AssemblyAI-TTS-1 vs. Cartesia Sonic 3.6: Der Herausforderer maß den etablierten Anbieter mit 143 ms

Der nützlichste Satz im Launch-Beitrag von AssemblyAI handelt nicht von seinem eigenen Modell. Es ist eine Zeile in einer Vergleichstabelle, die zeigt, dass Cartesia Sonic 3.6 143 Millisekunden benötigt, um ein erstes Byte zurückzugeben, während AssemblyAI-TTS-1 das erste Byte in 47 ms zurückgab — ein Test, den AssemblyAI auf seiner eigenen Hardware durchführte und über einen Wettbewerber veröffentlichte, der sich seit zwei Jahren als schnellstes TTS auf dem Markt vermarktet. Die eigene Herstellerangabe von Sonic 3.6 für die Zeit bis zum ersten Audio liegt bei unter 90 ms; das ist nicht dieselbe Messung, nicht im selben Netzwerk, und seitdem werden die beiden Zahlen gegeneinander angeführt. Diese Kollision ist der ehrliche Kern dieses Duells: Das eine Modell ist der Spitzenreiter bei Qualität und Sprachabdeckung für 49 US-Dollar pro Million Zeichen, das andere der Preis- und Durchsatz-Herausforderer für 15 US-Dollar, und keines der beiden hat einen Latenzwert, den eine neutrale Stelle bestätigt hat.

Alles im Folgenden ist zeitgebunden. Die Zahlen von Artificial Analysis wurden am 30. Oktober 2026 abgelesen, und die Ranglisten verschieben sich innerhalb von Wochen um Dutzende Elo-Punkte; Sonic 3.6 ist seit August selbst vom ersten auf den vierten Platz gerutscht. Herstellerangaben sind als Herstellerangaben gekennzeichnet. Die beiden unabhängigen Latenzdatenpunkte, die es gibt – AssemblyAIs Laborlauf und Cekuras Streaming-Messung – messen unterschiedliche Dinge und werden als solche dargestellt, statt zu einem einzigen vorgetäuschten Fakt gemittelt zu werden.

Wo sie Stand heute tatsächlich stehen

Cartesia Sonic 3.6 wurde Mitte August 2026 veröffentlicht und belegte innerhalb weniger Tage in beiden Speech-Arenen von Artificial Analysis den ersten Platz – 1.282 bei Provider Voice und 1.123 bei Controlled Voice, beide zum damaligen Zeitpunkt abgelesen. Nach zweieinhalb Monaten mit neuen Einträgen steht es bei 1.296 und auf dem vierten Platz bei Provider Voice sowie bei 1.147 und auf dem sechsten Platz bei Controlled Voice. Seine Punktzahl stieg um 14 Punkte und sein Rang fiel um drei Plätze. Das macht ein schnelllebiges Ranking, und deshalb altert die Rangspalte in jeder Launch-Berichterstattung schlecht.

• Anbieter-Stimme — Cartesia Sonic 3.6 1.296, 4. Platz gegen AssemblyAI-TTS-1 1.227, 14. Platz

• Kontrollierte Stimme (acht gemeinsam genutzte geklonte Stimmen) — Cartesia Sonic 3.6 1.147, 6. Platz vs. AssemblyAI-TTS-1 1.108, 10. Platz

• Preis pro Million Zeichen — 49 $ vs. 15 $

• Sprachen — 44 vs. 6 (Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch)

• Durchsatz (Artificial Analysis) — 148,6 Zeichen pro Sekunde gegenüber 162

• Ausspracherobustheit (Artificial Analysis) — AssemblyAI 81,7 %, 16. Platz gegenüber Sonics niedrigerer Platzierung bei Drittanbieter-Hard-String-Tests

• Abrechnung geklonter Stimmen — Cartesia berechnet für geklonte Stimmen das 1,5-Fache, verglichen mit AssemblyAIs Pauschaltarif inklusive Klonen

Die beiden Abstände sind nicht gleich groß. 69 Elo bei Provider Voice sind ein echter, sichtbarer Qualitätsunterschied – ungefähr der Abstand zwischen benachbarten Modellen in der Mitte der Rangliste, und groß genug, dass ein blinder Hörer eine Präferenz hat. 37 Elo bei Controlled Voice sind kleiner und liegen in dem Bereich, in dem eine einzelne Evaluierungsrunde ein Modell um mehrere Plätze verschieben kann. Anders ausgedrückt: Sonic 3.6 klingt mit den eigenen Stimmen besser, und mit einer geklonten Stimme liegen die beiden so nah beieinander, dass die Deployment-Details den Ausschlag geben. Ein Preisunterschied um den Faktor 3,3 ist in keiner Hinsicht knapp.

Das Latenzargument, auf dreierlei Weise erzählt

Es gibt drei Messungen, und keine von ihnen klärt die Frage, daher lohnt es sich, präzise zu sein, was jede einzelne zeigt.

Der erste ist AssemblyAIs eigener Labortest. Dreißig Prompts, drei Runden, vier Standardstimmen pro Modell, eine Anfrage nach der anderen, ein einzelner Client. Median-Zeit bis zum ersten Byte: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Das ist ein sauberer, gut beschriebener Test mit einer offensichtlichen Einschränkung – sequenzielle Anfragen messen das Modell, nicht den Dienst. Er kann keine Warteschlangenbildung, Nebenläufigkeitskonkurrenz oder regionsübergreifende Netzwerkkosten zeigen. Er hat außerdem ein Anreizproblem: Der Anbieter, der die Tabelle veröffentlicht, ist der Anbieter, der sie gewinnt.

Die zweite ist Cartesias eigene Angabe: unter 90 ms bis zum ersten Audio, was das Unternehmen als reine Modellleistung beschreibt und ohne Netzwerk. Beachten Sie den Wechsel der Bezugsgröße. Die 47 ms von AssemblyAI sind ein erstes Byte; die 90 ms von Sonic sind erstes Audio; das sind unterschiedliche Zeitpunkte in einer Streaming-Pipeline, und ein erstes Byte kann lange vor dem ersten synthetisierten Frame eintreffen. Sie direkt zu vergleichen, ist der häufigste Fehler in der Berichterstattung über diesen Launch.

Der dritte ist Cekuras unabhängige Streaming-Messung, die AssemblyAI-TTS-1 bei Sätzen im Agenten-Stil auf einen Median von 159 ms brachte — Achter von neunzehn Systemen, nicht Erster. Das ist doppelt so viel wie der Produktionswert des Anbieters und entspricht in etwa dem, was ein realer Netzwerkpfad aus einer sauberen Laborzahl macht. Eine entsprechende unabhängige Zahl für Sonic 3.6 war im selben Lauf nicht verfügbar, was bedeutet, dass die ehrliche Aussage nicht „AssemblyAI ist schneller“ lautet, sondern „AssemblyAI ist schneller in einem Test, den es selbst entworfen hat, und keines der beiden Modelle wurde am selben Tag von einem neutralen Labor in einem direkten Vergleich gemessen.“

Der Durchsatz ist der sauberere Vergleich, weil Artificial Analysis ihn für beide auf dieselbe Weise misst. Bei 162 Zeichen pro Sekunde gegenüber 148,6 erzeugt AssemblyAI Audio etwa 9 % schneller – ein viel kleinerer Vorteil, als die First-Byte-Zahlen nahelegen, und einer, der für einen Live-Agenten irrelevant ist, bei dem beide Modelle bereits mehrere Male schneller als Echtzeit sind. In der Produktion zählen Tail-Latenz und Zuverlässigkeit unter Nebenläufigkeit, und keiner der Anbieter hat einen p99-Wert veröffentlicht.

Was der Preisunterschied beinhaltet

Cartesias 49 $ sind keine Pauschale, die alles abdeckt, wie es AssemblyAIs 15 $ sind. Sonic 3.6 berechnet geklonte Stimmen mit dem 1,5-Fachen des Standardtarifs, wodurch ein Agent mit individuellen Stimmen auf rund 73,50 $ pro Million Zeichen kommt – etwa das 4,9-Fache von AssemblyAIs Tarif. AssemblyAI berechnet 15 $ sowohl für Bibliotheksstimmen als auch für Klone, inklusive Wort-Zeitstempeln, Verarbeitung in den USA oder der EU und unbegrenzter Parallelität, ohne den Kauf einer Stufe und ohne Jahresbindung. Cartesia verkauft Credits über Pläne zu den monatlichen Marken kostenlos, 5 $, 49 $ und 299 $, und die kostenlose Stufe untersagt die kommerzielle Nutzung.

Anhand eines Skripts statt einer Preisliste durchgerechnet: Eine Million Zeichen entsprechen bei normalem Sprechtempo etwa 18 Stunden fertiger Sprache, womit AssemblyAI bei etwa 81 Cent pro fertiger Stunde liegt, gegenüber etwa 2,70 US-Dollar für Sonic 3.6 zum Listenpreis, oder etwa 4,05 US-Dollar, sobald geklonte Stimmen mit dem 1,5-fachen Satz abgerechnet werden. Bei einem Betrieb mit hunderttausend Stunden pro Monat ist das der Unterschied zwischen einem Rechnungsposten von 81.000 US-Dollar und einem von 270.000 US-Dollar. Nichts an der Sprachqualität rechtfertigt für sich genommen einen Multiplikator von 3,3; der Fall für Cartesia muss über Abdeckung, Steuerungsmöglichkeiten und Zuverlässigkeit begründet werden, nicht über Elo.

Sprachen und Steuerungselemente, wo Cartesia weiterhin deutlich gewinnt

44 lokalisierte Sprachen gegenüber sechs sind die größte funktionale Lücke in diesem Vergleich, und es ist keine Lücke, die ein Preisnachlass schließt. AssemblyAI liefert Englisch, Spanisch, Französisch, Deutsch, Italienisch und Portugiesisch mit mehreren Akzenten und hat mehr versprochen, ohne ein Datum zu nennen. Wenn Ihr Agent europäische Märkte außerhalb dieser sechs bedient – Polnisch, Niederländisch, Schwedisch, Griechisch –, ist Sonic 3.6 die einzige Option von beiden, und der Preisunterschied spielt keine Rolle mehr.

Die Lücke bei den Steuerungsmöglichkeiten verläuft in dieselbe Richtung. AssemblyAI-TTS-1 bietet zum Marktstart weder SSML noch einen Geschwindigkeitsparameter, kein Aussprachewörterbuch und keine Emotions-Tags; die eigene Launch-Seite des Anbieters beschreibt Emotion als dem Modell zu eigen, während die FAQ bestätigt, dass dedizierte Steuerungen nicht verfügbar sind. Cartesias Produkt ist rund um steuerbare Sprache aufgebaut – Geschwindigkeit, Emotion und der Umgang mit Aussprache sind Teil des Angebots. Für geskriptete Narration, Dubbing oder jeden Workload, bei dem das Tempo vorgegeben werden muss, verlangt AssemblyAI derzeit von Ihnen, den Text umzuschreiben, um die gewünschte Darbietung zu erhalten – Arbeit, die Sie niemandem in Rechnung stellen können.

Die einzige Stelle, an der AssemblyAI bei der Leistungsfähigkeit führt, ist genau die Stelle, an der Cartesia am schwächsten ist: schwierige Strings. Artificial Analysis beziffert die Ausspracherobustheit von AssemblyAI auf 81,7 % – Rang 16 auf dieser Rangliste –, und die eigene Evaluation von AssemblyAI beziffert die Entitätsgenauigkeit bei Telefonnummern, URLs und Codes auf 93,7 % gegenüber 82,5 % für Sonic 3.6 – ein vom Anbieter selbst durchgeführter Anbietervergleich und eine 11-Punkte-Differenz, die zu groß ist, um sie als Methodikrauschen abzutun. Ein unabhängiger Test (von Gradium) setzte den Score von Sonic für schwierige Fälle auf 75,1 %. Für IVR, Rücklesungen und Bestätigungscodes ist das die Zahl, die über den Einsatz entscheidet.

Wer sollte welches nehmen

Wählen Sie AssemblyAI-TTS-1, wenn die Arbeitslast hochvolumig ist, Englisch plus fünf Sprachen umfasst und stark auf strukturiertem Rücklesen lastet – Bestellnummern, Adressen, Codes, Dosierungen –, wobei sich der Vorteil bei der Entity-Genauigkeit und der Pauschalpreis von 15 $ gegenseitig verstärken. Wählen Sie Cartesia Sonic 3.6, wenn Sie mehr als sechs Sprachen benötigen, wenn die Sprechweise gesteuert statt umgeschrieben werden muss, wenn Sie Stimmen klonen und die 1,5-fache Abrechnung verkraften können oder wenn die Natürlichkeitslücke bei Provider Voice genau das ist, was Ihre Nutzer hören. Der Unterschied von 37 Punkten in der kontrollierten Arena ist klein genug, dass ein gut gebauter Agent mit jedem der beiden Modelle gut klingen wird; der Anbieterunterschied von 69 Punkten ist derjenige, den ein Zuhörer bemerkt.

Es gibt eine dritte Option, die kein Anbieter bewirbt, und es ist die, bei der die meisten Teams landen: Beide laufen lassen und den Verkehr entscheiden lassen. Zwei TTS-Stränge hinter einer Routing-Regel ermöglichen es, Äußerungen mit vielen Rücklesungen an das Modell zu schicken, das Codes korrekt vorliest, und Erzähltexte an das Modell, das besser klingt, ohne zwei Integrationswege pflegen zu müssen. Das ist das Argument, das eine Routing-Schicht für sich selbst anführt — mehr als 200 Modelle hinter einer API bei 0 % Aufschlag mit durchgereichten Listenpreisen, sodass eine Preissenkung auf jeder der beiden Seiten am selben Tag ankommt, und die Routing-DSL, um den Verkehr nach Arbeitslast statt nach Vermutungen aufzuteilen. Weder AssemblyAI-TTS-1 noch Cartesia Sonic 3.6 stehen heute im OrcaRouter-Katalog, daher ist dies ein Muster für den Vergleich und keine Aussage über deren Hosting; die TTS-Modelle, die wir tatsächlich routen — OpenAI's tts-1, tts-1-hd und gpt-4o-mini-tts sowie Google's Gemini 3.1 Flash TTS Preview — decken den zweiten Strang ab, während die beiden Spitzenreiter anhand Ihres eigenen Verkehrs bewertet werden.

Was würde es tatsächlich klären

Ein neutrales Labor, das beide Modelle auf derselben Hardware, über denselben Netzwerkpfad und mit demselben Lastprofil laufen lässt, würde die Latenzdebatte an einem Nachmittag beenden – und niemand hat es getan. Bis dahin ist die vertretbare Haltung, dass AssemblyAI in seinem eigenen Test schneller ist und in der Realität möglicherweise ebenfalls schneller, dass Cartesia das besser klingende Modell mit deutlich breiterer Abdeckung ist und dass die Preislücke groß genug ist, dass der Qualitätsvorteil von Sonic 3.6 für den zahlenden Käufer 3,3x pro Zeichen wert sein muss – oder bei geklonten Stimmen 4,9x.

Zwei andere Entwicklungen würden die Antwort stärker verändern als jeder Benchmark. Wenn AssemblyAI SSML und Aussprachewörterbücher ausliefert, wird die Sechs-Sprachen-Grenze zum einzigen verbleibenden funktionalen Gegenargument, und das Preisargument wird sehr schwer zu entkräften sein. Wenn Cartesia seinen Tarif in Richtung des neuen Marktminimums senkt oder seine Abrechnung für geklonte Stimmen ausweitet, wird der Abdeckungsvorteil bezahlbar. Beobachte diese beiden Schritte statt den nächsten Elo-Wert – auf einem Spielfeld, auf dem ein Modell in zehn Wochen 14 Punkte gewinnen und drei Plätze verlieren kann, ist der Rang Rauschen und der Preis das Signal.