AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: el retador midió al líder actual en 143 ms

La frase más útil en la publicación de lanzamiento de AssemblyAI no trata de su propio modelo. Es una línea de una tabla comparativa que muestra que Cartesia Sonic 3.6 tarda 143 milisegundos en devolver un primer byte, mientras que AssemblyAI-TTS-1 lo devolvió en 47 — una prueba que AssemblyAI ejecutó en su propio hardware y publicó sobre un competidor que ha pasado dos años promocionándose como el TTS más rápido del mercado. La propia cifra del proveedor de Sonic 3.6 es de menos de 90 ms de tiempo hasta el primer audio, lo cual no es la misma medición ni se hizo en la misma red, y desde entonces ambos números se han citado el uno contra el otro. Esa colisión es el centro honesto de este enfrentamiento: un modelo es el líder en calidad e idiomas a 49 dólares por millón de caracteres; el otro es el retador en precio y rendimiento a 15 dólares, y ninguno tiene una cifra de latencia que haya confirmado una parte neutral.

Todo lo que sigue está fechado. Las cifras de Artificial Analysis se leyeron el 30 de octubre de 2026, y las tablas varían en decenas de Elo en cuestión de semanas; Sonic 3.6 ha pasado por sí mismo del primer al cuarto puesto desde agosto. Las afirmaciones de los proveedores se etiquetan como afirmaciones de los proveedores. Los dos puntos de datos independientes sobre latencia que existen —la ejecución de laboratorio de AssemblyAI y la medición de streaming de Cekura— miden cosas diferentes y se presentan como tales, en lugar de promediarse para convertirlos en un único hecho ficticio.

Dónde se sitúan realmente, a día de hoy

Cartesia Sonic 3.6 se lanzó a mediados de agosto de 2026 y, en cuestión de días, alcanzó el primer puesto en ambas arenas de voz de Artificial Analysis: 1.282 en Provider Voice y 1.123 en Controlled Voice, ambos datos de entonces. Dos meses y medio después de nuevas entradas, se mantiene con 1.296 y un cuarto puesto en Provider Voice, y con 1.147 y un sexto puesto en Controlled Voice. Su puntuación subió 14 puntos y su posición bajó tres puestos. Eso es lo que hace una tabla que se mueve rápido, y es la razón por la que la columna de posición en cualquier artículo sobre un lanzamiento envejece mal.

• Voz del proveedor — Cartesia Sonic 3.6 1,296, 4.º vs AssemblyAI-TTS-1 1,227, 14.º

• Voz controlada (ocho voces clonadas compartidas) — Cartesia Sonic 3.6 1.147, 6.º vs AssemblyAI-TTS-1 1.108, 10.º

• Precio por millón de caracteres — $49 frente a $15

• Idiomas — 44 frente a 6 (inglés, español, francés, alemán, italiano, portugués)

• Rendimiento (Artificial Analysis) — 148,6 caracteres por segundo frente a 162

• Robustez de pronunciación (Artificial Analysis) — AssemblyAI 81,7 %, 16.º, frente a la posición inferior de Sonic en pruebas de cadenas difíciles de terceros

• Facturación de voces clonadas — Cartesia cobra 1,5x por las voces clonadas, frente a la tarifa plana de AssemblyAI que incluye la clonación

Las dos diferencias no son del mismo tamaño. Sesenta y nueve Elo en Provider Voice es una diferencia de calidad real y visible — aproximadamente la distancia entre modelos adyacentes en la mitad de la tabla, y suficiente como para que un oyente a ciegas tenga una preferencia. Treinta y siete Elo en Controlled Voice es menor y cae en el rango en el que una sola ronda de evaluación puede mover un modelo varios puestos. En términos sencillos: Sonic 3.6 suena mejor con sus propias voces, y ambos están lo bastante cerca con una voz clonada como para que los detalles de despliegue decidan. Una diferencia de precio de 3,3 veces no es cercana bajo ningún concepto.

El argumento de la latencia, explicado de tres maneras

Existen tres mediciones y ninguna de ellas resuelve la cuestión, así que vale la pena ser precisos sobre lo que muestra cada una.

La primera es la propia prueba de laboratorio de AssemblyAI. Treinta prompts, tres rondas, cuatro voces estándar por modelo, una solicitud a la vez, un solo cliente. Mediana del tiempo hasta el primer byte: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Es una prueba limpia y bien descrita con una limitación obvia: las solicitudes secuenciales miden el modelo, no el servicio. No puede mostrar el encolamiento, la contención por concurrencia ni el costo de red entre regiones. También tiene un problema de incentivos: el proveedor que publica la tabla es el proveedor que gana en ella.

El segundo es la propia afirmación de Cartesia: tiempo hasta el primer audio inferior a 90 ms, que la empresa describe como solo del modelo y excluyendo la red. Obsérvese el cambio de unidad. Los 47 ms de AssemblyAI son un primer byte; los 90 ms de Sonic son el primer audio; son momentos distintos en un pipeline de streaming, y un primer byte puede llegar mucho antes que la primera trama sintetizada. Compararlos directamente es el error más común en la cobertura de este lanzamiento.

El tercero es la medición independiente de streaming de Cekura, que situó a AssemblyAI-TTS-1 en una mediana de 159 ms en frases de estilo agente — octavo de diecinueve sistemas, no primero. Eso es el doble de la cifra de producción del proveedor y está más o menos en línea con lo que una ruta de red real le hace a un número limpio de laboratorio. No había una cifra independiente equivalente para Sonic 3.6 disponible en la misma ejecución, lo que significa que la afirmación honesta no es «AssemblyAI es más rápido», sino «AssemblyAI es más rápido en una prueba que ella misma diseñó, y ningún laboratorio neutral ha hecho competir a ninguno de los dos modelos el mismo día».

El throughput es la comparación más limpia porque Artificial Analysis lo mide de la misma manera para ambos. Con 162 caracteres por segundo frente a 148,6, AssemblyAI genera audio aproximadamente un 9 % más rápido —una ventaja mucho menor de lo que sugieren las cifras de primer byte, y una que es irrelevante para un agente en vivo, donde ambos modelos ya son varias veces más rápidos que en tiempo real. Lo que importa en producción es la latencia de cola y la fiabilidad bajo concurrencia, y ninguno de los proveedores ha publicado una cifra p99.

Qué incluye la diferencia de precio

Los $49 de Cartesia no son una tarifa plana todo incluido como lo son los $15 de AssemblyAI. Sonic 3.6 cobra las voces clonadas a 1,5 veces la tarifa estándar, lo que lleva un agente que use voces personalizadas a aproximadamente $73,50 por millón de caracteres, unas 4,9 veces la tarifa de AssemblyAI. AssemblyAI cobra $15 tanto por las voces de la biblioteca como por las clonadas, e incluye marcas de tiempo por palabra, procesamiento en EE. UU. o la UE y concurrencia ilimitada, sin compra de nivel ni compromiso anual. Cartesia vende créditos mediante planes en los niveles mensuales gratuito, de $5, $49 y $299, y su nivel gratuito prohíbe el uso comercial.

Calculado sobre un guion en lugar de un tarifario: un millón de caracteres equivale a unas 18 horas de habla finalizada a un ritmo normal, lo que sitúa a AssemblyAI en aproximadamente 81 centavos por hora finalizada frente a unos $2,70 para Sonic 3.6 a precio de lista, o alrededor de $4,05 cuando las voces clonadas se facturan a la tarifa de 1,5x. Para una operación de cien mil horas al mes, esa es la diferencia entre una partida de $81.000 y otra de $270.000. Nada en la calidad de la voz justifica por sí solo un multiplicador de 3,3x; el argumento a favor de Cartesia tiene que basarse en la cobertura, los controles y la fiabilidad, no en Elo.

Idiomas y controles, donde Cartesia sigue ganando con holgura

Cuarenta y cuatro idiomas localizados frente a seis es la mayor brecha funcional en esta comparación, y no es una brecha que una reducción de precio cierre. AssemblyAI ofrece inglés, español, francés, alemán, italiano y portugués con múltiples acentos y ha prometido más sin fecha. Si tu agente atiende mercados europeos fuera de esos seis —polaco, neerlandés, sueco, griego—, Sonic 3.6 es la única opción de las dos, y la diferencia de precio deja de importar.

La brecha en controles apunta en la misma dirección. AssemblyAI-TTS-1 no tiene SSML, ni parámetro de velocidad, ni diccionario de pronunciación, ni etiquetas de emoción en su lanzamiento; la propia página de lanzamiento del proveedor describe la emoción como nativa del modelo, mientras que sus preguntas frecuentes confirman que los controles dedicados no están disponibles. El producto de Cartesia está construido en torno al habla dirigible: la velocidad, la emoción y el manejo de la pronunciación forman parte de la oferta. Para narración con guion, doblaje o cualquier carga de trabajo en la que haya que dirigir el ritmo, AssemblyAI actualmente te pide reescribir el texto para conseguir la interpretación que deseas, lo cual es un trabajo que no puedes facturar a nadie.

El único aspecto en el que AssemblyAI lidera en capacidades es exactamente donde Cartesia es más débil: las cadenas difíciles. Artificial Analysis sitúa la robustez de pronunciación de AssemblyAI en 81,7 %, decimosexta en ese ranking, y la propia evaluación de AssemblyAI sitúa la precisión de entidades en 93,7 % en números de teléfono, URL y códigos, frente a 82,5 % de Sonic 3.6 —una comparación de proveedores, realizada por el propio proveedor, y una diferencia de 11 puntos demasiado grande para descartarla como ruido metodológico. Una prueba independiente (la de Gradium) situó la puntuación de Sonic en casos difíciles en 75,1 %. Para IVR, repeticiones de datos y códigos de confirmación, esa es la cifra que decide el despliegue.

¿Quién debería tomar cuál?

Elige AssemblyAI-TTS-1 cuando la carga de trabajo sea de gran volumen, inglés más cinco idiomas y mucha lectura estructurada — números de pedido, direcciones, códigos, dosis — donde la ventaja en precisión de entidades y la tarifa plana de $15 se refuerzan mutuamente. Elige Cartesia Sonic 3.6 cuando necesites más de seis idiomas, cuando la entrega deba dirigirse en lugar de reescribirse, cuando estés clonando voces y puedas absorber la facturación de 1.5x, o cuando la brecha de naturalidad en Provider Voice sea lo que oyen tus usuarios. La diferencia de 37 puntos en arena controlada es lo suficientemente pequeña como para que un agente bien construido con cualquiera de los dos modelos suene bien; la diferencia de 69 puntos entre proveedores es la que nota un oyente.

Hay una tercera opción que ninguno de los dos proveedores promociona, y es la que la mayoría de los equipos acaba eligiendo: ejecutar ambos y dejar que el tráfico decida. Dos tramos de TTS detrás de una única regla de enrutamiento te permiten enviar enunciados con mucha lectura de confirmación al modelo que lee los códigos correctamente y la narración al modelo que suena mejor, sin mantener dos vías de integración. Ese es el caso que una capa de enrutamiento defiende por sí misma — más de 200 modelos detrás de una API con 0 % de recargo y precios de lista repercutidos tal cual, de modo que un recorte de cualquiera de los dos lados se aplica el mismo día, y el DSL de enrutamiento para dividir el tráfico por carga de trabajo en vez de por conjeturas. Hoy, ni AssemblyAI-TTS-1 ni Cartesia Sonic 3.6 figuran en el catálogo de OrcaRouter, así que esto es un esquema para la comparación, no una afirmación sobre que los alojamos; los modelos TTS que sí enrutamos — tts-1 de OpenAI, tts-1-hd y gpt-4o-mini-tts, y Gemini 3.1 Flash TTS Preview de Google — cubren el segundo tramo mientras los dos líderes se evalúan con tu propio tráfico.

¿Qué lo resolvería realmente?

Un laboratorio neutral que ejecutara ambos modelos en el mismo hardware, la misma ruta de red y el mismo perfil de carga zanjaría la discusión sobre la latencia en una tarde, y nadie lo ha hecho. Hasta entonces, la postura defendible es que AssemblyAI es más rápida en su propia prueba y posiblemente más rápida en la realidad, que Cartesia es el modelo que mejor suena y con una cobertura mucho más amplia, y que la diferencia de precio es lo bastante grande como para que la ventaja de calidad de Sonic 3.6 tenga que valer 3,3x por carácter —o, en voces clonadas, 4,9x— para el comprador que paga por ella.

Otros dos acontecimientos influirían en la respuesta más que cualquier benchmark. Si AssemblyAI lanza SSML y diccionarios de pronunciación, el límite de seis idiomas se convierte en la única objeción funcional que queda, y el argumento del precio se vuelve muy difícil de rebatir. Si Cartesia rebaja su tarifa hacia el nuevo suelo del mercado, o amplía su facturación de voces clonadas, la ventaja de cobertura se vuelve asequible. Conviene vigilar esos dos movimientos en lugar de la próxima lectura de Elo: en una tabla donde un modelo puede ganar 14 puntos y perder tres puestos en diez semanas, el puesto es ruido y el precio es la señal.