AssemblyAI-TTS-1 vs Cartesia Sonic 3.6 : le challenger a mesuré le tenant du titre à 143 ms

La phrase la plus utile dans l’article de lancement d’AssemblyAI ne porte pas sur son propre modèle. C’est une ligne d’un tableau comparatif montrant Cartesia Sonic 3.6 renvoyer un premier octet en 143 millisecondes tandis que AssemblyAI-TTS-1 le faisait en 47 — un test qu’AssemblyAI a réalisé, sur son propre matériel, et publié à propos d’un concurrent qui se vend depuis deux ans comme le TTS le plus rapide du marché. Le chiffre officiel de Sonic 3.6 est inférieur à 90 ms jusqu’au premier audio, ce qui ne correspond pas à la même mesure, ni au même réseau, et les deux nombres n’ont cessé d’être opposés depuis. Cette collision est le cœur honnête de cette confrontation : un modèle est le leader de la qualité et des langues à 49 $ par million de caractères, l’autre est le challenger du prix et du débit à 15 $, et ni l’un ni l’autre n’a un chiffre de latence confirmé par une partie neutre.

Tout ce qui suit est daté. Les chiffres d’Artificial Analysis ont été relevés le 30 octobre 2026, et les classements varient de dizaines de points Elo en quelques semaines ; Sonic 3.6 est lui-même passé de la première à la quatrième place depuis août. Les déclarations des fournisseurs sont étiquetées comme telles. Les deux points de données indépendants sur la latence qui existent — le test en laboratoire d’AssemblyAI et la mesure en streaming de Cekura — mesurent des choses différentes et sont présentés comme tels plutôt que moyennés en un seul pseudo-fait.

Où ils en sont réellement, à ce jour

Cartesia Sonic 3.6 a été lancé à la mi-août 2026 et a pris la première place sur les deux arènes vocales d’Artificial Analysis en quelques jours — un score de 1 282 sur Provider Voice et de 1 123 sur Controlled Voice, tous deux relevés à l’époque. Deux mois et demi et de nouvelles entrées plus tard, il affiche 1 296 et se classe quatrième sur Provider Voice, et 1 147 et sixième sur Controlled Voice. Son score a augmenté de 14 points et son rang a reculé de trois places. C’est ce que fait un classement qui évolue vite, et c’est pourquoi la colonne du rang dans tout article de lancement vieillit mal.

• Voix du fournisseur — Cartesia Sonic 3.6 1 296, 4e contre AssemblyAI-TTS-1 1 227, 14e

• Voix contrôlée (huit voix clonées partagées) — Cartesia Sonic 3.6 1 147, 6e vs AssemblyAI-TTS-1 1 108, 10e

• Prix par million de caractères — 49 $ contre 15 $

• Langues — 44 contre 6 (anglais, espagnol, français, allemand, italien, portugais)

• Débit (Artificial Analysis) — 148,6 caractères par seconde contre 162

• Robustesse de la prononciation (Artificial Analysis) — AssemblyAI 81,7 %, 16e, contre un classement inférieur de Sonic sur les tests de chaînes difficiles réalisés par des tiers

• Facturation des voix clonées — Cartesia facture 1,5 fois le prix pour les voix clonées, contre un tarif forfaitaire chez AssemblyAI incluant le clonage

Les deux écarts ne sont pas de la même taille. Les soixante-neuf points Elo sur Provider Voice constituent une différence de qualité réelle et visible — environ la distance entre modèles adjacents au milieu du classement, et suffisante pour qu’un auditeur à l’aveugle ait une préférence. L’écart de trente-sept points Elo sur Controlled Voice est plus petit et se situe dans la plage où un seul tour d’évaluation peut faire bouger un modèle de plusieurs places. En termes simples : Sonic 3.6 sonne mieux avec ses propres voix, et les deux sont suffisamment proches avec une voix clonée pour que les détails du déploiement fassent la différence. Un écart de prix de 3,3× ne saurait en aucun cas être considéré comme proche.

L’argument de la latence, présenté de trois façons

Trois mesures existent et aucune d'elles ne tranche la question, il vaut donc la peine d'être précis sur ce que chacune révèle.

Le premier est un test en laboratoire réalisé par AssemblyAI lui-même. Trente invites, trois tours, quatre voix standard par modèle, une requête à la fois, un seul client. Temps médian jusqu’au premier octet : AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Il s’agit d’un test propre et bien décrit, avec une limite évidente : les requêtes séquentielles mesurent le modèle, pas le service. Il ne peut pas montrer la mise en file d’attente, la contention de concurrence ni le coût réseau entre régions. Il présente aussi un problème d’incitation : le fournisseur qui publie le tableau est celui qui le gagne.

La seconde est une affirmation de Cartesia elle-même : un temps jusqu’au premier audio inférieur à 90 ms, que l’entreprise décrit comme propre au modèle et hors réseau. Notez le changement d’unité. Les 47 ms d’AssemblyAI correspondent à un premier octet ; les 90 ms de Sonic correspondent au premier audio ; ce sont des moments différents dans un pipeline de streaming, et un premier octet peut arriver bien avant la première trame synthétisée. Les comparer directement est l’erreur la plus courante dans la couverture de ce lancement.

Le troisième est la mesure indépendante de streaming de Cekura, qui a placé AssemblyAI-TTS-1 à une médiane de 159 ms sur des phrases de style agent — huitième sur dix-neuf systèmes, pas premier. C’est deux fois le chiffre de production du fournisseur et à peu près conforme à ce qu’un véritable chemin réseau fait à un chiffre propre de laboratoire. Aucun chiffre indépendant équivalent pour Sonic 3.6 n’était disponible dans la même série, ce qui signifie que l’affirmation honnête n’est pas « AssemblyAI est plus rapide », mais « AssemblyAI est plus rapide dans un test qu’il a conçu, et aucun des deux modèles n’a été mis en concurrence par un laboratoire neutre le même jour. »

Le débit est la comparaison la plus claire, car Artificial Analysis le mesure de la même manière pour les deux. À 162 caractères par seconde contre 148,6, AssemblyAI génère l’audio environ 9 % plus vite — un avantage bien plus faible que ne le suggèrent les chiffres du premier octet, et sans pertinence pour un agent en direct où les deux modèles sont déjà plusieurs fois plus rapides que le temps réel. Ce qui compte en production, ce sont la latence de queue et la fiabilité sous concurrence, et aucun des deux fournisseurs n’a publié de chiffre p99.

Ce que comprend la différence de prix

Le tarif de 49 $ de Cartesia n'est pas un prix forfaitaire tout compris comme l'est celui de 15 $ d'AssemblyAI. Sonic 3.6 facture les voix clonées à 1,5 fois le tarif standard, ce qui fait grimper un agent utilisant des voix personnalisées à environ 73,50 $ par million de caractères, soit environ 4,9 fois le tarif d'AssemblyAI. AssemblyAI facture 15 $ aussi bien pour les voix de sa bibliothèque que pour les clones, inclut les horodatages au niveau du mot, le traitement aux États-Unis ou dans l'UE et une concurrence illimitée, sans achat de palier ni engagement annuel. Cartesia vend des crédits via des forfaits à 0 $, 5 $, 49 $ et 299 $ par mois, et son offre gratuite interdit toute utilisation commerciale.

Calculé à partir d’un script plutôt que d’une grille tarifaire : un million de caractères représente environ 18 heures de parole finie à un rythme de parole normal, ce qui place AssemblyAI à environ 81 cents par heure finie, contre environ 2,70 $ pour Sonic 3.6 au tarif catalogue, ou environ 4,05 $ une fois les voix clonées facturées au taux de 1,5x. Pour une activité de cent mille heures par mois, c’est la différence entre une ligne de facturation de 81 000 $ et une de 270 000 $. Rien dans la qualité de la voix ne justifie à soi seul un coefficient multiplicateur de 3,3 ; l’argumentaire en faveur de Cartesia doit se fonder sur la couverture, les contrôles et la fiabilité, pas sur l’Elo.

Langues et contrôles, un domaine où Cartesia conserve une avance confortable

Quarante-quatre langues localisées contre six, c’est l’écart fonctionnel le plus important de cette comparaison, et ce n’est pas un écart qu’une réduction de prix vient combler. AssemblyAI propose l’anglais, l’espagnol, le français, l’allemand, l’italien et le portugais avec plusieurs accents, et a promis davantage sans date. Si votre agent sert des marchés européens en dehors de ces six langues — le polonais, le néerlandais, le suédois, le grec — Sonic 3.6 est la seule option des deux, et la différence de prix cesse d’avoir de l’importance.

L’écart en matière de contrôles va dans le même sens. AssemblyAI-TTS-1 ne propose ni SSML, ni paramètre de vitesse, ni dictionnaire de prononciation, ni balises d’émotion au lancement ; la page de lancement du fournisseur décrit l’émotion comme native au modèle, tandis que sa FAQ confirme que des contrôles dédiés ne sont pas disponibles. Le produit de Cartesia est conçu autour de la parole orientable — la vitesse, l’émotion et la gestion de la prononciation font partie de l’offre. Pour la narration scénarisée, le doublage ou toute charge de travail où le rythme doit être dirigé, AssemblyAI vous demande actuellement de réécrire le texte pour obtenir le rendu souhaité, un travail que vous ne pouvez facturer à personne.

Le seul domaine où AssemblyAI est en tête sur le plan des capacités est exactement celui où Cartesia est la plus faible : les chaînes difficiles. Artificial Analysis place la robustesse de prononciation d’AssemblyAI à 81,7 %, au seizième rang de ce classement, et l’évaluation interne d’AssemblyAI établit la précision des entités à 93,7 % sur les numéros de téléphone, les URL et les codes, contre 82,5 % pour Sonic 3.6 — une comparaison de fournisseurs, menée par le fournisseur, avec un écart de 11 points trop important pour être écarté comme du bruit méthodologique. Un test indépendant (celui de Gradium) a attribué à Sonic un score de 75,1 % sur les cas difficiles. Pour les IVR, les relectures et les codes de confirmation, c’est ce chiffre qui décide du déploiement.

Qui devrait prendre lequel

Choisissez AssemblyAI-TTS-1 lorsque la charge de travail est à fort volume, avec l’anglais plus cinq langues, et qu’elle repose fortement sur une restitution structurée — numéros de commande, adresses, codes, posologies — où l’avantage de précision des entités et le tarif forfaitaire de 15 $ se cumulent. Choisissez Cartesia Sonic 3.6 lorsque vous avez besoin de plus de six langues, lorsque l’interprétation doit être dirigée plutôt que réécrite, lorsque vous clonez des voix et pouvez absorber la facturation à 1,5x, ou lorsque l’écart de naturel sur Provider Voice est ce que vos utilisateurs entendent. La différence de 37 points dans l’arène contrôlée est suffisamment faible pour qu’un agent bien conçu sur l’un ou l’autre modèle sonne bien ; la différence de 69 points entre fournisseurs est celle qu’un auditeur remarque.

Il existe une troisième option qu'aucun des deux fournisseurs ne met en avant, et c'est celle que la plupart des équipes finissent par choisir : faire tourner les deux et laisser le trafic décider. Deux branches TTS derrière une seule règle de routage permettent d'envoyer les énoncés à forte composante de relecture vers le modèle qui lit correctement les codes, et la narration vers le modèle qui sonne mieux, sans maintenir deux chemins d'intégration. C'est l'argument qu'une couche de routage avance d'elle-même — plus de 200 modèles derrière une seule API à 0 % de marge, avec les tarifs catalogue répercutés, de sorte qu'une baisse d'un côté comme de l'autre s'applique le jour même, et le DSL de routage pour répartir le trafic selon la charge de travail plutôt qu'à l'estime. Ni AssemblyAI-TTS-1 ni Cartesia Sonic 3.6 ne figurent aujourd'hui au catalogue d'OrcaRouter ; il s'agit donc d'une esquisse pour la comparaison plutôt que d'une affirmation quant à leur hébergement ; les modèles TTS que nous routons — tts-1 d'OpenAI, tts-1-hd et gpt-4o-mini-tts, ainsi que Gemini 3.1 Flash TTS Preview de Google — couvrent la seconde branche pendant que les deux leaders sont évalués sur votre propre trafic.

Qu’est-ce qui réglerait vraiment la question ?

Un laboratoire neutre qui ferait tourner les deux modèles sur le même matériel, le même chemin réseau et le même profil de charge mettrait fin au débat sur la latence en un après-midi, et personne ne l’a fait. D’ici là, la position défendable est la suivante : AssemblyAI est plus rapide dans son propre test et peut-être plus rapide en réalité ; Cartesia est le modèle au meilleur rendu sonore, avec une couverture bien plus étendue ; et l’écart de prix est suffisamment important pour que l’avantage de qualité de Sonic 3.6 doive valoir 3,3 fois plus par caractère — ou, pour les voix clonées, 4,9 fois — aux yeux de l’acheteur qui paie.

Deux autres évolutions feraient davantage bouger la réponse que n’importe quel benchmark. Si AssemblyAI livre le SSML et des dictionnaires de prononciation, la limite de six langues devient la seule objection fonctionnelle restante et l’argument tarifaire devient très difficile à contester. Si Cartesia aligne son tarif sur le nouveau plancher du marché, ou étend sa facturation de voix clonée, l’avantage de couverture devient abordable. Surveillez ces deux mouvements plutôt que le prochain classement Elo — sur un tableau où un modèle peut gagner 14 points et perdre trois places en dix semaines, le rang est du bruit et le prix est le signal.