Gemini 3.8 TTS 對決 ElevenLabs：三倍價格能換來什麼

在相同用量下，ElevenLabs 的旗艦合成模型成本約為該廠商新款模型的三倍。ElevenLabs Eleven v3每千字元收費 $0.10——即每百萬字元 $100——而Gemini 3.8 Flash TTS每百萬音訊 token 收費 $9.00，Artificial Analysis 將其標準化為每百萬字元 $33.00。計費表上的差距是 3.0 倍，而這是這項比較中最重大的單一事實。耐人尋味的問題不在於這個差距是否真實，而在於每百萬字元多出來的六十七美元實際上買到了什麼，因為答案並不是「更優質的語音」。

三公尺，不是一公尺

首先必須釐清的是，這兩個產品衡量的並不是同一件事，而公布的價目表卻掩蓋了這一點。

• ElevenLabs 以字元計費。Eleven v3 每 1,000 個字元收費 $0.10，每次請求上限為 5,000 個字元。Eleven v3 Conversational 每 1,000 個字元收費 $0.05，而 Flash 與 Turbo 模型同樣每 1,000 個字元收費 $0.05，但請求上限為 40,000 個字元，並宣稱約 75 毫秒延遲，相較於 v3 Conversational 的約 280 毫秒。

• Google 以權杖計費，而音訊權杖並非文字權杖。Gemini 3.8 Flash TTS 的費用為每百萬個輸入文字權杖 $0.50，以及每百萬個輸出音訊權杖 $9.00，並以每生成一秒語音 25 個音訊權杖計量。目前並未公布每次要求的字元數上限。

• Artificial Analysis 對兩者都不計費；它做的是標準化。其 Provider Voice Arena 排行榜上每百萬字元 $100.00 與 $33.00 是推導出來的共同分母，好讓這個排行榜至少能依價格排名。適合用來算比率，不適合用來報價。

所以，3.0x 這個數字的誠實版本是：在唯一可用的同類比較基礎上，Google 的價格大約是三分之一。這對你自己的試算表意味著什麼，取決於你的工作負載是以短字串還是長字串為主——按秒計費的音訊計量和按字元計費的文字計量，會隨著語句變長而急遽分歧，因為靜音、停頓和韻律填充都會消耗音訊 token，卻不會消耗任何字元。

一個已完成工作的月份

將一百萬個字元的文字轉換成語音一次，這大約是一本中等長度小說的篇幅。

• ElevenLabs Eleven v3 — 語音合成費用為 $100.00，外加你需要依自身併發量運行它所選的方案層級。已公布的方案中，Starter 為 $6、Creator 為 $22、Pro 為 $99、Scale 為 $299、Business 為 $990，而字元額度已包含在這些方案內，而非另行計費。

• Gemini 3.8 Flash TTS — 相當於 $33.00，若這項工作可批次處理，則約為 $16.50，因為 Batch 與 Flex 方案會將音訊費率減半至每百萬個詞元 $4.50。Priority 服務則會將其提高到每百萬個詞元 $16.20，或約相當於 $59.40，仍遠低於 ElevenLabs。

• Gemini 3.8 Flash-Lite TTS — 每百萬音訊權杖 $6.00，以相同正規化基準計算約相當於 $22.10，代價是語言數量為 101 種而非 130 種。

把同樣的一百萬個字元以 Google 的促銷定價來計算，差距會進一步擴大，因為兩款新的 Gemini TTS 模型在 2026 年 12 月 31 日之前都是半價，之後價格會翻倍。任何根據九月數字建立商業案例的人，都是在把商業案例建立在一個已公布到期日的折扣上。

比較結果唯一會逆轉的地方，是非常短的語句。按字元計費的計量方式，對三個詞的確認幾乎收不到什麼費用；按秒計費的音訊計量方式，則會對說出那句確認所需的秒數收費，包括它周圍的靜默。如果你的產品是由單句回覆構成的語音介面，這筆帳就會偏向 ElevenLabs。如果它是旁白、有聲書、長篇本地化，或任何文字很長、音訊更長的情況，就會強烈偏向 Google。

品質問題，坦白說

在 Artificial Analysis Provider Voice Arena 上——針對各家供應商自家原生語音進行的盲測兩兩投票——這兩個模型差距懸殊，由 Google 領先。

• Gemini 3.8 Flash TTS — 排名第 2、Elo 1,260、17 分的區間、1,999 個樣本、8 種競技場語音，於 2026 年 9 月發布。

• ElevenLabs Eleven v3 — 排名第 17，Elo 1,167，11 分區間，4,345 個樣本，8 個競技場語音，在排行榜上列為 2026 年 2 月。

它們之間相差 93 點 Elo 積分，而不同於那個排行榜前三名之間的差距，這個差距是真實的：Eleven v3 的區間是 1,156 到 1,178，Gemini 的則是 1,243 到 1,277，兩者並無重疊。Eleven v3 的樣本數是 Gemini 的兩倍以上，因此這項估計也並不薄弱。

對價格論點來說，這是個確實很尷尬的結果，而且與顯而易見的結論相牴觸。ElevenLabs 收費是別人的三倍，在盲測偏好中卻低了十七位。無論多付的那六十七美元能買到什麼，在正面對決中，它都不是聽起來更好的聲音。

ElevenLabs 究竟在賣什麼

ElevenLabs 主要賣的並不是一個語音合成端點，而多數比較之所以出錯，就在於把它的定價當成那樣的端點來看待。這筆錢買到的是：

• 語音庫。ElevenLabs 的共享語音庫有數百種語音，並且是實實在在的產品介面——人們前來 ElevenLabs 往往是為了他們在某處聽到的特定語音，而不是其背後的模型。Gemini 3.8 Flash TTS 搭載 30 種內建的錄音室語音、一條可從自然語言描述生成語音的語音設計路徑，以及一條可從 30 秒樣本複製的複製路徑，並附有同意驗證、SynthID 浮水印和 C2PA 憑證。預設目錄較小；創建特定語音的能力則相當。

• 延遲等級各自成為獨立產品。Flash 和 Turbo 約 75 毫秒、40,000 字元上限，這與約 280 毫秒、5,000 字元的 v3 是不同的產品，而前兩者都比 v3 便宜。如果你的應用程式需要低於 100 毫秒，ElevenLabs 明確販售這一點，而 Google 的發表資料並未對這兩款新的 TTS 模型提出可相比擬的延遲聲明。

• 一個生態系。配音、語音代理、對話端點、附帶併發數的方案結構——這正是 Cartesia 販售電信服務的原因：它是一套技術堆疊，而不是一個模型。

如果你買的是套裝方案，3.0 倍就是你不自己組裝的代價。如果你買的是合成呼叫，你就是在為語音庫和延遲層級付費。

Google 實際上在賣什麼

反面論證比「更便宜」更狹隘，也更有力。

• 語言涵蓋範圍 — Flash TTS 支援 130 種語言，Flash-Lite TTS 支援 101 種，並會從文本自動偵測；相較之下，ElevenLabs 為 Eleven v3 記載的語言為 70 多種。就一輪在地化流程而言，這樣的差異不是功能比較，而是涵蓋範圍的落差。

• 指導 —— 逐行的語音交付控制、在單次呼叫中安排雙講者場景，以及寫入腳本中的非語言提示，例如 <laughs>、<sigh>、<gasp>、|mhm| 和 |yeah|。Google 聲稱 3.8 世代相較於 Gemini 3.1 Flash TTS，改善了長篇一致性與雙講者控制，而這正是這些功能存在的目的。廠商說法，未經重現。

• 語音狀態模型 —— 每個專案可擁有 200 個具狀態的自訂語音，存續時間（TTL）為一年；或使用無狀態語音，透過 voicekey_... 控制代碼來存取，並於七天後失效。這是一項你可以事先規劃的基礎架構決策。

• 輸出控制 — 一元端點上為 WAV 24 kHz 單聲道 16 位元有號 PCM，串流端點上為無標頭 PCM（audio/l16），以及可設定取樣率的 audio/mulaw 和 audio/alaw。

Google 的發布基準是由廠商自行提報，因此應以此角度解讀：在 Hume AI Voice Design Benchmark 上以 71.4 名列第一，在口音建模上以 60.8 排名第一，Flash 與 Flash-Lite 則分別在 Hume Overall Quality Index 上拿下第一與第二，並宣稱在日語、巴西葡萄牙語、越南語、現代標準阿拉伯語、墨西哥西班牙語與印地語中取得盲測偏好的頂尖名次。這些測試沒有任何一次是公開的。本文上方的 Arena Elo 是文中唯一獨立蒐集的數字，而它恰好與廠商宣稱的方向一致。

切換演算

如果你的工作負載屬於長篇、多語言，或用量大到讓 3.0x 成為一筆獨立列項，而且你能接受較小的預設語音目錄、以及沒有公布低於 100 毫秒的層級，那就切換吧。這涵蓋了旁白、配音、無障礙，以及大多數產品內嵌語音。

如果你買的是整套方案——語音庫、延遲分級、配音與代理產品——就繼續留用；或者你的工作負載以極短語句為主，而按秒計費的音訊計量讓你吃虧，也該留下。同樣地,如果你已在 ElevenLabs 上微調出使用者認得的聲音身分，也請留下，因為聲音的延續性本身就是產品特色，而在新模型上重新打造它則是一項專案。

無論走哪條路，明智的做法都是先在真實流量上同時運行一個月再做決定，而這也正是為何不該把任一方直接接進你的程式碼庫。OrcaRouter 以供應商原價、不加任何加成，讓 200 多個模型共用一組金鑰，因此任一實驗室的價格變動當天就會反映到你的帳單上，而不必等到續約，而且自動容錯移轉能讓正式環境的語音路徑持續運作，即使全新的端點出狀況也一樣。我們不代管 ElevenLabs——它的語音合成與代理層是它自家的產品——我們也不代管 Gemini 3.8 TTS 端點，那些來自 Google 的 API。我們所承載的是底下的文字層，以及其上的路由層。

值得關注的數字，是 Eleven v3 在下一次排行榜更新中的 Elo。對於一個收費高出三倍的模型而言，九十三分是相當大的劣勢；而若信賴區間收窄、差距卻未隨之縮小，價格這個論點就不再是一樁交易，而會變成一紙定論。