ElevenLabs vai Cartesia? Puheagentin viive ratkaisee

Suomen kielituki ei erottele ElevenLabsia ja Cartesiaa puheagentin valinnassa. ElevenLabsin malliluettelossa suomi kuuluu myös reaaliaikaiseen käyttöön tarkoitetun Eleven v4 Turbon kieliin, ja Cartesian kielivalikoimassa on suomi. Kun molemmat täyttävät kielituen perusehdon, äänen aloitusviive on hyödyllinen ensimmäinen erottelija.

ElevenLabs on mitatussa aloitusviiveessä vahvempi ehdokas. Puheagentin lopullinen valinta riippuu kuitenkin siitä, kuinka nopeasti vastaus kuuluu käyttäjälle koko puheketjun läpi, lausutaanko toiminnan kannalta tärkeät suomenkieliset sanat oikein ja mitä juuri valittu malli maksaa. Esittelyääni tai palvelun yleinen kielilista ei vastaa näihin kysymyksiin.

Äänen aloitusviive ja käyttäjän odotus ovat eri asioita

Covalin seitsemän päivän vertailussa, joka oli synkronoitu 15. lokakuuta 2026, Eleven v4 Turbon ensimmäisen äänen mediaani oli 190 millisekuntia ja Cartesia Sonic 3.5:n 278 millisekuntia. Samojen mallien p95-arvot olivat 236 ja 366 millisekuntia. P95 on raja, jonka alle 95 prosenttia mitatuista aloitusajoista jäi; se kertoo hitaammista vastauksista enemmän kuin mediaani yksin.

Tulos koskee täsmällisiä malleja, samaa kiinnitettyä testiaineistoa ja ensimmäiseen ääneen kuluvaa aikaa. Se ei ole mittaus suomalaisen soittajan kokemasta puhelusta. Puheagentissa odotus alkaa käyttäjän puheenvuoron päättymisestä: järjestelmä tunnistaa puheen, päättää vuoron päättyneen, muodostaa vastauksen, lähettää tekstin synteesiin ja toistaa äänen. Näiden vaiheiden ja verkkoyhteyden viive voi muuttaa mallien välisen eron merkitystä.

Vertailukelpoisessa käyttökokeessa molemmille malleille annetaan sama vastausteksti ja sama puhekanava. Kokonaisviive mitataan käyttäjän viimeisestä äänteestä ensimmäiseen kuuluvaan vastaukseen. Kun lisäksi erotetaan aika ennen synteesipyyntöä ja aika pyynnöstä toiston alkuun, nähdään, johtuuko hidas vuoro puhesynteesistä vai agentin muista osista.

Sanavirheprosentti ei korvaa suomenkielistä koekuuntelua

Vertailun nopein ElevenLabs-malli ei saanut saman vertailun pienintä sanavirheprosenttia: Eleven v4 Turbon lukema oli 1,6 prosenttia ja Sonic 3.5:n 1,4 prosenttia. Eleven v3 Conversational ja Sonic 3.6 saivat kumpikin 1,4 prosenttia. Nopeus- ja tarkkuuslukuja ei siis pidä yhdistää kuvitteelliseksi yhden mallin tulokseksi. Sanavirheprosentti kuvaa puheen takaisin tekstiksi tunnistettujen sanojen poikkeamaa vertailutekstistä, mutta ei yksin kerro äänen painotuksesta, tauoista tai suomalaiselle kuulijalle luontevasta lausumisesta.

Agentille hyödyllinen hyväksymiskoe käyttää sen omia vastauksia. Ehdolliseen koesarjaan voi sisällyttää esimerkiksi taivutetun paikannimen ”Jyväskylään”, pitkän yhdyssanan, puhelinnumeron, aukioloajan ja summan ”12,50 euroa”. Ne ovat testisyötteitä, eivät havaittuja virheitä kummassakaan palvelussa. Samat tekstit kannattaa kuunnella kummallakin valitulla äänellä myös sen kanavan kautta, jossa asiakas vastauksen kuulee.

Virheet on mielekästä merkitä niiden seurauksen mukaan. Nimen ääntäminen oudosti voi heikentää luontevuutta, mutta väärin ymmärretty numero tai euromäärä voi muuttaa asioinnin sisältöä. Erilliset arviot kriittisten sanojen ymmärrettävyydestä ja äänen yleisestä sopivuudesta antavat enemmän tietoa kuin yksi mieltymysarvosana. Jos mahdollista, kuuntelijat voivat arvioida näytteet tietämättä, kummasta palvelusta ne ovat.

Mitä 100 000 ja miljoona merkkiä maksavat?

Cartesian hinnastossa Sonic-puhesynteesin yksi merkki kuluttaa yhden krediitin. Pro-paketti maksaa 5 dollaria kuukaudessa ja sisältää 100 000 krediittiä; Startup maksaa 49 dollaria ja sisältää 1,25 miljoonaa krediittiä. Pelkkään synteesiin varattu 100 000 merkin kuukausimäärä mahtuu siten Pro-pakettiin ja miljoona merkkiä Startup-pakettiin. Nämä ovat kuukausipakettien hintoja, eivät erillisiä maksuja jokaisesta tuotetusta merkistä.

ElevenLabsin normaalissa kuukausihinnastossa Creator maksaa 22 dollaria ja sisältää 121 000 krediittiä, Pro maksaa 99 dollaria ja sisältää 600 000 krediittiä sekä Scale maksaa 299 dollaria ja sisältää 1,8 miljoonaa krediittiä. Hinnasto näyttää Creatorille myös ensimmäisen kuukauden alennuksen. Multilingual v2 kuluttaa yhden krediitin merkiltä; Flash v2.5:n ja Turbo v2.5:n monikielisen API-käytön kulutus on 0,5–1 krediittiä merkiltä.

Jos kulutus on yksi krediitti merkiltä, 100 000 merkkiä mahtuu ElevenLabsin Creator-pakettiin ja miljoona merkkiä Scale-pakettiin. Jos valitun API-mallin todellinen kulutus on 0,5 krediittiä merkiltä, miljoona merkkiä mahtuu Pro-pakettiin. Tällöin kiintiöön mahtuvien pakettien hinnat ovat ElevenLabsilla 22 dollaria sekä miljoonalle merkille 99 tai 299 dollaria, Cartesialla vastaavasti 5 ja 49 dollaria. Laskelma olettaa yhden laskutuskuukauden ja sen, että koko kiintiö käytetään puhesynteesiin.

Hintavertailun raja on mallikohtaisuus. Viivemittauksessa nopeimman Eleven v4 Turbon kustannusta ei voi johtaa Flash v2.5:n krediittisäännöstä. Molempien palvelujen krediittejä voidaan käyttää myös muuhun kuin synteesiin, ja kiintiön ylittävä käyttö voi muuttaa edullisinta laskua. Puheentunnistuksen, mahdollisen hallitun agenttipalvelun ja puhelukanavan kulut on siksi pidettävä erillään yllä olevasta merkkilaskelmasta.

Keskeytys paljastaa, tuntuuko agentti nopealta

Puhelussa käyttäjä voi aloittaa uuden puheenvuoron ennen kuin agentti on lopettanut vastauksensa. Silloin ratkaisee synteesin aloitusajan lisäksi se, milloin toisto pysähtyy, loppuuko jonossa oleva vanha ääni ja käsitelläänkö uusi puheenvuoro oikein. Keskeytyksen toiminta riippuu myös vuoronhallinnasta ja äänen puskuroinnista, joten sitä ei voi päätellä TTS-mallien aloitusviivetaulukosta.

Samassa käyttöympäristössä tehty keskeytyskoe voi sisältää lyhyen vahvistuksen, pitkän vastauksen ja tilanteen, jossa käyttäjä korjaa agenttia kesken lauseen. Mittaa kokonaisvasteesta sekä mediaani että p95 ja tarkastele erikseen, ehtiikö agentti aloittaa vanhan vastauksen uudelleen keskeytyksen jälkeen. Näin hitaat yksittäiset vuorot ja keskeytyksen käytännön seuraus tulevat näkyviin ilman, että niitä sekoitetaan mallin ensimmäisen äänen viiveeseen.

Eleven v4 Turbo on vertailumittauksen perusteella perusteltu lähtöehdokas, jos nopea äänen aloitus painaa valinnassa eniten. Cartesia voi olla parempi hankinta, jos sen valittu ääni täyttää saman kokonaisvasteen ja suomenkielisen lausumisen hyväksymisrajat edullisemmalla kuukausipaketilla. Valinta kohdistuu lopulta mallin, äänen, puhekanavan ja käyttötavan yhdistelmään.

Lue myös: