北京
语音合成赛道又换老大了。Artificial Analysis 的 Provider Voice TTS Arena 榜单上，ElevenLabs 的新模型拿下第一，Elo 得分 1,319，成绩区间 +19/-19，累计出场 1,674 次。
排在它身后的是 Cartesia 的 Sonic 3.6，Elo 1,276；再往后是 Google 的 Gemini 3.8 Flash TTS，Elo 1,267。三个模型的差距不算悬殊，但这款新模型是唯一一个在四个细分场景里全部排第一的选手。
四个场景全拿第一
这四个场景分别是客户服务、助手、知识分享和娱乐。它在每一个类别里都排在榜首，没有出现"偏科"的情况。
换句话说，不管是做客服机器人还是做有声内容，这个模型在评测里都没有明显短板。对于需要跨场景复用一个语音方案的团队来说，这一点比单纯的 Elo 分数更有参考价值。
这是 ElevenLabs 最新的文本转语音模型，语言支持从上一代的 70 多种提升到了 90 多种。
换个声音再比一次，它排第二
Provider Voice 比的是各家自己的声音。为了排除"声音本身好听"这个变量，榜单还设了一个 Controlled Voice 维度——所有模型统一使用同一个自定义声音来对比。
在这个维度下，新模型排到了第二，Elo 1,157（+16/-16），出场 1,483 次。第一名是阿里巴巴的 Qwen-Audio-3.1-TTS-Plus，Elo 1,178。
上一代在同一个维度下的 Elo 是 1,073，新一代比它高出了 84 分。这说明进步不只来自声音库的扩充，模型本身对音色的还原能力也在往上走。
91.7%，榜单测过的最高分
发音鲁棒性这一项，新模型拿到 91.7%，是这份榜单测量过的最高分。
作为对照，Gemini 3.8 Flash TTS 是 89.5%，Gemini 3.1 Flash TTS 是 88.2%。上一代的成绩是 85.6%，新一代提升了 6.1 个百分点。
发音鲁棒性衡量的是模型在多语言、复杂词、专有名词等场景下读对音的能力。这个指标越高，意味着实际部署时因为读错字而需要人工返工的情况越少。
快了一截，但也贵了一截
速度方面，新模型每秒钟生成时间可以处理 73.4 个字符，上一代这个数字是 42.5。生成效率提升了大约七成。
成本方面，新模型的定价是每百万字符 80 美元。Sonic 3.6 是每百万字符 49 美元，Gemini 3.8 Flash TTS 是每百万字符 16.49 美元。
把这几项放在一起看，新模型的位置比较清楚：发音准确率和生成速度都是它的强项，代价是单价明显高于两个主要竞品。选它还是选更便宜的方案，取决于具体场景里读错一个字的成本有多高。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
