Inworld Realtime TTS-2 gegen Cartesia Sonic 3.6: Die Stimme, die zuhört, gegen den König der Arenen

Es gibt zwei konkurrierende Theorien dazu, warum eine synthetische Stimme menschlich wirkt, und derzeit sind die beiden besten kommerziellen Beispiele für jede von ihnen Inworld Realtime TTS-2 und Cartesia Sonic 3.6. Cartesias Theorie besagt, dass die Menschlichkeit im Audio steckt: Mache Timbre, Prosodie und Timing von denen eines Menschen ununterscheidbar, und die Hörer werden dich auf Platz eins setzen — genau das tat Sonic 3.6 im August, als er mit Elo 1.282 an die Spitze der Provider Voice arena von Artificial Analysis sprang. Inworlds Theorie besagt, dass die Menschlichkeit im Zuhören steckt: TTS-2 richtet seine Sprechweise an dem tatsächlichen Audio der vorangegangenen Konversation aus, sodass es nicht nur wie ein Mensch klingt, sondern auch wie einer reagiert. Diese Woche kollidierten die beiden Theorien auf der Anzeigetafel: Dieselbe Neubewertung, die Inworld Realtime TTS-2 mit Elo 1.252 auf Platz 2 des Anbieter-Boards setzte, setzte es zugleich auf Platz 1 der Controlled Voice arena — des Boards, das Cartesia angeführt hatte — mit 1.123 gegen die 1.119 von Sonic 3.6. Ein Modell hält die Anbieter-Krone. Das andere hat gerade die kontrollierte übernommen.

Dies ist kein Vergleich, bei dem eine Seite offensichtlich falsch liegt. Die beiden Modelle wurden für überlappende, aber nicht identische Aufgaben entwickelt, und der Preisunterschied – Sonic 3.6 für 49,0 $ pro Million Zeichen gegenüber 25 $ bei Bedarf für Inworld Realtime TTS-2 – ist real genug, dass die Entscheidung sowohl eine Budget- als auch eine Qualitätskomponente hat.

Zwei Theorien einer menschlich klingenden Stimme

Cartesia veröffentlichte Sonic 3.6 im August 2026 in aller Stille – ein Point-Release, das Sonic 3.5 verbesserte, ohne den Preis oder die Architektur-Story zu ändern. Die Verbesserung zeigte sich dort, wo Cartesia sie brauchte: Das Modell sprang in der Provider-Voice-Arena von Artificial Analysis auf Elo 1.282 – in der jedes Modell seine eigenen nativen Stimmen verwendet – und behauptete sich im August an der Spitze der Controlled-Voice-Arena. Auf dem Controlled-Board wird jedes Modell auf dieselben acht Referenzsprecher geklont, sodass diese Krone ein Urteil über die Synthese-Engine selbst ist, unabhängig von den Stimmtalenten. Nach der Neubewertung im Zuge der allgemeinen Verfügbarkeit von Inworld in dieser Woche führt Cartesia zwar weiterhin das Provider-Board an, aber Sonic 3.6 liegt nun mit Elo 1.119 auf Platz 2 des Controlled-Boards – vier Punkte hinter Inworld Realtime TTS-2 mit 1.123.

Inworld Realtime TTS-2 stammt aus einer anderen Tradition. Seine Vorgängerlinie, TTS 1.5, verbrachte Anfang 2026 in denselben Vergleichsfeldern nahe der Spitze, und die Forschungsvorschau von TTS-2 erreichte im Juni einen Elo-Wert von 1.209 auf dem Anbieter-Ranking. Das GA-Modell hat seither zugelegt: Auf den aktuellen Ranglisten sitzt es bei 1.252 auf Provider Voice (#2, hinter Sonic 3.6 mit 1.282) und bei 1.123 auf Controlled Voice (#1). Das eigentliche Differenzierungsmerkmal des Flaggschiffs ist jedoch nicht sein Elo-Wert, sondern dass das Modell die vorherigen Gesprächsbeiträge als Audio-Eingabe aufnimmt und davon geprägt wird, wie es die nächste Zeile liefert. Cartesia leitet die Emotion aus dem Transkript ab. Inworld hingegen hört darauf, wie der letzte Gesprächsbeitrag gesagt wurde.

Die Anzeigetafel, ehrlich beschriftet

Die Elo-Werte stammen aus den Speech-Arenas von Artificial Analysis und wurden im September 2026 von den Live-Tafeln abgelesen. Die Latenzwerte wurden, sofern nicht anders angegeben, von den Anbietern gemeldet, und für keines der beiden Modelle wurde ein unabhängiges Latenz-Audit veröffentlicht.

• Unabhängige Qualität — Cartesia Sonic 3.6: Elo 1.282 (#1, Provider Voice) und 1.119 (#2, Controlled Voice) vs. Inworld Realtime TTS-2: Elo 1.252 (#2, Provider Voice) und 1.123 (#1, Controlled Voice)

• Preis pro 1 Mio. Zeichen — 49,00 $ (von Artificial Analysis erfasst) gegenüber 25 $ bei Bedarf; 20,80 $ als Mischpreis (von Artificial Analysis erfasst), bis zu 12,50 $ bei großen Mengen (Anbieter)

• Zeit bis zum ersten Audio — unter 90 ms (laut Hersteller) gegenüber einem Median von unter 200 ms und unter 100 ms bei p99 in den Starttests von Inworld (laut Hersteller); Inworlds Antwort auf die niedrige Latenz von Sonic ist die separate TTS-2-Flash-Stufe mit etwa 25 ms Zeit bis zum ersten Byte.

• Sprachen — 42 lokalisierte vs. 100+ Sprachen für die Liefersteuerung, wobei sich Inworlds Anspruch einer einheitlichen Stimmidentität auf 200+ Locales erstreckt (Anbieterangabe).

• Sofortige Stimmklonierung — ~10 Sekunden Audio statt 5–15 Sekunden, plus eine professionelle Klonierungs-Beta, die für Klone mit höherer Wiedergabetreue ~10 Minuten Audio benötigt.

• Vortragssteuerung — Inline-Transkript-Tags wie [laughter], plus Lautstärke- und Geschwindigkeitsmodulation gegenüber Steuerung in einfachem Englisch wie „[calm, reassuring]" oder [whisper], Anweisungen auf Anfrageebene und drei Stabilitätsmodi von Stable bis Expressive

Warum „dem Gespräch zuhören" eine andere Achse ist

Die obige Rangliste misst, wie eine Stimme isoliert klingt. Die Dimension, in der sich die beiden Modelle tatsächlich unterscheiden, taucht auf keiner Bestenliste auf, da sie nur über mehrere Gesprächsrunden hinweg existiert.

Inworld Realtime TTS-2 wurde für den Fall entwickelt, dass eine Person gerade etwas zu ihm gesagt hat. Das Modell verarbeitet das Audio früherer Redebeiträge – nicht nur eine Abschrift davon –, zieht Rückschlüsse auf Tonfall, Sprechtempo und Gefühlszustand und wählt vor dem Sprechen einen Antwortzustand aus. Wenn ein Anrufer frustriert ist, ändert sich die Sprechweise; wenn er entspannt ist, wechselt sie zurück. Deshalb vermarktet Inworld das Modell für Agenten, Begleiter und Spiele und nicht für Erzählungen: Die Funktion ist in einem einmaligen Text-zu-Audio-Aufruf bedeutungslos und in einem Gespräch bedeutungsvoll.

Cartesia Sonic 3.6 funktioniert anders. Es handelt sich um eine schnelle, hochwertige Streaming-Engine, und Cartesias eigener Anspruch ist eine automatische emotionale Kalibrierung anhand des Transkripts – es liest die Wörter und moduliert entsprechend. Was es nicht tut: Es hört nicht auf das Audio der vorherigen Gesprächsbeiträge. Innerhalb einer einzelnen Äußerung können die beiden vergleichbar klingen; im Gesprächsverlauf modelliert Inworld etwas, das Sonic nicht versucht. Wenn Ihr Produkt ein einmaliges Voiceover ist, ist diese Modellierung unnötiger Overhead. Wenn es ein Live-Agent ist, ist sie das Produkt.

Geschwindigkeit, Preis und der Flash-Vorbehalt.

Was die reine Latenz angeht, hat Cartesia den Ruhm für sich gepachtet: Eine Time-to-First-Audio von unter 90 ms ist zwar eine Herstellerangabe, aber es ist die Kennzahl, die das Unternehmen seit der Sonic-3-Generation ausliefert, und niemand hat ein widersprechendes Audit veröffentlicht. Inworlds Flaggschiff antwortet in einer ähnlichen Konversationsklasse mit unter 200 ms, was für Live-Agenten ausreichend ist. Der eigentliche Latenz-Vorteil von Inworld ist die Flash-Stufe, die zusammen mit dem GA-Modell eingeführt wurde – ein separates Modell mit einer Time-to-First-Byte von etwa 25 ms, das auf hochvolumige Arbeitslasten ausgelegt ist, bei denen Kosten und Latenz auf Sonic-Niveau stärker zählen als Ausdruckskraft. Der Haken daran ist, dass Flash ein abgespecktes Familienmitglied ist: sofortiges Klonen und eingebaute nonverbale Laute, aber kein professionelles Klonen und keine vollständige Steuerung über natürliche Sprache.

Beim Preis verhält es sich andersherum. Sonic 3.6 kostet 49,0 $ pro Million Zeichen – etwa doppelt so viel wie Inworlds On-Demand-Tarif von 25 $ und fast viermal so viel wie die oberste Preisstufe von 12,50 $. Die Qualitätslücke zwischen ihnen auf den Ranglisten, auf denen beide auftauchen, rechtfertigt diesen Faktor für einen Abnehmer mit hohem Volumen nicht. Bei einem Echtzeit-Sprachagenten, der pro Gespräch Tausende von Zeichen erzeugt, ist der Unterschied pro Zeichen der Unterschied zwischen einer gesunden Unit-Ökonomie und einer mageren.

Welche wählen?

• Wählen Sie Cartesia Sonic 3.6wenn Sie die Krone der Anbieter-Rangliste wollen — die höchstbewertete Stimme, die ihre eigenen nativen Stimmen verwendet, Elo 1.282, für kurze, in sich geschlossene Äußerungen wie Assistentenantworten, Spielzeilen und Statusansagen. Bei 49 $ pro Million Zeichen zahlen Sie für die Krone, und diese Stimme bleibt auf dieser Rangliste das Maß aller Dinge.

• Wählen Sie Inworld Realtime TTS-2wenn es sich um ein Multi-Turn-Gespräch handelt, bei dem die Ausgabe auf die Person am anderen Ende reagieren soll – Support-Anrufe, ein Begleiter, ein Interview, eine Nachhilfestunde. Es führt nun das kontrollierte Board an, auf dem jedes Modell mit denselben acht Referenzstimmen spricht, und das zu etwa dem halben Preis, während es das Audio des Gesprächs anhört.

• Bauen Sie die Umschaltfunktion in das Routing ein, wenn Sie im Voraus nicht wissen können, welche Art von Stimme ein Anruf benötigt. Keines der beiden Modelle ist derzeit auf OrcaRouter verfügbar — Sonic ist über Cartesias eigene API und mehrere Drittanbieter-Plattformen erreichbar, Inworld über seine eigene API —, doch eine Routing-Schicht ist genau die Struktur, die es einem Gespräch ermöglicht, mit einer Stimme zu beginnen und auf die andere umzuschalten, wobei der Listenpreis jedes Anbieters ohne Aufschlag durchgereicht wird. An dem Tag, an dem eines dieser Boards wieder umkippt — und diese Woche haben sie es getan —, wird die Wahl zu einer Konfigurationsänderung statt einer Neuimplementierung.

Die Kurzfassung

Dies ist eine echte Gabelung, und die ehrliche Antwort ist, dass es bei der Gabelung um das Turn-Taking geht, nicht um die Audioqualität. Wenn Sie eine am besten bewertete eigenständige Stimme benötigen, die ihre eigenen nativen Stimmen verwendet, hält Cartesia Sonic 3.6 mit einem Elo von 1.282 die Anbieterkrone und verlangt dafür 49 Dollar pro Million Zeichen. Wenn Sie eine Stimme benötigen, die darauf reagiert, wie mit ihr gesprochen wird, ist Inworld Realtime TTS-2 diese Woche für 25 Dollar auf Abruf allgemein verfügbar geworden, führt die kontrollierte Rangliste an, auf der die beiden mit gleichen Stimmen aufeinandertreffen, und bringt eine Funktion zur Gesprächswahrnehmung mit, die keine Arena vollständig misst. Die Bestenlisten sind nun zwischen den beiden Modellen aufgeteilt – was das ehrlichstmögliche Bild eines Marktes ist, in dem „das Beste“ vom Test abhängt.