上更便宜挑戰者的 116 分差距——直到你注意到 Google 自家的 Gemini 3.8 Flash TTS 在同一榜上排名第三，Elo 為 1,267，標準化價格也更低，為 16.49 美元。真正的較量並非頭條對決所暗示的那一場，而原因在於一個發布日期。

其中一個比它看起來新了十八個月

在排行榜上，Gemini 3.1 Flash TTS 的發布日期為 2026 年 4 月 15 日。Eleven v4 則標示為 2026 年 9 月 28 日。兩者相隔五個半月，這在語音合成領域算不上一個世代，但已足夠長，讓 Google 早已推出後繼產品：Gemini 3.8 Flash TTS 與 Gemini 3.8 Flash-Lite TTS 均於 2026 年 9 月 23 日正式推出，比 Eleven v4 早五天，且兩者在同一排行榜上的排名都高於 3.1。Gemini 3.8 Flash-Lite TTS 以 1,241 名列第六，價格為每百萬 11.03 美元。

所以，誠實的比較有三個重點，而不是兩個，而依價格排序才是有趣的部分：

• 排名第 1，ElevenLabs Eleven v4 — Elo 1,319，每百萬個字元 80.00 美元，1,674 次出現，±19 區間

• 第 3 名，Google Gemini 3.8 Flash TTS — Elo 1,267，每百萬個字元 16.49 美元，於 2026 年 9 月 23 日發布

• 第 6 名，Google Gemini 3.8 Flash-Lite TTS — Elo 1,241，每百萬字元 11.03 美元，於 2026 年 9 月 23 日發布

• 排名第 11，Google Gemini 3.1 Flash TTS — Elo 1,203，每百萬字元 $18.31，發布於 2026 年 4 月 15 日，3,512 次出現，±12 區間

注意這些區間對那個排序造成的影響。Gemini 3.1 Flash TTS 估計為 1,203，區間為 ±12，因此它的真實數值大約落在 1,191 到 1,215 之間。Eleven v4 估計為 1,319，區間為 ±19——大約是 1,300 到 1,338。這兩個範圍並未相接，而且它們之間的差距超過一百分。這已經是偏好榜所能呈現的最乾淨結果了。

為什麼樣本數比排名更重要

Gemini 3.1 Flash TTS 的估計背後有 3,512 次出現紀錄；Eleven v4 則有 1,674 次，因為它在這個排行榜上才剛滿一天。較新的模型，其估計每個樣本所承載的不確定性更高，而 ±19 的區間正反映了這一點。如果你是那種會等到數字穩定下來才行動的買家，經驗法則就是：排序優先於區間寬度，那才是你能據以行動的部分。在這裡，排名在兩個方向上都穩穩經得起誤差條的檢驗——領先 3.8 Flash TTS，且在這項比較中不落後於任何人。

競技場也會計入競技場語音數：Eleven v4 有八個，Gemini 3.1 Flash TTS 有七個。這是在盲測中所使用的不同廠商語音數量，也是粗略衡量一家廠商能提供多少預設配音陣容的指標。Eleven v4 的第一名是以八個語音贏得的，這表示這場勝利並非只靠一位幸運的旁白。

Elo 未予定價的能力差異

這些排行榜衡量的是偏好，而非功能涵蓋範圍。四項差異決定實際專案，而它們沒有一項會出現在 Elo 中。

• 腳本指示 — Eleven v4 會說明行內音訊標籤（[laughs]、[whispers]、[said angrily in French accent]）以及自然語言的詮釋提示；Google 的 3.1 生成功能會說明語音選擇與提示方式，但沒有等效的標籤語法可用於演出指示。

• 語音建立 — Gemini 3.8 世代新增了從文字描述進行語音設計，以及從 30 秒樣本進行語音複製的功能，並在輸出上加入浮水印和來源追溯中繼資料。Gemini 3.1 Flash TTS 早於此，並搭載一組預建的語音集。

• 從真實音訊進行複製——Eleven v4 的 Instant Voice Cloning 只需十秒音訊即可運作，其上還有專業級方案。Google 在 3.8 世代中的複製路徑則要求 30 秒，並加入同意驗證。不同的門檻，不同的同意機制。

• 每次請求的輸入上限 — Eleven v4 載明為 10,000 個字元。Google 的 TTS 模型以權杖而非字元計費，因此沒有可同比的每次請求字元上限，實在不應把這兩種計量方式並列，彷彿它們能夠直接相較。

最後那一點，正是讓採購試算表出錯的地方。ElevenLabs 以每 1,000 個字元報價。Google 則以每百萬個 token 報價，輸入與輸出皆然。Artificial Analysis 把兩者都正規化到以每百萬字元為單位的軸線上——這就是 $80.00 和 $18.31 的由來——但這項正規化是該排行榜的換算，不是任何一家供應商的發票。用它來排名，而不是用來預測。

v4 費率表對這項比較有何影響

有兩週時間，上述的價格比較錯誤地偏向 ElevenLabs，接著又錯誤地對它不利。在 ElevenLabs 的 API 定價頁面上，Eleven v4 列為每 1,000 個字元 $0.022，對比標示的原價 $0.08，並標註為 10 月 12 日前享 72% 折扣。Eleven v4 Turbo 列為 $0.011，對比 $0.04。10 月 12 日之後，促銷數字會消失，而每百萬 $80.00 的牌價會成為你實際支付的費率。

以每月五百萬字元來算一筆帳。Eleven v4 在優惠期間要價 $110，優惠過後則是 $400。Gemini 3.1 Flash TTS 以該看板所列的 $18.31 標準化價格計算，同樣一個月約為 $92——比促銷價還便宜，更只要定價的大約四分之一。一支在九月做基準測試、十一月才出貨的團隊，等於是在一個早已不存在的數字上做出了決定。

路由何處適用，何處不適用

這兩個模型都不在 OrcaRouter 的目錄中。這裡沒有 ElevenLabs 端點，也沒有 Google TTS 端點可供呼叫，而對於「我要怎麼透過你來存取它們」這個問題，誠實的答案是：你無法透過我存取。Eleven v4 是透過 ElevenLabs 自家的 API 存取，而 Gemini 3.1 Flash TTS 則是透過 Google 的 API。說任何其他話都是在虛構一項整合。

在這樣的比較中，單一金鑰的價值就在於決策本身。如果你正在權衡每月 400 美元的端點與每月 92 美元的端點，答案取決於你自己的腳本、你自己的語言，以及你自己的監聽器——而要得到這個答案，就必須以同一段程式碼路徑、相同的請求格式來呼叫兩者，而不是為了跑一次測試就架起兩套供應商整合。OrcaRouter 正是涵蓋了這一層：200 多款模型收在同一個金鑰之後，供應商的定價以0% 加成原樣傳遞，因此供應商的價格變動會在生效當天就反映出來，另外還有自動容錯移轉，可在評估過程中某個上游服務效能下降時接手。

誰應該選哪個

當語音本身就是產品時，就選 Eleven v4。它以 116 分領先排行榜，且區間比其下的模型更乾淨；它是兩者中唯一具備可用於效能指示的內嵌標籤語法文件者，而它的克隆門檻是十秒，而非三十秒。溢價是真的——是標價中標準化價格的四倍——而它買到的是排行榜的頂端。

只有在已經決定採用 Gemini 3.1 Flash TTS 時，才選擇它。它是一款已推出五個月的預覽世代模型，分數低於 Google 自家九月發布的版本，正規化價格卻更高；唯一值得保留它的理由，是既有整合的慣性。如果你有這種慣性，留在 Google 生態系內遷移到 3.8 Flash TTS，就能在不更換供應商的情況下換得 64 點 Elo 分數，以及更低的正規化價格——這是升級同時也是更便宜選項的罕見情況。

對其他人來說，眼下真正的問題是 Eleven v4 對上 Gemini 3.8 Flash TTS，而答案是一場貨真價實的取捨，而不是排名：一邊是 52 點 Elo 和標籤語法，另一邊是每字元大約只有五分之一的成本。10 月 12 日之後，當 ElevenLabs 的促銷結束、你實際要付的就是這個價差時，用同一批腳本把兩者都跑一遍。