GPT-Live-1 vs. Cartesia Sonic 3.6: Das TTS-Board auf Platz eins misst Unterbrechungen nicht

Cartesia Sonic 3.6 führt derzeit beide Text-to-Speech-Arenen von Artificial Analysis an – 1.275 Elo auf dem Provider Voice Board und ebenfalls Platz eins auf dem Controlled Voice Board, vor jeder kommerziellen Engine mit einer größeren Plattform dahinter. GPT-Live-1 ist in keiner von beiden gelistet, weil es kein Text-to-Speech-Modell ist. Es belegt gemeinsam Platz sechs von vierzehn auf einem anderen Artificial Analysis Board, dem Speech to Speech Index, mit 70,3 %. Zusammengenommen beschreiben diese beiden Fakten den eigentlichen Unterschied zwischen diesen Produkten: Sonic 3.6 ist sehr wahrscheinlich die bessere Stimme, und GPT-Live-1 ist der einzige der beiden, der hören kann, wenn der Anrufer zu sprechen beginnt und aufhört.

Beide sind live und beide sind kommerziell erhältlich — Sonic 3.6 über Cartesias eigene API, seit der stabile Snapshot am 27. August 2026 erschienen ist, GPT-Live-1 über OpenAIs Developer-API seit dem 10. September 2026, für 0,05 US-Dollar pro Voice-Minute. Die Wahl zwischen ihnen ist keine Entscheidung über Qualität. Sie ist eine Entscheidung darüber, welche Hälfte eines Voice-Agents man kauft.

Zwei Arenen, zwei Fragen und warum die Trennung real ist

Artificial Analysis betreibt seine Sprach-Boards auf eine Weise, die es sich zu verstehen lohnt, bevor Ihnen irgendein Elo-Wert genannt wird. Die Provider Voice arena bewertet Engines anhand der jeweils eigenen nativen Stimmen der Anbieter – sie misst die Stimme, die Sie tatsächlich ab Werk erhalten, und das ist die Zahl, die für Käufer zählt. Die Controlled Voice arena klont jedes Modell auf dieselben acht Referenzstimmen, damit Hörer die Synthese-Engine vergleichen und nicht das Stimmtalent. Sonic 3.6 führt beide an, was seltener ist, als es klingt: Die beiden Boards hatten den größten Teil von 2026 unterschiedliche Spitzenreiter.

Keines der beiden Boards enthält ein einziges Beispiel dafür, dass ein Modell unterbrochen wird. Sie messen, wie Sprache in Isolation für einen Zuhörer klingt. Der Speech to Speech Index ist anders aufgebaut – er gewichtet sprachliches Schlussfolgern, agentische Leistung, Arena-Präferenz und Aufgabenerfolg zu einer einzigen Kennzahl und lässt nur Modelle zu, die nativ Speech-to-Speech sind. Cartesia ist dort nicht vertreten. Nicht weil Sonic 3.6 schlecht ist, sondern weil eine Text-to-Speech-Engine nichts zum Einreichen hat.

Also sind die 1.275 und die 70,3 % keine konkurrierenden Zahlen, und jeder Vergleich, der sie auf dieselbe Linie stellt, belügt Sie im Stillen. Was sie zusammen belegen, ist, dass Qualität nicht länger die Achse ist, um die sich diese Entscheidung dreht.

Dimension für Dimension

• Kind — GPT-Live-1: Vollduplex-Sprache-zu-Sprache, ein Modell für die gesamte Schleife vs. Cartesia Sonic 3.6: Streaming-Text-zu-Sprache, gepaart mit Ink-2 Spracherkennung für Agenten

• Unabhängige Qualität — GPT-Live-1: 70,3 % im Speech to Speech Index, gemeinsam auf Platz sechs von vierzehn vs. Cartesia Sonic 3.6: 1.275 Elo auf dem Provider Voice Board, aus 1.755 Samples, und ebenfalls Erster auf dem Controlled Voice Board

• Unterbrechungsbehandlung — GPT-Live-1: eine Eigenschaft des Modells, die viele Male pro Sekunde entscheidet, ob der Turn abgegeben wird, vs. Cartesia Sonic 3.6: ein Integrationsmuster, bei dem der Client den Synthesekontext abbricht und sich auf Zeitstempel auf Wortebene verlässt, um im richtigen Moment abzuschneiden

• Preis — GPT-Live-1: 0,05 $ pro Sprachminute, sekundengenau abgerechnet, Reasoning-Backend separat abgerechnet, im Vergleich zu Cartesia Sonic 3.6: etwa 49 $ pro Million Zeichen bei Credit-Plänen, plus 0,06 $ pro Minute Agenten-Gesprächsdauer und 0,014 $ pro Minute für eine Cartesia-Telefonnummer

• Latenz — GPT-Live-1: keine modellbezogene Zahl veröffentlicht; Turn-Taking-Latenz mit 0,798 Sekunden in den eigenen Tests von Open​AI angegeben gegenüber Cartesia Sonic 3.6: unter 90 Millisekunden Time-to-First-Audio, vom Anbieter angegeben und nicht unabhängig durchgängig gemessen

• Durchsatz — GPT-Live-1: gleichzeitige Sitzungen, begrenzt auf 25 in Tarif 1 und 500 in Tarif 5, ohne kostenlosen Tarif vs. Cartesia Sonic 3.6: etwa 132 Zeichen pro Sekunde, im selben Vergleich ungefähr doppelt so hoch wie die Rate von ElevenLabs' v3, mit einem kostenlosen Tarif von 20.000 monatlichen Credits

• Sprachen — GPT-Live-1: uneinheitliche Flüssigkeit außerhalb der wichtigsten Sprachen in der Launch-Abdeckung im Vergleich zu Cartesia Sonic 3.6: 44 Sprachen über 61 Locales, wobei Odia und Urdu in dieser Version hinzugefügt wurden

• Sprachsteuerung — GPT-Live-1: zwölf Presets, Ton und Tempo durch Prompting, kein Klonen vs. Cartesia Sonic 3.6: mehr als 500 voreingestellte Stimmen, sofortiges Klonen, professionelles Klonen in höheren Tarifen, Wort- und Phonem-Zeitstempel und kein SSML — das Modell passt das Tempo aus dem Text selbst an

Barge-in ist ein Merkmal der Architektur, kein Kontrollkästchen.

Das mit Abstand häufigste, was Käufer bei diesem Vergleich falsch machen, ist, Unterstützung für Unterbrechungen als booleschen Wert zu behandeln. Cartesias Dokumentation ist offen damit, wie ihre Version funktioniert: Wenn der Anrufer dem Agenten ins Wort fällt, sendet der Client einen Abbruch für den aktuellen Synthesekontext, und die auf der WebSocket-Verbindung zurückgegebenen Zeitstempel auf Wortebene sind es, die Ihnen ermöglichen, die Wiedergabe an der richtigen Silbe zu stoppen. Das ist ein kompetentes Design, und so handhaben die meisten Sprachagenten im Produktivbetrieb Barge-in heute.

Es ist immer noch ein Design, bei dem die Entscheidung, das Sprechen zu beenden, von Ihrer Anwendung getroffen wurde, mithilfe eines Voice-Activity-Signals und mit der Latenz, die ein Round Trip eben zulässt. GPT-Live-1 verlagert diese Entscheidung ins Modell. Es entscheidet kontinuierlich, ob es weiter zuhören, pausieren, den Turn übernehmen oder ihn abgeben soll, weshalb die eigenen Zahlen von OpenAI 80,1 % Interaktivität gegenüber 45,4 % für GPT-Realtime-2.1 auf Full Duplex Bench v1.5 ausweisen, bei einer Turn-Taking-Latenz von 0,798 Sekunden gegenüber 1,41. Diese Zahlen stammen von OpenAI, wurden mit dem Release veröffentlicht und von niemandem außerhalb des Unternehmens reproduziert – aber der architektonische Unterschied dahinter steht außer Frage, und er ist das Einzige, was eine Kaskade nicht durch Tuning annähern kann.

Wo die Kaskade gewinnt, ist alles, was dem Satz nachgelagert ist. Cartesias Zeit bis zum ersten Audio von unter 90 Millisekunden ist eine Herstellerangabe und misst das Modell, nicht das Gespräch: Die Zahl, die ein Anrufer erlebt, umfasst auch Spracherkennung, Turn-Erkennung, die Generierungszeit des Sprachmodells, Netzwerktransit und Audio-Pufferung. Genau deshalb lohnt es sich, eine Kaskade zu bauen, wenn Sie jede Stufe kontrollieren müssen – ein schnelles kleines Modell für einfache Turns, ein Frontier-Modell für die schwierigen und einen Synthesizer, der Sie nie warten lässt.

Diese mittlere Stufe ist der einzige Teil beider Stacks, der wirklich portabel ist, und sie ist der Teil, der sowohl die Qualität als auch die Kosten des Anrufs entscheidet. Ungefähr 190 Modelle von elf Upstream-Anbietern stehen hinter einem einzigen OrcaRouter-Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, und die Routing-DSL ermöglicht es einem einzelnen Endpunkt, einfache Turns an ein günstiges Modell zu schicken und die komplizierten an ein Frontier-Modell zu eskalieren – das Muster, das ein Voice-Agent tatsächlich möchte, angewendet auf die Stufe, die am stärksten variiert. Weder Sonic 3.6 noch GPT-Live-1 sind über eine Routing-Schicht erreichbar; die Voice-Schichten gehören ihren Anbietern.

Das Geld verwalten

Die beiden Preismodelle passen nicht zusammen, daher lohnt es sich, die Umrechnung ordentlich durchzuführen. Gesprochene Sprache kommt auf ungefähr 150 Wörter pro Minute, und Englisch hat durchschnittlich etwa fünfeinhalb Zeichen pro Wort, also umfasst eine Minute gesprochener Ausgabe ungefähr 800 bis 900 Zeichen. Bei 49 $ pro Million Zeichen kostet Cartesias Synthese etwa vier Cent pro Minute Audio.

Dann kommt der Rest der Kaskade. Cartesia berechnet $0,06 pro Minute Anrufdauer des Voice-Agents und $0,014 pro Minute, wenn Sie dessen Telefonnummer verwenden – zusätzlich zu den Zeichen. Fügen Sie Spracherkennung und ein Sprachmodell für den Text hinzu, und schon sind Sie bei über zehn Cent pro Minute, bevor irgendjemand etwas Schwieriges gesagt hat. Die $0,05 pro Sprachminute von GPT-Live-1 decken das Zuhören, den Sprecherwechsel und das Sprechen ab, während das delegierte Reasoning separat zum normalen Tarif des Backend-Modells abgerechnet wird – was bei einem Reservierungsanruf mit ein, zwei angehängten Suchen eine echte Zahl ist, kein Rundungsfehler.

Der Umschaltpunkt liegt beim Volumen und bei der Schwierigkeit. Kurze, repetitive Anrufe mit hohem Aufkommen – Bestätigungen, Benachrichtigungen, einfache Abfragen – begünstigen die Kaskade, weil ein günstiges Modell, das eine vorgegebene Frage beantwortet, in diesem Vergleich die günstigste Variante ist. Anrufe, bei denen die anrufende Person vom Skript abweicht, dem Agenten ins Wort fällt oder mitten im Satz ihre Meinung ändert, begünstigen das End-to-End-Modell, denn dort ist der Fehlermodus der Kaskade nicht eine falsche, sondern eine unbeholfene Antwort.

Welches soll man wählen?

Wählen Sie Cartesia Sonic 3.6, wenn Sie die bestbewertete verfügbare Stimme möchten und bereit sind, die Gesprächslogik selbst zu verantworten. Es ist die richtige Entscheidung für Narration, für skriptbasierte Agenten mit hohem Volumen, für Teams mit einer bestehenden Spracherkennungs-Pipeline und für alle, die Zeitstempel auf Wortebene benötigen, die eine präzise Unterbrechungsbehandlung ermöglichen. Sie erhalten eine kostenlose Tarifstufe, mehr als 500 Stimmen, Klonen, 44 Sprachen und die Spitzenposition in beiden Qualitätsranglisten – und Sie behalten die Kontrolle über jede Phase.

Wählen Sie GPT-Live-1, wenn die Unterbrechung das Produkt ist. Alles, bei dem unterbrochen zu werden der Normalfall und nicht der Ausnahmefall ist, und wo eine 0,8-Sekunden-Turn-Übergabe einen 90-Millisekunden-Start bei einem Satz schlägt, den niemand zu Ende fragen konnte. Sie akzeptieren ein geschlossenes, gehostetes Modell mit Abrechnung pro Minute, zwölf Stimmen und ohne Klonen, und Sie akzeptieren, dass sein unabhängiger Qualitätswert im Mittelfeld liegt.

Es ist verlockend, 1.275 gegen 70,3 % zu lesen und die Sache für erledigt zu erklären. Das ist sie nicht, und der Unterschied zwischen diesen beiden Zahlen ist das ganze Argument: Die eine misst, wie eine Stimme klingt, die andere misst, ob es sich lohnt, mit ihr zu sprechen.