Rime Prism vs Cartesia Sonic 3.6: Deja de comparar 90 ms con 570 ms

Cartesia Sonic 3.6 responde en menos de 90 milisegundos. Rime Prism responde en unos 570. Si esa frase es toda tu comparación, ya has llegado a una conclusión desviada por un factor de dos en la dirección equivocada, porque las dos cifras no empiezan en el mismo momento. Los 90 ms de Sonic 3.6 son el tiempo desde que el texto llega al sintetizador hasta la primera muestra de audio. Los 570 ms de Rime Prism son el tiempo desde que quien llama termina su frase hasta que el agente emite un sonido. Entre esos dos eventos hay una pasada de reconocimiento de voz y un turno completo de modelo de lenguaje, y Sonic 3.6 no realiza ninguno de los dos. Ponlos en el mismo reloj y la diferencia se reduce a algo que quien llama apenas puede distinguir; entonces la decisión pasa a ser sobre precio, cobertura de idiomas y si alguien tiene que aprobar lo que se dice.

Ambos modelos están vigentes y ambos ya están disponibles. Cartesia Sonic 3.6 pasó a disponibilidad general el 27 de agosto de 2026 como modelo de texto a voz en streaming que encabezó ambas arenas de voz de Artificial Analysis en su lanzamiento, y desde entonces ha sido superado a medida que voces más nuevas se han unido al ranking. Rime Prism se lanzó el 28 de octubre de 2026 como modelo de voz a voz a $0.080 por minuto de audio de llamada que emite su respuesta como texto antes de pronunciarla. Uno es un componente, el otro es un sistema, y la comparación interesante es cuánto cuesta cada uno cuando se monta un agente de voz funcional en torno a él.

Qué es Sonic 3.6, exactamente

Es un modelo de texto a voz, y uno bueno a juzgar por la evidencia disponible. Los flujos importan más que el marketing: WebSocket, Server-Sent Events y bytes en bruto son todos compatibles, lo que hace que un modelo TTS se pueda usar dentro de una llamada en vivo y no solo en un trabajo por lotes.

• Cobertura — 44 idiomas en 61 configuraciones regionales, incluidos hindi e hinglish.

• Voces — clonación instantánea en 10 segundos a partir de un clip de referencia; no se publicó ningún número de voces predefinidas para esta versión.

• Control: más de 60 etiquetas de emoción e interpretación, solo en inglés; velocidad de 0.6x a 1.5x.

• Audio: salida de 8 kHz hasta 48 kHz en WAV, MP3 o PCM, con una ventana de contexto de 3000 tokens.

• Latencia — tiempo hasta el primer audio declarado por el proveedor de menos de 90 ms a aproximadamente 132 caracteres por segundo, en streaming.

• Arena — Artificial Analysis Provider Voice Elo en torno a 1.282 y Controlled Voice en torno a 1.123 en el momento del lanzamiento, entonces en lo más alto de ambas tablas, y desde entonces han cambiado de posición.

• Apertura — sin pesos. Sonic 3.6 es un modelo alojado, como Prism.

Cartesia también retiró varios modelos más antiguos el 20 de octubre de 2026 —sonic-turbo, sonic-2 y la instantánea sonic-3-2025-10-27—, y Sonic 3.5 sigue listado como estable junto con 3.6. Si estás migrando, comprueba a qué generación apunta realmente tu integración, porque recurrir a un modelo retirado como alternativa es un fallo silencioso.

La aritmética de 90 ms frente a 570 ms, bien hecha

Esta es la parte que todas las páginas de ranking omiten. Una cascada Sonic 3.6 tiene tres relojes funcionando en serie:

• Reconocimiento de voz del enunciado del llamante — normalmente unos pocos cientos de milisegundos para que un reconocedor en streaming finalice una frase.

• El turno del modelo de lenguaje — el término variable, que va desde unos 200 ms para un breve acuse de recibo hasta bastante más de un segundo si el agente razona antes de responder.

• El salto de síntesis de Sonic 3.6 — por debajo de 90 ms a la tasa probada por el proveedor y excluyendo la red; las mediciones independientes de extremo a extremo de una ruta de llamada activa de Cartesia resultan varias veces superiores una vez contabilizados los otros dos saltos.

Suma los tres intermedios y una cascada bien ajustada acaba situándose en algún punto entre 800 ms y 1,5 segundos desde el final del habla del llamante hasta el primer audio del agente. Los 0,57 segundos de Prism lo cubren todo. Así que, en la ruta completa, Prism no es más lento que Sonic 3.6: es más rápido que la tubería dentro de la cual vive Sonic 3.6, aproximadamente por un factor de dos en el extremo favorable.

Eso solo cambia en una arquitectura: si tu turno del modelo de lenguaje es muy corto y tu reconocedor es muy rápido, una cascada Sonic también puede alcanzar el primer audio en alrededor de medio segundo, y entonces el salto de 90 ms es genuinamente la razón. Es decir, los 90 ms son un logro de ingeniería real y están haciendo trabajo — solo que no el trabajo que implica la tabla comparativa.

El encuadre honesto es el que respaldan los propios números de Cartesia. Menos de 90 ms es el salto de síntesis más rápido del mercado, y se mide excluyendo la red. Los 570 ms de Prism son una cifra del proveedor, medida en el banco de pruebas τ-Voice por la propia Rime en lugar de por un laboratorio neutral. Ninguna de las dos empresas ha publicado una comparación directa, y nadie ha ejecutado ambas en la misma ruta de llamada. Cualquier cosa que presente a las dos como una carrera de latencia en igualdad de condiciones está inventando un resultado.

Precio por minuto, que es donde reside la verdadera brecha.

Cartesia factura por carácter: aproximadamente un crédito por carácter, que Artificial Analysis normaliza a unos 49 USD por millón de caracteres. La propia documentación de Rime convierte caracteres en minutos a razón de aproximadamente 1000 por minuto de habla, lo que sitúa a Sonic 3.6 cerca de 0,049 USD por minuto de audio generado. Las velocidades de habla más rápidas —los 132 caracteres por segundo que Cartesia usa como referencia— hacen que esa cifra baje hacia los 0,034 USD. Digamos que entre tres y cinco centavos por minuto, según la rapidez con la que hable tu agente.

Prism cuesta $0.080 por minuto de audio de llamada en Flex y $0.064 en Scale. Pero el minuto de Prism no es el mismo minuto. Se factura por el audio de la llamada, no por el habla del agente, así que una llamada en la que quien llama habla la mitad del tiempo cuesta a Prism lo mismo que una en la que el agente no deja de hablar. Solo esa distinción puede desplazar la comparación efectiva en un tercio en cualquier dirección, y es lo primero que hay que modelar cuando se calcula el costo de una prueba.

Ahora ensambla la cascada. Sonic 3.6 a cuatro centavos, el reconocimiento a medio centavo o un centavo, y un modelo de lenguaje que cuesta unos centavos por minuto con volúmenes de tokens conversacionales: estás en aproximadamente ocho a diez centavos por minuto hablado por el agente, antes de cualquier infraestructura. Prism a ocho centavos no es un producto premium en ese marco. Es el mismo precio por una sola factura, un solo contrato y un solo presupuesto de latencia en vez de tres.

La estructura de planes de Cartesia refuerza esto. Free con 20.000 créditos y 2 concurrentes; Pro por $5 por 100.000 créditos y 3 concurrentes; Startup por $49 por 1,25 millones de créditos y 5 concurrentes; Scale por $299 por 8 millones de créditos y 15 concurrentes; Enterprise personalizado con DPA, BAA y despliegue regional. La concurrencia está limitada por el nivel, que para un centro de contacto es la cifra que realmente limita — 15 flujos concurrentes en Scale es una cola mediana ocupada, no una grande.

Cobertura de idiomas frente a control: el equilibrio que lo decide

Cartesia gana en cobertura por un margen amplio y medible. Cuarenta y cuatro idiomas en 61 configuraciones regionales son una lista publicada y comprobable. Rime no publica en absoluto el recuento de idiomas de Prism, aunque sus productos independientes de texto a voz sí publican el suyo, pero las cifras específicas de Prism están ausentes de la página del producto. Si necesitas lanzarte en quince mercados el próximo trimestre, esa ausencia resulta descalificadora por sí sola, y Sonic 3.6 es la respuesta independientemente de cualquier otra cosa en este artículo.

Prism gana el control, y por un margen que es estructural más que incremental. Sonic 3.6 recibe el texto final. Puede interpretar ese texto con más de 60 etiquetas de emoción y puede decirlo a 1,5x de velocidad, pero no puede rechazarlo. Prism produce el texto mismo, un paso antes del habla, y Rime dice que la aplicación puede reescribir, bloquear, etiquetar o corregir la pronunciación en ese punto mientras la llamada continúa. Una divulgación regulada, una afirmación que no debe hacerse, un nombre de marca competidora que nunca debe pronunciarse — esos viven en el punto de control, no en el texto que le entregas a un sintetizador.

Puedes construir el mismo control en una cascada de Sonic. Coloca una verificación de políticas entre el modelo de lenguaje y el sintetizador, y tienes el checkpoint. Lo que no tienes es un modelo que razone sobre el audio en la misma pasada, y esa es la segunda mitad de la afirmación de Prism: el tono, las vacilaciones y el ruido de fondo informan la respuesta en lugar de quedar aplanados primero en una transcripción. Que eso valga ocho centavos en lugar de cuatro es una pregunta sobre tus llamadas, no sobre los modelos.

Ambos transmiten en streaming, ninguno de los dos está en nuestro catálogo.

Prism se vende directamente por Rime. Sonic 3.6 se vende directamente por Cartesia y a través de varias plataformas de terceros. Ninguno de los dos es enrutado por OrcaRouter actualmente, y nada en este artículo debe interpretarse como que afirma lo contrario.

Lo que hacemos con el enrutamiento es la capa de la que ambos dependen. En una cascada Sonic, el modelo de lenguaje en el medio es una elección, y esa elección es donde realmente residen la calidad y el costo de la llamada. Una clave en OrcaRouter cubre más de 200 modelos con 0% de margen sobre el precio de lista del proveedor, con conmutación automática por error entre proveedores, de modo que un modelo conversacional que se bloquea no se convierte en silencio — la solicitud se redirige en su lugar. El DSL de enrutamiento te permite enviar los turnos de acuse de recibo a un modelo pequeño y barato y los turnos de consulta a uno más grande, dentro de un mismo endpoint, que es la misma disciplina de costos que necesita una cascada y la razón por la que una cascada sigue siendo competitiva en precio.

Y si quieres un salto de síntesis alojado sin una segunda relación con proveedor, openai/tts-1-hd y google/gemini-3.1-flash-tts-preview están ambos en el catálogo a precio de lista. No son Sonic 3.6. Son los otros dos extremos del mismo pipeline, con la misma clave.

El veredicto, desglosado por arquitectura

Si estás desarrollando en más de un puñado de idiomas, Cartesia Sonic 3.6 es el sintetizador correcto y la comparación ha terminado. Cuarenta y cuatro idiomas son un hecho; una lista no publicada no es una promesa.

Si está construyendo un centro de contacto para un único mercado en el que el agente no debe decir ciertas cosas, Rime Prism es el único de los dos que tiene un punto donde situarse entre la decisión y la enunciación, y a ocho centavos el minuto cuesta aproximadamente lo mismo que la cascada que tendría que montar de otro modo, con una sola factura en lugar de tres.

Si te encuentras en un punto intermedio, lo que desempata es la latencia bajo carga, no la latencia de un gráfico comparativo. Los menos de 90 ms de salto de Cartesia se miden excluyendo la red, y un despliegue alejado de la región verá bastante más. Los 570 ms de Prism se miden en un banco de pruebas que no tiene red en absoluto. Ejecuta ambos en tu ruta de llamada real, desde tu región real, antes de decidirte. Las cifras publicadas no pueden zanjar la cuestión, y quien afirme que sí lo hacen está comparando dos cronómetros distintos.

Una advertencia sobre las cifras de la arena, porque van a ser citadas: el Elo de Artificial Analysis para Sonic 3.6 mide cómo suena una voz para evaluadores humanos. El 56.6 de Prism en τ-Voice mide con qué frecuencia un agente completa una tarea en 278 llamadas de servicio simuladas. No son el mismo instrumento, no comparten escala y restar uno del otro produce un número que no significa nada. Sonic 3.6 no tiene puntuación en τ-Voice porque no es un agente. Prism no tiene Elo de arena porque no es una voz. Esa asimetría es la comparación entera en miniatura.