Voxtral 3 TTS 對比 Cartesia Sonic 3.6：多 72 Elo，價格卻是 3.8 倍

Cartesia Sonic 3.6 在品質之爭中勝出，Voxtral 3 T​TS 則在帳單上勝出，而這兩項差距的幅度就是整個比較的重點。在 2026 年 10 月 21 日 Artificial Analysis 的 Provider Voice 排行榜上，Sonic 3.6 以 1,289 Elo（98 個受評系統中排名第 4）位居，對上 1,217 的 Voxtral 3 T​TS（第 13 名）。差距為 72 分，明顯超出兩個模型的信賴區間。價格差距則朝反方向發展，而且更大：Sonic 3.6 每百萬字元 49 美元，Voxtral 3 T​TS 則為 13 美元——後者是 Mistral 比這份排行榜讀數早一天推出的模型，而 Sonic 3.6 的價格是它的 3.8 倍。這兩個數字都沒有爭議。有爭議的是，72 分的盲聽差距在實際生產環境中究竟值多少，而這完全取決於這副聲音的用途是什麼。 像這類發布背後有紀錄的 AI 故障與代理事件，均彙整於 OrcaRouter AI 事件檔案庫，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

首先，這些板子實際測量的是什麼

這兩個數字都來自同一來源；在每個廠商都會發布自家偏好研究的類別裡，這一點比平常更重要。Artificial Analysis 經營兩個榜單，而這兩個模型都出現在這兩個榜單上。

• 供應商語音 — 每個模型皆以其原生語音進行評估。Sonic 3.6：1,289 Elo，第 4 名，95% 區間 1,275–1,303，2,732 次比較。Voxtral 3 T​TS：1,217 Elo，第 13 名，區間 1,202–1,232，1,619 次比較。

• {{1}}受控語音{{/1}} — 每個模型都克隆到相同的八個參考語音上，因此聽眾比較的是引擎，而非語音選角。{{2}}Sonic 3.6{{/2}}：1,151 Elo，第 5 名，區間 1,138–1,164。{{3}}Voxtral 3 T​TS{{/3}}：1,066 Elo，第 14 名，區間 1,049–1,083。

• 已發布 — Sonic 3.6 於 2026 年 8 月；Voxtral 3 TTS 於 2026 年 10 月 20 日。

• 定價 — 每 100 萬字元 $49.00，對比每 100 萬字元 $13.00，兩者皆由 Artificial Analysis 追蹤，且與各供應商的公開定價一致。

• 吞吐量 — Sonic 3.6 的中位數為 {{1}}每秒 145 個字元{{/1}}，而 Voxtral 3 T​TS 為 {{2}}112{{/2}}，由 Artificial Analysis 測量。

• 權重 — 兩者皆為封閉。兩者都無法在寬鬆授權下自行託管。

那張表有兩個細節很容易被略過，卻不該被略過。Controlled Voice 的結果是兩者中更能反映真實情況的，因為它去除了擁有優良聲音庫所帶來的優勢，而在這裡，差距從 72 分擴大到 85 分。Sonic 3.6 並非靠聲音選角取勝，而是靠語音合成取勝。第二個細節是樣本數。Voxtral 3 TTS 在供應商排行榜上有 1,619 次比較，比 Sonic 3.6 少約 40%，其區間也相應較寬。第二天的分數是真實分數，但它會變動。

72 Elo 從何而來：逐項功能解析

Elo 是偏好總和，而非診斷，因此值得追問是哪些產品決策造就了它。這兩個模型是為不同任務而打造，規格也顯示出這一點。

Cartesia 打造了一套串流引擎。Sonic 3.6 最受矚目的主張是：不到 90 毫秒就能輸出第一個音訊，而這來自一個以速度為主打賣點的供應商頁面。它的控制項正是真人客服人員所需：諸如笑聲、音量與語速調變等行內提示、自訂發音詞典、從上下文推斷情緒。這是一款專為在對話中途被呼叫、並幾乎立即開口說話而設計的模型。

Mistral 打造了一款錄音室級語音，並加上企業級包裝。Voxtral 3 T​TS 提供 35 種以上語言與 50 種以上方言、18 種語言的語音預設、可在提示詞層級控制情緒、節奏與強調、音素層級發音，以及詞彙庫。其聲音複製方案是「Pro Voice」：用 30 分鐘音訊重現說話者的特質、情感範圍與風格，且可跨語言。那是一條調適流程，而非即時複製。

實務上的結果是，這兩個模型並不是在爭奪同一個定位。30 分鐘的語音調適流程屬於品牌語音營運；10 秒即時克隆則是面向使用者的功能。如果你的產品讓客戶上傳一段音訊片段，並聽到自己以生成語音呈現，Sonic 3.6 能做到，而依文件所述，Voxtral 3 T​TS 則不行。

延遲不對稱讓這問題更加嚴重。Cartesia 公布了延遲數字，Mistral 則沒有。Voxtral 3 T​TS 在整個發布資料中，任何地方都沒有公布首次音訊延遲（time-to-first-audio）數字；最接近的數據，是另一款獨立即時轉錄模型上「低於 500 毫秒」的說法。缺少的數字不代表數字難看，但在採購決策中，這是一項你得自行承擔的風險；而對於任何互動式應用來說，願意公布自身數據的廠商，是更安全的預設選擇。

成本算術，在真正產生衝擊的規模上

按字元計價看似抽象，直到乘上用量才具體。以每分鐘口說約 900 個字元計算，一小時連續語音約為 54,000 個字元。

• 一小時的音訊 — Sonic 3.6：約 $2.65。Voxtral 3 T​TS：約 $0.70。

• 每月一千小時——Sonic 3.6：約 2,650 美元。Voxtral 3 TTS：約 700 美元。一年相差約 23,400 美元。

• 每月一萬小時 — Sonic 3.6：約 26,500 美元。Voxtral 3 T​TS：約 7,000 美元。一年相差約 234,000 美元。

在那個區間的低端，差距只是有人會爭論的一筆支出細項；到了高端，差距則是一個人力的編制。這就是 Voxtral 3 TTS 的全部理由，而對任何語音屬於長篇且預先渲染的工作負載來說，這理由都很站得住腳：有聲書、數位學習模組、型錄旁白、配音流程。在這些工作中，72 Elo 只會表現在極少數句子讀起來稍微不那麼自然，而聽眾根本沒有拿它跟任何東西比較。

算術會改變形態的地方，在於兩個模型於同一產品中承擔不同工作時。客服專線需要 Sonic 3.6 的延遲表現與其亞秒級啟動；同一家公司的行銷旁白則不需要。為第二項工作支付 $49，就是花 $49 買一項該工作根本用不到的能力——而要在不經過兩套採購流程的情況下同時保留兩者，最乾淨的做法是採用一個把模型視為參數的路由層。這正是支持 OrcaRouter 這種架構、而非支持任一供應商的理由：一套相容於 OpenAI、涵蓋 200 多個模型的 API，供應商定價以 0% 加成原樣透傳，還有一套路由 DSL，能用同一把金鑰把批次旁白工作與即時通話送往不同後端。截至本文撰寫時，Sonic 3.6 與 Voxtral 3 T​TS 都尚未收錄於 OrcaRouter 的目錄中，因此目前兩者都須透過各自供應商的 API 與數個第三方平台來存取——重點在於當它們被收錄時，整合會呈現的形態。

實務上起決定性作用的三個反對意見

首先是語言。Cartesia 宣稱單一模型可提供 44 種語言。Mistral 宣稱支援 35 種以上語言與 50 種以上方言，並提供 18 種預設。紙面上 Mistral 涵蓋範圍更廣；但實務上，方言數量是對涵蓋廣度的承諾，而非保證每個方言都經過評估。若你的產品藍圖包含兩家廠商都沒有示範的市場，請索取樣本，而不是只看數字。Mistral 明確較強的一點是歐洲涵蓋範圍：其轉錄模型宣稱支援歐盟全部 24 種官方語言，語音合成則達 35 種以上；而且 Mistral 是法國公司，以歐盟、美國與全球端點的資料駐留選項切入歐盟採購。Sonic 3.6 則沒有對等的主權部署方案。

第二個是生產環境中的發音控制。Elo 差距最容易在此造成誤導。一個不需字典就能正確唸出「Dr. Nguyen」的模型，排名可能低於在一般散文上聽起來更自然的模型。Voxtral 3 TTS 內建詞彙庫與音素控制；Sonic 3.6 內建自訂發音字典與內嵌的表達提示。兩者都有這項功能。Mistral 的版本針對企業內容中的人名與品牌詞彙；Cartesia 的版本則針對串流通話中的同一個問題。在任一方分數能投下一票之前，先測試你自己的詞彙表——一份朗讀出來的產品名稱、姓氏與縮寫清單。

第三種情況，是廠商碰上糟糕午後時會發生的事。單一端點語音管線會失效關閉：端點降級，產品便悄然無聲。Sonic 3.6 與 Voxtral 3 T​TS 位於不同的基礎設施上，有著不同的故障模式，而它們之間的備援回落路徑，值得在真正需要之前就先設計好。 跨供應商的自動容錯移轉正是路由器在此為你帶來的具體效益；它在語音中比在文字中更有價值，因為漏掉一個 token 是無形的，漏掉一個音節卻不然。

所以是哪一個？

當語音處於對話情境時，選擇Cartesia Sonic 3.6：電話客服代理、應用程式內助理、遊戲 NPC，任何在使用者還沒讀完載入動畫前就聽到第一個音節的場景。你以每百萬字元 49 美元的價格，換來一個啟動時間低於 90 毫秒、在排行榜上得分 1,289 的模型，而這個價格在該延遲級別的所有其他模型面前都站得住腳。

選擇 Voxtral 3 T​TS，適用於語音本身就是內容的情況：旁白、配音、整套產品目錄的品牌語音，以及任何預先製作好再播放的內容。你花 $13 換來一個 Elo 落後領先者 72、價格便宜 3.8 倍的模型，並具備歐盟資料駐留，以及一套 30 分鐘的語音調適流程，比起為每位使用者製作專屬克隆，更適合單一企業語音。

如果兩種音訊你都會出貨，就不要只獨押其中一種。要避免的錯誤是：只選一次，之後卻讓便宜模型也能做的工作去付高階模型的費率，或在延遲會致命的地方硬吞便宜模型的延遲。一個金鑰背後掛兩個端點，正是讓這個決定不會變成永久定案的配置。

懸而未決的問題是，Mistral 缺失的延遲數字最終會是多少。如果 Voxtral 3 T​TS 串流時的首音訊數字能接近 Cartesia 的水準，$13 的價格就會成為更難反駁的事實，而 72 Elo 則會成為 Sonic 3.6 僅存的優勢。Mistral 尚未公布，也沒有第三方測量過；在其中一項改變之前，串流席位預設屬於 Cartesia。