根据国际权威人工智能模型评估机构 Artificial Analysis 最新发布的受控语音大模型竞技场质量榜单（Controlled Voice Arena Quality Rank by Language），全球语音大模型（TTS / Speech-to-Speech）格局迎来了重大洗牌。Cartesia Sonic 3.6 斩获 7 冠展现全球统治力，Inworld Realtime TTS-2 精准制霸中美双核心市场，而谷歌 Gemini 3.8 Flash 系列则在小语种赛道突围夺魁。
一、 评测背景与方法论框架
1. 评测机制与数据源
- 真实人类偏好盲测（Human Preference Votes）：该榜单基于全球真实用户的双盲主观听感投票（Elo 衍生机制），消除了传统客观声学指标（如 PESQ/STOI）无法完全衡量人类真实情感、拟真度与语感微小瑕疵的缺陷；
- 受控音色基准（Controlled Voice）：所有参评模型均基于统一限定的声音描述或标准参考音进行跨语言合成，严格测试模型在去除特定克隆音色红利后的基础发音、语调韵律（Prosody）、重音连读与语种间稳定性；
- 评分规则：独立计算各语种排名，数字越小（Rank 越低）代表质量越优、人类偏好度越高。
二、 核心模型全语言梯队全景对比表
| 模型名称与厂商 | 美式英语(US) | 英式英语(UK) | 日语(JP) | 葡萄牙语(PT) | 阿拉伯语(AR) | 德语(DE) | 印地语(HI) | 法语(FR) | 西班牙语(ES) | 越南语(VN) | 中文普通话(ZH) |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Sonic 3.6 (Cartesia) | 2 | 1 | 3 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 2 |
| Sonic 3.5 (Cartesia) | 4 | 2 | 6 | 1 | 8 | 5 | 4 | 5 | 3 | 4 | 6 |
| Realtime TTS-2 (Inworld) | 1 | 4 | 4 | 6 | 17 | 2 | 7 | 4 | 4 | 5 | 1 |
| Gemini 3.8 Flash-Lite TTS (Google) | 10 | 8 | 1 | 3 | 2 | 3 | 6 | 8 | 6 | 12 | 11 |
| Gemini 3.8 Flash TTS (Google) | 9 | 9 | 2 | 2 | 3 | 4 | 5 | 6 | 7 | 9 | 13 |
| Eleven v3 (ElevenLabs) | 8 | 5 | 7 | 5 | 4 | 6 | 2 | 3 | 2 | 3 | 12 |
| v3 Conversational (ElevenLabs) | 11 | 6 | 5 | 7 | 5 | 7 | 3 | 2 | 5 | 2 | 7 |
| Speech 2.8 Turbo (MiniMax) | 15 | 11 | 16 | 10 | 10 | 14 | 17 | 16 | 11 | 8 | 5 |
| Speech 2.8 HD (MiniMax) | 14 | 14 | 15 | 8 | 9 | 16 | 15 | 13 | 9 | 6 | 8 |
| SpaceXAI TTS (SpaceXAI) | 7 | 15 | 11 | 21 | 6 | 8 | 10 | 12 | 10 | 10 | 9 |
三、 四大关键技术洞察与格局演变
1. Cartesia Sonic 3.6 展现前所未有的全球多语言统治力
- 七冠霸榜：Cartesia 推出的 Sonic 3.6 在统计的 11 个语种中，一举夺得了 7 个语种的第一名（英式英语、阿拉伯语、德语、印地语、法语、西班牙语、越南语），在美式英语与中文普通话中亦高居第二名，展现了惊人的全语系均衡适应度；
- State Space Model (SSM) 架构红利：Cartesia 摒弃了传统的自回归或纯 Diffusion 路线，采用其特有的连续状态空间模型，在实现 100ms 级别超低首包延迟（TTFB）的同时，依然维持极高音质拟真度。
2. 谷歌 Gemini 3.8 Flash 系列：亚洲与中东小语种突围，英语与中文遇冷
- 小语种与特定语系优势明显：最新发布的 Gemini 3.8 Flash-Lite TTS 在日语上力压群雄荣登榜首（Rank 1），在阿拉伯语（Rank 2）、葡萄牙语（Rank 3）和德语（Rank 3）上同样稳居三甲；
- 主流母语级语言的短板：令人意外的是，谷歌两大模型在竞争最激烈的美式英语（Rank 9-10）和中文普通话（Rank 11-13）中排名落后，表明其语音预训练数据集在中文本土化口语表达与美式习惯用语调教上仍有提升空间。
3. Inworld Realtime TTS-2：精准制霸中美双核心市场
- 中美双料王：专注于游戏与交互智能体的 Inworld Realtime TTS-2 采取了高度聚焦策略，在 美式英语（Rank 1） 与 中文普通话（Rank 1） 两个全球最具商业价值的核心母语市场上同时夺魁；
- 非英语泛化能力受限：但在阿拉伯语（Rank 17）等非拉丁/非汉字语系上出现断崖式下滑，呈现出鲜明的针对性市场适配特征。
4. 国内厂商与传统巨头的分化（MiniMax 与 ElevenLabs）
- ElevenLabs v3 稳守泛欧美第一梯队：ElevenLabs 在法语（Rank 2-3）、西班牙语（Rank 2-5）、印地语（Rank 2-3）及越南语保持前列，但在中文普通话（Rank 12）表现相对较弱；
- MiniMax 中文底蕴扎实，出海仍需跨越语种鸿沟：国产老牌音频龙头 MiniMax Speech 2.8 Turbo 在中文普通话稳居第 5 名，并在越南语（Rank 8）表现尚可，但在英语主流语系中仍落后于北美先锋。
四、 行业选型建议与落地研判
- 全球化通用出海应用（全球同服游戏 / 跨境多语言客服）：
首选 Cartesia Sonic 3.6，其跨欧美、中东、东南亚的极高音质一致性与超低延迟是目前行业最优解； - 纯中文 / 泛美本土高拟真游戏 NPC 与对话数字人：
Inworld Realtime TTS-2 在中美双语上的顶级听感表现最为优异； - 多模态平台级生态与多语言内容制作：
谷歌 Gemini 3.8 Flash 系列 凭借出色的 API 成本优势与在日德葡阿等特定语种上的亮眼表现，适合作为低成本多语种批量演播的备选方案。