Rime Prism vs. Cartesia Sonic 3.6: Hören Sie auf, 90 ms mit 570 ms zu vergleichen

Cartesia Sonic 3.6 antwortet in weniger als 90 Millisekunden. Rime Prism antwortet in rund 570. Wenn dieser Satz Ihr gesamter Vergleich ist, haben Sie bereits eine Schlussfolgerung gezogen, die um den Faktor zwei in die falsche Richtung danebenliegt — weil die beiden Zahlen nicht am selben Zeitpunkt beginnen. Die 90 ms von Sonic 3.6 sind die Zeit vom Eintreffen des Textes am Synthesizer bis zum ersten Audio-Sample. Die 570 ms von Rime Prism sind die Zeit vom Satzende eines Anrufers bis zum ersten Laut des Agenten. Zwischen diesen beiden Ereignissen liegen ein Spracherkennungsdurchlauf und ein vollständiger Durchlauf eines Sprachmodells, und Sonic 3.6 führt weder das eine noch das andere aus. Stellt man sie auf dieselbe Zeitbasis, schrumpft die Lücke auf einen Wert, den ein Anrufer kaum noch unterscheiden kann, und dann geht es bei der Entscheidung nur noch um den Preis, die Sprachabdeckung und darum, ob jemand genehmigen muss, was gesagt wird.

Beide Modelle sind aktuell und beide sind bereits verfügbar. Cartesia Sonic 3.6ging am 27. August 2026 als Streaming-Text-to-Speech-Modell in die allgemeine Verfügbarkeit (GA) und belegte zum Start Platz eins in beiden Speech-Arenen von Artificial Analysis — und wurde seither überholt, als neuere Stimmen in die Rangliste aufgenommen wurden. Rime Prismwurde am 28. Oktober 2026 als Speech-to-Speech-Modell für 0,080 US-Dollar pro Minute Anrufaudio eingeführt, das seine Antwort als Text ausgibt, bevor es sie spricht. Das eine ist eine Komponente, das andere ein System, und der interessante Vergleich betrifft die Kosten, die jeweils entstehen, wenn man einen funktionsfähigen Voice-Agent darum herum aufbaut.

Was Sonic 3.6 genau ist

Es ist ein Text-to-Speech-Modell, und nach den verfügbaren Belegen ein gutes. Die Streams sind wichtiger als das Marketing: WebSocket, Server-Sent Events und Rohbytes werden alle unterstützt, was ein TTS-Modell in einem Live-Call statt nur in einem Batch-Job nutzbar macht.

• Abdeckung — 44 Sprachen in 61 Locales, darunter Hindi und Hinglish.

• Stimmen — 10-Sekunden-Instant-Klon aus einem Referenzclip; für dieses Release gibt es keine veröffentlichte Anzahl an Standardstimmen.

• Steuerung — mehr als 60 Emotions- und Vortrags-Tags, nur auf Englisch; Geschwindigkeit von 0,6x bis 1,5x.

• Audio — Ausgabe von 8 kHz bis 48 kHz in WAV, MP3 oder PCM, mit einem Kontextfenster von 3.000 Token.

• Latenz – vom Anbieter angegebene Zeit bis zum ersten Audio von unter 90 ms bei etwa 132 Zeichen pro Sekunde im Streaming.

• Arena — Artificial Analysis Provider Voice Elo lag zum Start bei rund 1.282 und Controlled Voice bei rund 1.123, damals in beiden Tabellen an der Spitze, seitdem hat sich das verschoben.

• Offenheit — keine Gewichte. Sonic 3.6 ist ein gehostetes Modell, wie Prism.

Cartesia hat am 20. Oktober 2026 außerdem mehrere ältere Modelle eingestellt – sonic-turbo, sonic-2 und den Snapshot sonic-3-2025-10-27 –, und Sonic 3.5 bleibt neben 3.6 als stabil aufgeführt. Wenn Sie migrieren, prüfen Sie, auf welche Generation Ihre Integration tatsächlich verweist, denn ein Fallback auf ein eingestelltes Modell ist ein stiller Fehler.

Die Rechnung 90 ms vs. 570 ms – richtig gemacht

Hier ist der Teil, den jede Ranking-Seite überspringt. Eine Sonic 3.6-Kaskade hat drei Uhren, die in Reihe geschaltet sind:

• Spracherkennung der Äußerung des Anrufers – typischerweise einige Hundert Millisekunden, bis ein Streaming-Erkenner einen Satz abschließt.

• Der Zug des Sprachmodells – die variable Größe, die zwischen 200 ms für eine kurze Bestätigung und deutlich mehr als einer Sekunde liegt, wenn der Agent vor der Antwort nachdenkt.

• Der Synthese-Hop von Sonic 3.6 – unter 90 ms bei der vom Anbieter getesteten Rate ohne Netzwerk; unabhängige End-to-End-Messungen eines Live-Cartesia-Anrufpfads liegen um ein Mehrfaches höher, sobald die beiden anderen Hops mitgezählt werden.

Addiert man die mittleren drei, landet eine gut abgestimmte Kaskade irgendwo zwischen 800 ms und 1,5 Sekunden vom Ende der Äußerung des Anrufers bis zum ersten Audio des Agenten. Prisms 0,57 Sekunden decken das alles ab. Auf dem vollständigen Pfad ist Prism also nicht langsamer als Sonic 3.6 – es ist schneller als die Pipeline, in der Sonic 3.6 steckt, und zwar am guten Ende um etwa den Faktor zwei.

Das kehrt sich nur in einer Architektur um: Wenn der Turn Ihres Sprachmodells sehr kurz und Ihre Erkennungskomponente sehr schnell ist, kann auch eine Sonic-Cascade in rund einer halben Sekunde das erste Audio erreichen, und dann ist der 90-ms-Hop tatsächlich der Grund dafür. Das heißt: Die 90 ms sind eine echte Ingenieursleistung und leisten Arbeit – nur nicht die Arbeit, die die Vergleichstabelle nahelegt.

Die ehrliche Darstellung ist die, die Cartesias eigene Zahlen stützen. Unter 90 ms ist der schnellste Synthese-Hop auf dem Markt, und er wird ohne Netzwerk gemessen. Prisms 570 ms sind eine Herstellerangabe, gemessen auf dem τ-Voice-Harness von Rime selbst statt von einem neutralen Labor. Keines der beiden Unternehmen hat einen direkten Vergleich veröffentlicht, und niemand hat beide auf demselben Anrufpfad laufen lassen. Alles, was die beiden als einen Latenz-Wettlauf unter gleichen Bedingungen darstellt, erfindet ein Ergebnis.

Preis pro Minute – genau dort liegt die eigentliche Lücke.

Cartesia rechnet pro Zeichen ab: etwa ein Credit pro Zeichen, was Artificial Analysis auf rund 49 US-Dollar pro einer Million Zeichen normalisiert. Rimes eigene Dokumentation rechnet Zeichen mit etwa 1.000 pro Sprechminute in Minuten um, wodurch Sonic 3.6 bei nahezu 0,049 US-Dollar pro Minute generierten Audios liegt. Schnellere Sprechgeschwindigkeiten – die 132 Zeichen pro Sekunde, die Cartesia als Benchmark heranzieht – drücken das in Richtung 0,034 US-Dollar. Sagen wir drei bis fünf Cent pro Minute, je nachdem, wie schnell Ihr Agent spricht.

Prism kostet $0.080 pro Minute Call-Audio bei Flex und $0.064 bei Scale. Doch Prisms Minute ist nicht dieselbe Minute. Die Abrechnung erfolgt nach Call-Audio, nicht nach der Sprache des Agenten. Ein Anruf, in dem der Anrufer die Hälfte der Zeit spricht, kostet Prism daher genauso viel wie einer, in dem der Agent nie aufhört zu sprechen. Schon dieser Unterschied allein kann den effektiven Vergleich um ein Drittel in beide Richtungen verschieben, und er ist das Erste, was Sie modellieren müssen, wenn Sie einen Trial bepreisen.

Setzen Sie jetzt die Kaskade zusammen. Sonic 3.6 zu vier Cent, Erkennung für einen halben bis einen Cent und ein Sprachmodell, das bei Konversations-Tokenmengen ein paar Cent pro Minute kostet – damit liegen Sie bei ungefähr acht bis zehn Cent pro vom Agenten gesprochener Minute, bevor irgendeine Infrastruktur hinzukommt. Prism zu acht Cent ist in diesem Rahmen kein Premiumprodukt. Es ist derselbe Preis für eine Rechnung, einen Vertrag und ein Latenzbudget statt für drei.

Cartesias Tarifstruktur untermauert dies. Free mit 20.000 Credits und 2 gleichzeitigen Streams; Pro für $5 mit 100.000 Credits und 3 gleichzeitigen Streams; Startup für $49 mit 1,25 Millionen Credits und 5 gleichzeitigen Streams; Scale für $299 mit 8 Millionen Credits und 15 gleichzeitigen Streams; Enterprise individuell mit DPA, BAA und regionalem Deployment. Die Gleichzeitigkeit ist je Tarifstufe begrenzt, und für ein Contact-Center ist das die Zahl, die tatsächlich limitiert — 15 gleichzeitige Streams bei Scale entsprechen einer stark ausgelasteten Warteschlange mittlerer Größe, nicht einer großen.

Sprachabdeckung versus Kontrolle: die Abwägung, die den Ausschlag gibt

Cartesia gewinnt bei der Abdeckung mit einem breiten und messbaren Vorsprung. 44 Sprachen in 61 Locales sind eine veröffentlichte, überprüfbare Liste. Rime veröffentlicht die Sprachenanzahl von Prism überhaupt nicht, obwohl die separaten Text-to-Speech-Produkte ihre eigene veröffentlichen – doch Prism-spezifische Zahlen fehlen auf der Produktseite. Wenn Sie im nächsten Quartal in fünfzehn Märkten starten müssen, ist dieses Fehlen für sich genommen ein Ausschlusskriterium, und Sonic 3.6 ist die Antwort, unabhängig von allem anderen in diesem Artikel.

Prism gewinnt die Kontrolle – und zwar mit einem Vorsprung, der strukturell und nicht inkrementell ist. Sonic 3.6 erhält den finalen Text. Es kann diesen Text mit mehr als 60 Emotions-Tags vortragen und ihn mit 1,5-facher Geschwindigkeit sprechen, aber es kann ihn nicht verweigern. Prism erzeugt den Text selbst, einen Schritt vor der Sprachausgabe, und laut Rime kann die Anwendung an diesem Punkt umschreiben, blockieren, taggen oder die Aussprache korrigieren, während der Anruf weiterläuft. Eine regulierte Offenlegung, eine Aussage, die nicht getroffen werden darf, ein konkurrierender Markenname, der niemals ausgesprochen werden darf – all das liegt am Kontrollpunkt, nicht in dem Text, den man einem Synthesizer übergibt.

In einer Sonic-Kaskade lässt sich dieselbe Kontrolle aufbauen. Setzen Sie eine Richtlinienprüfung zwischen das Sprachmodell und den Synthesizer, und Sie haben den Kontrollpunkt. Was Sie nicht haben, ist ein Modell, das Audiodaten im selben Durchlauf verarbeitet, und das ist die zweite Hälfte von Prisms Behauptung: Tonfall, Zögern und Hintergrundgeräusche fließen in die Antwort ein, statt vorher zu einem Transkript plattgedrückt zu werden. Ob das acht Cent statt vier wert ist, hängt von Ihren Anrufen ab, nicht von den Modellen.

Beide sind im Streaming, keiner von beiden ist in unserem Katalog.

Prism wird direkt von Rime verkauft. Sonic 3.6 wird direkt von Cartesia und über mehrere Drittplattformen verkauft. Keines der beiden wird derzeit über OrcaRouter geroutet, und nichts in diesem Beitrag sollte so verstanden werden, als würde etwas anderes behauptet.

Unser Routing ist die Ebene, auf die beide angewiesen sind. In einer Sonic-Kaskade ist das Sprachmodell in der Mitte eine Entscheidung, und diese Entscheidung bestimmt tatsächlich Qualität und Kosten des Aufrufs. Ein Schlüssel auf OrcaRouter deckt mehr als 200 Modelle zu 0 % Aufschlag auf den Listenpreis des Anbieters ab, mit automatischem Failover zwischen Anbietern, sodass ein Konversationsmodell, das ins Stocken gerät, nicht zu Funkstille führt – die Anfrage wird stattdessen umgeleitet. Die Routing-DSL ermöglicht es, die Bestätigungs-Turns an ein kleines, günstiges Modell und die Lookup-Turns an ein größeres Modell zu senden – innerhalb eines Endpunkts. Das ist dieselbe Kostendisziplin, die eine Kaskade braucht, und der Grund, warum eine Kaskade beim Preis weiterhin wettbewerbsfähig ist.

Und wenn Sie einen gehosteten Synthese-Hop ohne eine zweite Anbieterbeziehung möchten, openai/tts-1-hd und google/gemini-3.1-flash-tts-preview sind beide im Katalog zum Listenpreis. Sie sind nicht Sonic 3.6. Sie sind die beiden anderen Enden derselben Pipeline, mit demselben Schlüssel.

Das Urteil, aufgeschlüsselt nach Architektur.

Wenn Sie in mehr als nur einer Handvoll Sprachen entwickeln, ist Cartesia Sonic 3.6 der richtige Synthesizer, und der Vergleich ist damit entschieden. Vierundvierzig Sprachen sind eine Tatsache; eine unveröffentlichte Liste ist kein Versprechen.

Wenn Sie ein Contact Center für einen einzigen Markt aufbauen, in dem der Agent bestimmte Dinge nicht sagen darf, ist Rime Prism von den beiden der einzige, der einen Ort hat, an dem er zwischen der Entscheidung und der Äußerung stehen kann, und mit acht Cent pro Minute kostet es ungefähr so viel wie die Kaskade, die Sie sonst zusammenstellen würden – mit einer Rechnung statt drei.

Wenn Sie irgendwo dazwischen liegen, entscheidet die Latenz unter Last, nicht die Latenz auf einem Benchmark-Diagramm. Cartesias Sub-90-ms-Hop wird ohne Netzwerk gemessen, und ein Deployment weit entfernt von der Region wird deutlich höhere Werte sehen. Prisms 570 ms werden auf einem Prüfstand gemessen, der überhaupt kein Netzwerk hat. Führen Sie beide auf Ihrem tatsächlichen Anrufpfad und aus Ihrer tatsächlichen Region aus, bevor Sie sich entscheiden. Die veröffentlichten Zahlen können das nicht klären, und wer behauptet, sie könnten es, vergleicht zwei verschiedene Stoppuhren.

Ein Vorbehalt zu den Arena-Zahlen, denn sie werden zitiert werden: Das Artificial-Analysis-Elo für Sonic 3.6 misst, wie eine Stimme auf menschliche Bewerter wirkt. Prisms 56,6 auf τ-Voice misst, wie oft ein Agent bei 278 simulierten Service-Anrufen eine Aufgabe abschließt. Das sind nicht dasselbe Messinstrument, sie teilen keine Skala, und das eine vom anderen abzuziehen ergibt eine Zahl, die nichts bedeutet. Sonic 3.6 hat keinen τ-Voice-Wert, weil es kein Agent ist. Prism hat kein Arena-Elo, weil es keine Stimme ist. Diese Asymmetrie ist der gesamte Vergleich im Kleinen.