Voxtral 3 TTS 對比 ElevenLabs：便宜六倍，落後一百分

Mistral 將 Voxtral 3 T​TS 定價為每百萬字元 13 美元，並將其推向一個市場：在該市場中，所有人拿來當基準的模型 ElevenLabs Eleven v4 收費 80 美元，且在 Elo 得分 1,328，而 Voxtral 是 1,217。這是以 6.2 倍的價格換來 111 分的盲聽偏好差距；乍看之下，便宜模型差得太遠，根本不足以構成影響。但它仍然重要，原因在於計分板沒顯示的一點：ElevenLabs 賣的不只是語音合成。它賣的是語音平台——聲音庫、配音、代理、專業聲音複製——而大多數支付每百萬字元 80 美元的團隊，付的既是聲音，也是平台。Voxtral 3 T​TS 於 2026 年 10 月 20 日發布，反而是隨著代理 SDK 與歐盟主權部署方案登場。因此，決定購買的比較不是「哪個聽起來更好」，因為那點已有定論，而是「這兩個套裝中，哪一個才是你真正需要的」。像這類發布背後有紀錄的 AI 失誤與代理事件，都收錄在 OrcaRouter AI Incident Archive，其中每筆紀錄都附有自己的來源、嚴重程度、信心等級與爭議標記。

計分板，先於其他一切

• 供應商語音 Elo — ElevenLabs Eleven v4：1,328（98 個中第 2）。Voxtral 3 TTS：1,217（第 13）。兩者數據均來自 Artificial Analysis，查閱於 2026 年 10 月 21 日。

• 受控語音 Elo — Eleven v4：1,157（第 4 名，與 Eleven v4 Turbo 並列）。Voxtral 3 TTS：1,066（第 14 名）。

• 每 100 萬字元的定價 — $80.00 對比 $13.00。

• 語言 — ElevenLabs：所有方案均支援 74 種語言。Voxtral 3 TTS：支援 35+ 種語言與 50+ 種方言，並在 18 種語言中提供預設集。

• 即時複製 — ElevenLabs：付費方案約需 30 秒音訊即可完成。Voxtral 3 TTS：未公布即時複製功能；「Pro Voice」調適需 30 分鐘音訊。

• 權重 — 兩者皆已關閉。

那份清單中有一行值得多看一眼：ElevenLabs 自家較便宜的旗艦。Eleven v4 Turbo 得分 1,333——比 Eleven v4 高五分，仍在誤差範圍內——每百萬字元 40 美元，正好是半價。如果選擇純粹是「ElevenLabs 所販售的最佳語音」，Turbo 就是明智的購買選擇，而且它把與 Voxtral 3 T​TS 的差距從 111 Elo 拉到 116，只花三倍價錢。ElevenLabs 的價格階梯，比大多數這場對決的比較所承認的還要寬廣。

111 點在產品中看起來是什麼樣子

這麼大的 Elo 差距並不細微。在盲聽的並排比較中，這是聽眾在第一句就會注意到的差異，而不是到第五句才察覺——相當於 ElevenLabs 自家產品線中 Eleven v3 與 Eleven v4 之間的差距（1,182 對 1,328）。Cartesia 的 Sonic 3.6 為 1,289，位居其間，也是最直接削弱「一分錢一分貨」這種解讀的模型；它比 Voxtral 高出 72，價格為 $49，是 Eleven v4 的一半。

差距集中之處，在於表現性素材的交付控制。ElevenLabs 的 v4 生成是圍繞音訊標籤（嵌入文本中、用於情緒、節奏與強調的行內指令）建構的，同時也圍繞著一個深到多數團隊根本不需要複製聲音的聲音庫。Mistral 的 Voxtral 3 TTS 提供提示詞層級的情緒、節奏與強調控制，外加音素層級的發音與詞彙庫。兩者都提供了引導方向。ElevenLabs 已經歷兩代關於這些控制項在邊界情況下如何運作的公開回饋，而 Voxtral 3 TTS 才剛經歷一天。

差距縮小之處，在於任何非英語的歐洲語言。Mistral 的模型是以多語言優先打造，聲稱支援 50 多種方言，其語音系列涵蓋歐盟全部 24 種官方語言。ElevenLabs 涵蓋 74 種語言，數量上更廣，但數量廣度與各語言品質是不同層面的說法，而且兩家廠商都未公布各語言的 Elo。如果你要推出荷蘭語、波蘭語或葡萄牙語產品，這兩個排行榜都無法給你答案；你得親自去聽。

每百萬字元 80 美元，實際上究竟買到什麼

這正是比較中價格差異不再像單純加價的部分。ElevenLabs 的每字元費率是綁定在一個平台之上的：一個共享的語音市集，你可以從中取得授權，而不必自行複製；只要約 30 分鐘的音訊，就能透過同意流程進行專業語音複製；還有配音、音效、對話式代理技術堆疊，以及累積數年的用戶端函式庫與整合方案。這些全都不會出現在排行榜上，而全部都是團隊否則就得自己動手做的工作。

Mistral 的套裝方案指向不同的方向。Voxtral 3 TTS 與一套以 LiveKit 為基礎的語音代理 SDK 一同推出，支援 SIP 電話、WebRTC 與 IVR，宣稱代理一輪互動可在不到一秒內完成，代理每分鐘價格為 0.04 美元，並以 Mistral Small 4 作為推理模型。它同時附帶明確的主權部署訴求：歐盟、美國與全球端點，可在私有基礎設施上自行部署，並明確表達對音訊在何處處理以及是否被留存的重視。對歐洲企業或公共部門買家而言，這是 ElevenLabs 目前無法以相同形式提供的採購答案。

簡單來說：ElevenLabs 賣的是產品廣度，Mistral 賣的是部署控制權。需要配音、音效和授權語音目錄的團隊，根本不是在兩者之間做選擇。而只需要一個聲音、單一語言對，並讓它在自己掌控的資料中心裡運行的團隊，等於在為一大堆永遠不會啟用的 ElevenLabs 功能付錢。

移民問題，老實說

「跳脫 ElevenLabs、省下 84%」這種說法很誘人。但在採信之前，先算算數字，因為只有當工作負載能夠承受品質下滑與功能短少時，這筆節省才真的成立。

• 大規模純旁白、單一語言、無授權配音員——節省下來的成本是真實的。每月一千小時，使用 Eleven v4 約需 $4,320，而 Voxtral 3 TTS 約需 $700，且聽眾並不會進行 A/B 比較。

• 任何使用 ElevenLabs 音庫中經授權的名人或品牌聲音的內容——無法進行遷移。Voxtral 3 T​TS 沒有市集；你自備 30 分鐘音訊，自行產出你的改編版本。

• 任何面向使用者、由客戶上傳短片段並期望聽到自己聲音的情境——ElevenLabs 約 30 秒即可完成克隆，而根據 Mistral 的文件，Voxtral 完全不提供即時克隆。

• 任何已經在使用配音、音效或對話式技術堆疊的項目——實際的比較並不是 $80 對上 $13，因為離開意味著要替換那些從來就不在同一張發票明細項目上的產品。

實際可行的模式是分流：產品中由人仔細聆聽、可能互相比對的部分繼續使用 ElevenLabs，並將大量渲染移到較便宜的模型。要乾淨地執行這種分流，與其說是採購問題，不如說是路由問題。OrcaRouter 在單一組 OpenAI 相容金鑰後方提供 200+ 個模型，並以 0% 加價直接轉嫁供應商標價，因此品牌專屬聲音的旁白工作和面向客戶的克隆可以指向不同後端，而無需第二份合約——而且如果某個端點在渲染中途降級，自動容錯移轉可讓工作繼續進行。截至本文撰寫時，Voxtral 3 T​TS 和 ElevenLabs 都尚未收錄於 OrcaRouter 的目錄中；兩者都可透過各自供應商的 API 和數個第三方平台存取，而路由設計正是你現在就要建立的，以便日後切換時只需變更設定。

什麼會改變這個判決？

三項發展，但都尚未發生。

第一項是延遲數字。Mistral 尚未公布 Voxtral 3 TTS 的首次音訊時間。發表資料中唯一的延遲數據屬於即時轉錄模型（低於 500 毫秒）與代理迴圈（不到一秒）。Artificial Analysis 報告的中位吞吐量為每秒 112 個字元，比 Eleven v3 的 56 更快，但比 Sonic 3.6 的 145 更慢；然而吞吐量並不是啟動時間。如果 Voxtral 3 TTS 最終能串流，且首次音訊數據接近 Cartesia，它就會成為互動式工作的候選，而 ElevenLabs 的價格就顯得更不利。如果不會，串流類別仍對它關閉，而這 13 美元就只是批次渲染的價格。

第二個是獨立的語言層級評估。排行榜分數是彙總性的；一個模型可能整體保有 1,217 Elo，但在義大利語上可能好得多或差得多。兩家廠商都未公布細項拆分，而對歐洲買家來說，那才是最關鍵的數字。

第三是持久力。Arena 的片段都很短。Mistral 的資料並未說明 T​TS 端點的最大生成長度，而長篇連貫性——ElevenLabs 的旁白傳統正是建立於此——對 Voxtral 3 T​TS 而言，在任何對有聲書製作人會有意義的長度上，都尚未經過測試。

在那些功能推出之前，這個決策異常清楚。如果你的產品語音是由客戶透過短片來評判，就付費使用 ElevenLabs，並選用 40 美元的 Eleven v4 Turbo，而不是 80 美元的旗艦款。如果你的產品語音是大量生成、使用歐洲語言、在你控制的基礎設施上執行，而且是重播而非即時演出，那麼 13 美元的 Voxtral 3 T​TS 是一個站得住腳的賭注，且有已知的品質上限——而這個上限比現任者低 111 分，這是一個你可以預先規劃的數字，而不是在審查時才發現的意外。